TapCub 正式上线:统计、分析、客服一个平台免费用
数据分析

移动应用指标:各阶段的公式与参考范围

真正重要的移动应用指标,每个都有公式;用一个示例应用从头算到尾,并说明留存、黏性和崩溃率该和什么比。

苏禾 发布于 2026 年 11 月 20 日 9 分钟阅读 数据分析
示例数据:一批 10,000 位新用户,第 1 天 2,400 人活跃,第 7 天 1,000 人,第 30 天 450 人。对照约 26%、13%、7% 的参照平均值,相对差距从第 1 天的参照值的 92% 扩大到第 30 天的 64%。示例数据

移动应用指标,是用来判断人们有没有来、会不会回来、用得怎么样、应用稳不稳定、有没有人付费的那些数。核心的一组是 DAU 和 MAU 加黏性(DAU ÷ MAU)、次日 7 日 30 日留存、无崩溃用户率和会话率,以及 ARPDAU。本文先给出每个公式,再把一个示例应用从头算到尾,并与参照平均值和 Google Play 的 Android vitals 阈值对比。

读完你会知道

  • 每个指标都要和某个东西比:另一批用户、上一个版本或商店阈值,而不是一份通用清单
  • 无崩溃用户率比无崩溃会话率更严;示例中按用户 98.5%,按会话 99.0%
  • Android vitals 把 1.09% 的日活用户遇到崩溃当作警戒线;示例的 1.50% 超过了这条线

哪些移动应用指标最重要,各自怎么算?

多数移动应用指标可以归结为六个问题:有没有人来,来的人回不回头,用得勤不勤,能不能稳定运行,有没有人付费,每一步花了多少钱。下表给每个指标一个公式和一条读数规则,按生命周期阶段分组。

阶段指标公式变化说明什么
获取新用户周期内第一次出现的用户(重装不算新用户)获客有没有效果;要结合来源读
获取单次安装成本花费 ÷ 安装数一次安装的价格,不是一个有用用户的价格
活跃日活(DAU)某一天活跃的不同用户数活跃用户的每日规模
活跃月活(MAU)最近 30 天活跃的不同用户数活跃用户的月度规模
活跃黏性DAU ÷ MAU月活用户里,典型一天有多少人出现
活跃每个日活的会话数会话数 ÷ DAU一个活跃用户一天打开应用几次
留存次日留存一批新用户中第 1 天活跃的人数 ÷ 这批人数首次体验有没有用
留存7 日留存第 7 天活跃的人数 ÷ 这批人数第一个使用习惯有没有形成
留存30 日留存第 30 天活跃的人数 ÷ 这批人数应用有没有长期留下来的理由
质量无崩溃用户率1 − 崩溃用户 ÷ 活跃用户从未遇到崩溃的人占多少
质量无崩溃会话率1 − 崩溃会话 ÷ 全部会话没有以崩溃结束的会话占多少
收入ARPDAU一天的收入 ÷ DAU每个活跃用户每天带来的收入
收入付费率付费用户 ÷ 活跃用户活跃用户里有多少人付费

通用清单很长,有用的部分是知道一个数该和什么比:另一批用户、上一个版本,或应用商店的阈值。本文余下部分,用一个算例对留存、黏性和稳定性做这件事。

算例:一个应用,一个月

一个小应用的示例数据。这些数字只是示意,不是基准,下面的算术已重新计算。

项目数值计算
平均 DAU6,000
MAU40,000
黏性15%6,000 ÷ 40,000
每天会话数12,000
每个 DAU 的会话数2.012,000 ÷ 6,000
新增用户批次10,000 位新用户
次日留存24.0%2,400 ÷ 10,000
7 日留存10.0%1,000 ÷ 10,000
30 日留存4.5%450 ÷ 10,000
每天崩溃会话120
无崩溃会话率99.0%1 − 120 ÷ 12,000
每天遇到崩溃的用户90
无崩溃用户率98.5%1 − 90 ÷ 6,000
每天遇到 ANR 的用户2424 ÷ 6,000 = 0.40%
每天收入4,500 美元
ARPDAU0.75 美元4,500 ÷ 6,000
每天付费用户180
付费率3.0%180 ÷ 6,000

注意,同样的崩溃,按会话算是 99.0%,按用户算是 98.5%。一个人一天打开两次、崩溃一次,是一个崩溃用户,却只占一半的会话,所以用户口径更严。商店或看板用哪个数,决定你看起来是正常还是有麻烦。

留存:次日、7 日和 30 日

留存问的是:一批新用户里,后来还有多少比例仍然活跃。经典留存只在用户正好在第 N 天活跃时才算;「滚动」留存把第 N 天或之后活跃过的人都算上,所以总是更高。对比基准前,先看它用的是哪一种。

作为参照,Adjust 的留存术语页给出的全球平均约为:第 1 天 26%、第 7 天 13%、第 30 天 7%(页面没有写明数据年份,平均值也会随品类、平台和年份变化)。与它们对比:

天数我们的示例参照平均差距
第 1 天24.0%26%低 2.0 个百分点(参照值的 92%)
第 7 天10.0%13%低 3.0 个百分点(77%)
第 30 天4.5%7%低 2.5 个百分点(64%)

相对差距从第 1 天到第 30 天越拉越大,说明问题出在使用习惯,而不是新手引导。决策规则:

  1. 次日留存低: 修首次使用。看新用户在最初几个界面停在哪里,以及第一个价值时刻。
  2. 次日正常、7 日低: 应用能用,但没有东西把人拉回来。看提醒、内容更新和第二次使用的体验。
  3. 30 日低、曲线还在下滑: 还没有稳定的核心用户。看留存曲线有没有走平;尾部平在 4% 比一路滑向 1% 好。
  4. 始终按批次拆开。 对比本次版本这批用户和上一个版本这批用户,而不是整个用户库和行业平均。

公式和用户批次的更深入讲解见留存指标。

app.tapcub.com

示例应用各天留存

一批 10,000 位用户的占比
第 1 天24.0%
第 7 天10.0%
第 30 天4.5%
示例数据
示例数据:一批 10,000 位新用户,第 1 天 2,400 人活跃,第 7 天 1,000 人,第 30 天 450 人。对照约 26%、13%、7% 的参照平均值,相对差距从第 1 天的参照值的 92% 扩大到第 30 天的 64%。

黏性:DAU ÷ MAU 藏起来的东西

DAU 6,000、MAU 40,000,黏性是 15%:典型的一天,有 15% 的月活用户出现。它是一条有用的趋势线(是在升还是在降?),但跨不同类型的应用做对比就不太可靠,因为银行应用和游戏的自然使用频率不同。

有两点提醒。黏性可能因为用户流失而上升:如果 MAU 比 DAU 降得更快,比值上升,应用却在缩小。它也不说明是谁在活跃;先按新用户和回访用户拆开,再去读它。DAU/MAU 术语条目有公式和边界情况。

稳定性:无崩溃率和商店阈值

Firebase 把无崩溃用户率定义为:周期内使用过应用但没有遇到崩溃的用户百分比,即 1 − 崩溃用户 ÷ 全部用户;无崩溃会话率是没有以崩溃结束的会话百分比。两者都只统计致命事件,并按所选周期汇总。

在 Android 上还有一条外部的线。Google Play 的 Android vitals 定义了整体的「不良行为」阈值:在所有机型上,至少 1.09% 的日活用户遇到用户可感知的崩溃,或至少 0.47% 遇到用户可感知的 ANR(应用无响应)。Google 表示,超过整体阈值可能降低应用在各设备上的可见度,另外还列出了按设备的单独阈值。

把它用在示例上,同时记住你自己的口径可能和 Google 对「用户可感知」和日活用户的定义并不完全一致:

  • 每天遇到崩溃的用户:90 ÷ 6,000 = 1.50%,高于 1.09% 这条线。
  • 每天遇到 ANR 的用户:24 ÷ 6,000 = 0.40%,低于 0.47% 的线,但余地不大。
  • 99.0% 的无崩溃会话率看起来很健康,所以对照商店阈值时,要看的是按用户算的比率。

决策规则:按用户算的崩溃率高于阈值时,先按版本和设备把崩溃分组,优先修最靠前的一两组;少数几类崩溃通常占了大部分受影响的用户。

指标示例应用参照
次日留存24.0%约 26%(Adjust 术语页)
7 日留存10.0%约 13%
30 日留存4.5%约 7%
每天遇到崩溃的用户1.50%1.09% 整体线(Android vitals)
每天遇到 ANR 的用户0.40%0.47% 整体线(Android vitals)

示例应用数据仅作示意;参照是平均值或商店阈值,不是目标。

收入和成本指标,简述

ARPDAU(示例中 0.75 美元)和付费率(3.0%)把收入拆成「多少人付费」和「每个活跃用户值多少」。如果 ARPDAU 上升而付费率下降,说明是少数大额付费者在撑这个数。单次安装成本只说明一次安装花了多少,不说明一个留存用户花了多少:30 日留存 4.5% 时,每个留存下来的用户成本约是一次安装的 22 倍(1 ÷ 0.045 = 22.2),比只看安装价格更适合判断获客。

先从哪五个开始

如果只能埋点少数几个,按它们支持的决定来选:

  1. 按批次看次日和 7 日留存,用于新手引导和使用习惯。
  2. DAU、MAU 和黏性,当作趋势线。
  3. 无崩溃用户率和会话率,按版本拆开,用于发版决定。
  4. 每个 DAU 的会话数,用来区分「用户变多」和「用得更多」。
  5. ARPDAU 和付费率,如果应用有收入。

每一个都要书面写清定义(什么算活跃、什么算会话、一天怎么算),并且各版本之间保持一致。所有选项的完整列表见移动应用分析。

在 TapCub 里去哪看这些

拿示例应用,到 TapCub 的应用报表里读一遍。TapCub 数的是 SDK 发来的内容,它不买量。

  1. 活跃用户。 在应用统计 › 用户分析 › 用户分析里,可以在新用户、活跃用户、启动次数、仅启动一次的用户和累计用户之间切换。这里画出日活、周活(7 天)和月活(30 天),主要的日活卡片是日均值,因为把一个范围加起来会重复计人。重装不算新用户。
  2. 留存。 在应用统计 › 用户分析 › 留存里,选新用户留存(从首日起算)或活跃留存,按日、周或月。还没到期的格子会标成「未到期」而不是零,所以新的一批用户不会看起来像出了问题。
  3. 稳定性。 在应用统计 › 质量与归因 › 稳定性里,无崩溃占比是 1 − 崩溃用户 ÷ 活跃用户,旁边是崩溃、ANR 和卡顿的次数,以及可以标记为活跃、已解决或已忽略的错误分组。每个版本的崩溃次数在应用统计 › 用户分析 › 版本分布,能回答「上一个版本有没有让情况变糟」。
  4. 按它自己的定义读 ANR。 TapCub 把 ANR 显示为 Android 上主线程被阻塞至少 5 秒,这是它自己的定义,和 Google Play 的「用户可感知 ANR」不一样,所以不要一一对应。

TapCub 不了解应用商店的排名规则;上面的阈值来自 Google 的文档,该修什么的决定仍然在你。

常见问题

哪些移动应用指标最重要?

按批次的留存(次日、7 日、30 日)、活跃用户和黏性、无崩溃用户率和会话率、每个活跃用户的会话数,以及应用有收入时每个活跃用户的收入。选那些能支持你真会做的决定的指标。

次日、7 日和 30 日留存怎么算?

取一批新用户,用第 1、7 或 30 天仍然活跃的人数除以这批人数。例如 10,000 人里有 2,400 人在第 1 天活跃,就是 24%。要看清基准用的是经典留存(正好第 N 天)还是滚动留存(第 N 天或之后)。

DAU/MAU 多少算好?

没有通用的数字,因为各类应用的自然使用频率不同。把它当作你自己应用的趋势,对比不同批次的用户,并留意比值是否只是因为 MAU 下降才上升。

无崩溃率多少算好?

对 Android,Google Play 的整体不良行为阈值是 1.09% 的日活用户遇到用户可感知的崩溃,所以按这个口径,无崩溃用户率低于约 98.9% 就有风险。要量用户,而不只是会话,因为会话会掩盖同一个人的反复崩溃。

无崩溃用户率和无崩溃会话率有什么区别?

无崩溃用户率是周期内没有崩溃的人占多少;无崩溃会话率是没有以崩溃结束的会话占多少。同一个人在多个会话里崩溃时,用户口径更严。

资料来源

  • Google Play 管理中心帮助。Android vitals:整体不良行为阈值为 1.09% 的日活用户遇到用户可感知的崩溃、0.47% 遇到用户可感知的 ANR,以及对可见度的影响。核对于 2026-11-20。
  • Firebase。Crash-free metrics(无崩溃指标):无崩溃用户率和无崩溃会话率的定义与公式。核对于 2026-11-20。
  • Adjust。留存率术语页:第 1、7、30 天全球平均留存约 26%、13%、7%(未写明年份)。核对于 2026-11-20。
归档:数据分析

这篇文章对你有帮助吗?

我们会根据反馈修改和补充这篇内容。

苏禾

数据分析师

围绕流量来源、转化漏斗与用户留存写作,重视指标口径和分析过程,用具体示例解释数字背后的问题。

查看应用用户、留存和无崩溃率

TapCub 的应用报表用一个 SDK 显示活跃用户、按批次的新用户留存,以及按版本的无崩溃占比。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie