DAU, WAU, MAU: метрики активной аудитории

Что такое DAU, WAU и MAU простыми словами

DAU (Daily Active Users), WAU (Weekly Active Users) и MAU (Monthly Active Users) — количество уникальных пользователей, совершивших хотя бы одно целевое действие в продукте за день, неделю или месяц соответственно. Это метрики активности, а не регистрации: пользователь, который скачал приложение и не открывал его три месяца, в MAU не попадает.

• DAU — уникальные активные пользователи за календарные сутки.
• WAU — уникальные активные пользователи за скользящие 7 дней.
• MAU — уникальные активные пользователи за скользящие 30 дней.

Ключевое слово — «уникальные»: если один и тот же человек заходил в приложение 20 раз за день, в DAU он засчитывается один раз. Эти метрики используются в связке с retention rate и юнит-экономикой продукта, потому что активная аудитория — фундамент, на котором строится любая монетизация.

Важно понимать разницу между этими метриками и просто числом регистраций или установок приложения. Компания может гордиться миллионом скачиваний, но если открывают приложение раз в месяц лишь 5% от этой базы, реальный размер живого продукта — не миллион, а те самые несколько десятков тысяч человек, которые действительно возвращаются. Именно поэтому инвесторы и продуктовые команды давно перестали ориентироваться на «число установок» как на главный показатель успеха — это метрика тщеславия, которая ничего не говорит о том, прижился продукт в жизни пользователя или нет.

Что считать «активным действием»

Прежде чем считать DAU/WAU/MAU, нужно договориться, что именно является активным действием в вашем продукте. Это не техническая деталь, а стратегическое решение: слишком широкое определение раздувает метрику и создаёт иллюзию здоровья, слишком узкое — занижает реальную вовлечённость.

Формулы расчёта и липкость аудитории

Сами по себе DAU, WAU и MAU — это просто подсчёт уникальных пользователей за период. Интереснее производная метрика — stickiness (липкость), которая показывает, какая доля месячной аудитории заходит в продукт ежедневно.

DAU = уникальные активные пользователи за сутки
WAU = уникальные активные пользователи за 7 дней
MAU = уникальные активные пользователи за 30 дней

Stickiness (DAU/MAU) = DAU ÷ MAU × 100%
Stickiness (WAU/MAU) = WAU ÷ MAU × 100%

Пример: у продукта 1 200 DAU и 18 000 MAU. Липкость = 1 200 / 18 000 = 6,7%. Это значит, что из всей месячной аудитории в среднем 6,7% открывают продукт в любой случайно взятый день — довольно низкий показатель для приложения, рассчитанного на ежедневное использование.

Разберём второй пример с ростом во времени. Допустим, три месяца назад у того же продукта было 800 DAU и 20 000 MAU (липкость 4%), а сейчас 1 200 DAU и 18 000 MAU (липкость 6,7%). Формально MAU даже немного снизился, но липкость выросла почти на 70% — это хороший знак: продукт стал более прочно встроен в привычки тех, кто им пользуется, даже притом что общая база активных пользователей за месяц немного сократилась. Такой разбор невозможен, если смотреть только на абсолютные значения DAU и MAU по отдельности, без сведения их в единый коэффициент.

Нормы DAU/MAU по типам продуктов

Универсального «хорошего» значения липкости не существует — оно сильно зависит от природы продукта и от того, насколько часто человеку в принципе нужно им пользоваться.

Если ваш продукт — SaaS для командной работы, а липкость упала до 5% — это тревожный сигнал: значит, пользователи, скорее всего, забыли о продукте между сессиями. Если же вы делаете разовый сервис бронирования и у вас 8% — это ожидаемо, потому что человеку физически не нужно заходить туда каждый день.

Полезно смотреть не только на общий бенчмарк отрасли, но и на лучших игроков внутри своей ниши: если прямой конкурент публично заявляет о липкости 35%, а у вас 15% при сопоставимой модели использования продукта, это сигнал, что есть резерв для роста вовлечённости через улучшение онбординга, push-уведомлений или напоминаний о незавершённых действиях внутри продукта.

Как отслеживать DAU/WAU/MAU на практике

На практике эти метрики считают через веб-аналитику или продуктовую аналитику, а не вручную.

1. Подключите систему аналитики — Яндекс.Метрику, продуктовые системы (Amplitude, Mixpanel) или собственную схему событий в базе данных.
2. Определите событие «активности» — например, событие session_start с минимальной длительностью сессии.
3. Настройте когортные срезы — DAU/MAU в разбивке по каналу привлечения, устройству, тарифу — это покажет, какие сегменты держат продукт живым, а какие уходят.
4. Стройте график в динамике, а не смотрите на разовое значение — тренд важнее точки.

Для сквозного анализа поведения полезно смотреть DAU/MAU вместе с когортным анализом — так видно не только сколько людей активны, а какие именно когорты держат метрику, а какие вымываются.

Отдельная практическая задача — правильно обрабатывать граничные случаи. Например, пользователь, который открыл приложение в 23:58 и снова в 00:03 — это два разных календарных дня для DAU, но фактически одна сессия использования продукта. Многие системы аналитики решают эту проблему через понятие «сессии» с таймаутом (обычно 30 минут неактивности закрывает сессию), и уже на основе сессий, а не сырых событий открытия приложения, считают уникальных активных пользователей за день.

Частые ошибки при подсчёте

• Считать регистрации, а не активность. Рост MAU за счёт новых установок при падающем retention маскирует реальную проблему.
• Менять определение активности между периодами без пересчёта истории — графики становятся несравнимыми.
• Игнорировать ботов и фрод-трафик — раздутый DAU от неживых аккаунтов создаёт иллюзию роста.
• Смотреть только на абсолютные цифры, не считая липкость — 100 000 MAU при 1% DAU/MAU хуже, чем 20 000 MAU при 25%.

Растущий MAU при падающем DAU/MAU — это не рост, а замедленное падение: новые пользователи маскируют отток старых.

Ещё одна распространённая ошибка — сравнивать липкость своего продукта с усреднёнными «отраслевыми бенчмарками» без поправки на специфику собственной аудитории и геолокации. Показатели DAU/MAU для мобильного приложения с аудиторией в мегаполисах и в небольших городах могут отличаться заметно из-за разницы в паттернах использования смартфона и доступности мобильного интернета — поэтому лучше в первую очередь ориентироваться на динамику собственной метрики во времени, а не гнаться за абстрактным средним по рынку.

Как нейросети помогают анализировать активность

Ручной разбор десятков когорт по каналам и устройствам занимает часы. Нейросети умеют быстро находить аномалии в динамике DAU/MAU и предлагать гипотезы, почему липкость упала именно у конкретного сегмента. Подробнее о таком подходе — в статье нейросети в аналитике данных.

Практический сценарий: выгрузить таблицу DAU/WAU/MAU по неделям и каналам привлечения, загрузить в чат с нейросетью и попросить найти неделю, где липкость просела сильнее всего, и сопоставить её с релизами или изменениями в продукте за тот же период. Это экономит часы ручного сопоставления таблиц.

Как DAU/MAU связаны с retention и почему их нужно смотреть вместе

DAU/MAU и retention rate отвечают на разные вопросы об одной и той же проблеме — живёт ли продукт в привычках пользователя. Липкость (DAU/MAU) — это снимок на конкретный момент: какая доля месячной аудитории активна прямо сегодня. Retention — это динамика во времени: возвращаются ли конкретные пользователи, пришедшие в определённый день, неделю спустя, месяц спустя.

Продукт может иметь стабильную липкость 20% и при этом два принципиально разных сценария за кулисами: либо одни и те же 20% пользователей заходят каждый день (здоровый сценарий — retention curve выходит на плато), либо каждый день заходит новая порция из 20%, а прежние тихо уходят навсегда (нездоровый сценарий — retention curve сползает к нулю). DAU/MAU сама по себе не различает эти два случая — для этого нужна именно кривая retention по когортам.

Практический вывод: если DAU/MAU держится стабильно, но когортный анализ показывает, что retention месячных когорт падает к нулю, значит, стабильность метрики держится только на постоянном притоке новых пользователей — это симптом проблемы с удержанием, замаскированной ростом привлечения, а не признак здорового продукта.

На практике удобно совмещать оба взгляда в одном дашборде: липкость — как ежедневный светофор состояния продукта, а retention-кривую по когортам — как ежемесячную диагностику, почему светофор горит именно так. Продуктовые команды, которые смотрят только на DAU/MAU без разбивки по когортам, обычно узнают о проблеме удержания с опозданием на месяц-два — именно тогда, когда падение притока новых пользователей наконец обнажает истинное состояние retention.