Lære Engagement-målinger | Kerne-Målepunkter og Måling

Stryg for at vise menuen

Forståelse af, hvordan brugere interagerer med dit produkt, er afgørende for at skabe vækst og forbedringer. Engagement-målinger som Daily Active Users (DAU), Monthly Active Users (MAU), stickiness og session length giver tydelige indikationer på, hvor ofte brugere vender tilbage, og hvor engagerede de er.

DAU måler antallet af unikke brugere, der interagerer med dit produkt på én dag. For eksempel, hvis du driver et mobilspil, og 1.000 unikke spillere åbner appen i dag, er din DAU 1,000.

MAU angiver antallet af unikke brugere, der engagerer sig med dit produkt i løbet af en måned. Hvis 10,000 forskellige personer bruger din app mindst én gang i juni, er din MAU for juni 10,000.

Stickiness er forholdet mellem DAU og MAU, typisk udtrykt i procent. Det viser, hvor stor en andel af dine månedlige brugere der er aktive dagligt, og fremhæver hvor vanedannende dit produkt er. En høj stickiness betyder, at brugerne vender ofte tilbage.

Session length måler, hvor lang tid brugerne bruger pr. besøg. For eksempel, hvis den gennemsnitlige bruger bruger 10 minutes hver gang de bruger din nyhedsapp, er det din gennemsnitlige session length.

Antag, at du administrerer tre produkter: et socialt netværk, en vejr-app og et budgetværktøj. Det sociale netværk kan have høj DAU og høj stickiness, hvilket indikerer, at brugerne tjekker det dagligt. Vejr-appen kan have moderat DAU, men høj session length under storme. Budgetværktøjet kan have lavere DAU, men en stabil MAU, da brugerne primært tjekker det i starten eller slutningen af måneden.


              123456789101112131415161718192021222324252627282930313233343536
            
# Sample activity data: list of (user_id, date) tuples
activity_log = [
    (1, '2024-06-01'),
    (2, '2024-06-01'),
    (1, '2024-06-02'),
    (3, '2024-06-02'),
    (2, '2024-06-03'),
    (4, '2024-06-03'),
    (1, '2024-06-03'),
    (5, '2024-06-04'),
    (1, '2024-06-04'),
    (2, '2024-06-04'),
    (3, '2024-06-04'),
]

def calculate_dau(activity_log, target_date):
    return len({user for user, date in activity_log if date == target_date})

def calculate_mau(activity_log, month):
    return len({user for user, date in activity_log if date.startswith(month)})

def calculate_stickiness(dau, mau):
    if mau == 0:
        return 0
    return round((dau / mau) * 100, 2)

# Calculating DAU for 2024-06-04
dau = calculate_dau(activity_log, '2024-06-04')
# Calculating MAU for June 2024
mau = calculate_mau(activity_log, '2024-06')
# Calculating stickiness ratio
stickiness = calculate_stickiness(dau, mau)

print("DAU:", dau)
print("MAU:", mau)
print("Stickiness (%):", stickiness)

Bemærk

Høj stickiness indikerer stærk brugerengagement og vaneopbygning omkring produktet.

Her er en gennemgang af, hvordan koden ovenfor fungerer:

Først indeholder activity_log poster for brugeraktivitet, hvor hver post består af et bruger-ID og en dato-streng. For at beregne DAU tæller koden unikke bruger-ID'er for en bestemt dato. For eksempel, på '2024-06-04', finder den alle brugere, der var aktive den dag, og tæller hvor mange der er unikke.

For MAU ser koden efter alle unikke brugere, hvis aktivitet falder inden for den ønskede måned, såsom '2024-06'. Dette viser, hvor mange forskellige brugere der interagerede med dit produkt i løbet af måneden.

Stickiness beregnes derefter ved at dividere DAU med MAU og gange med 100 for at få en procentdel. Dette afslører, hvilken andel af dine månedlige brugere der også er aktive dagligt – en direkte indikator for, hvor regelmæssigt brugerne vender tilbage.

Ved at køre denne kode kan du hurtigt se din DAU, MAU og stickiness for enhver dato og måned, hvilket hjælper dig med at identificere tendenser eller problemer i brugerengagement.

1. Hvad indikerer et højt stickiness-forhold om et produkts brugerengagement?

2. Udfyld det tomme felt:

Var alt klart?

Tak for dine kommentarer!

Sektion 2. Kapitel 1

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Sektion 2. Kapitel 1