Lernen Engagement-Metriken | Kernmetriken und Messung

Swipe um das Menü anzuzeigen

Das Verständnis darüber, wie Nutzer mit Ihrem Produkt interagieren, ist entscheidend für Wachstum und Verbesserung. Engagement-Metriken wie Daily Active Users (DAU), Monthly Active Users (MAU), Stickiness und Sitzungsdauer liefern klare Hinweise darauf, wie oft Nutzer zurückkehren und wie intensiv sie sich engagieren.

DAU misst die Anzahl der eindeutigen Nutzer, die an einem einzelnen Tag mit Ihrem Produkt interagieren. Wenn Sie beispielsweise ein Mobile Game betreiben und heute 1.000 eindeutige Spieler die App öffnen, beträgt Ihr DAU 1,000.

MAU erfasst die Anzahl der eindeutigen Nutzer, die Ihr Produkt innerhalb eines Monats nutzen. Wenn im Juni 10,000 verschiedene Personen Ihre App mindestens einmal verwenden, beträgt Ihr MAU für Juni 10,000.

Stickiness ist das Verhältnis von DAU zu MAU, typischerweise als Prozentsatz ausgedrückt. Es zeigt, welcher Anteil Ihrer monatlichen Nutzer täglich aktiv ist und verdeutlicht, wie gewohnheitsbildend Ihr Produkt ist. Eine höhere Stickiness bedeutet, dass Nutzer häufig zurückkehren.

Sitzungsdauer verfolgt, wie viel Zeit Nutzer pro Besuch verbringen. Wenn beispielsweise der durchschnittliche Nutzer jedes Mal 10 minutes in Ihrer Nachrichten-App verbringt, ist dies Ihre durchschnittliche Sitzungsdauer.

Angenommen, Sie verwalten drei Produkte: ein soziales Netzwerk, eine Wetter-App und ein Budgetierungstool. Das soziale Netzwerk könnte einen hohen DAU und eine hohe Stickiness aufweisen, was darauf hindeutet, dass Nutzer es täglich überprüfen. Die Wetter-App könnte einen moderaten DAU, aber eine hohe Sitzungsdauer während Stürmen haben. Das Budgetierungstool könnte einen niedrigeren DAU, aber einen konstanten MAU aufweisen, da Nutzer es hauptsächlich zu Beginn oder am Ende des Monats überprüfen.


              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)

Hinweis

Hohe Stickiness weist auf eine starke Nutzerbindung und die Ausbildung von Produktgewohnheiten hin.

Hier ist eine Aufschlüsselung, wie der obige Code funktioniert:

Zunächst enthält das activity_log Einträge zur Nutzeraktivität, wobei jeder Datensatz eine Nutzer-ID und einen Datumsstring umfasst. Zur Berechnung der DAU zählt der Code die eindeutigen Nutzer-IDs für ein bestimmtes Datum. Zum Beispiel werden am '2024-06-04' alle Nutzer ermittelt, die an diesem Tag aktiv waren, und deren Anzahl gezählt.

Für die MAU sucht der Code nach allen eindeutigen Nutzern, deren Aktivität im Zielmonat liegt, beispielsweise '2024-06'. Dies zeigt, wie viele verschiedene Nutzer im Laufe des Monats mit dem Produkt interagiert haben.

Stickiness wird berechnet, indem die DAU durch die MAU geteilt und mit 100 multipliziert wird, um einen Prozentsatz zu erhalten. Dies zeigt, welcher Anteil der monatlichen Nutzer auch täglich aktiv ist – ein direkter Indikator dafür, wie regelmäßig Nutzer zurückkehren.

Durch Ausführen dieses Codes können DAU, MAU und Stickiness für beliebige Daten und Monate schnell eingesehen werden, was hilft, Trends oder Probleme beim Nutzerengagement zu erkennen.

1. Was sagt ein hoher Stickiness-Wert über das Nutzerengagement eines Produkts aus?

2. Ergänze die Lücke:

War alles klar?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 1

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Abschnitt 2. Kapitel 1