Lære Engasjementsmålinger | Kjerneparametere og måling

Sveip for å vise menyen

Å forstå hvordan brukere samhandler med produktet ditt er avgjørende for vekst og forbedring. Engasjementsmålinger som Daglig aktive brukere (DAU), Månedlig aktive brukere (MAU), stickiness og øktlengde gir tydelige signaler om hvor ofte brukere kommer tilbake og hvor dypt de engasjerer seg.

DAU måler antall unike brukere som interagerer med produktet ditt i løpet av én dag. For eksempel, hvis du driver et mobilspill og 1 000 unike spillere åpner appen i dag, er din DAU 1,000.

MAU viser antall unike brukere som engasjerer seg med produktet ditt i løpet av en måned. Hvis 10,000 forskjellige personer bruker appen din minst én gang i juni, er din MAU for juni 10,000.

Stickiness er forholdet mellom DAU og MAU, vanligvis uttrykt i prosent. Det viser hvilken andel av de månedlige brukerne som er aktive daglig, og fremhever hvor vanedannende produktet ditt er. Høy stickiness betyr at brukerne kommer tilbake ofte.

Øktlengde måler hvor mye tid brukerne bruker per besøk. For eksempel, hvis gjennomsnittsbrukeren bruker 10 minutes hver gang de bruker nyhetsappen din, er dette din gjennomsnittlige øktlengde.

Anta at du administrerer tre produkter: et sosialt nettverk, en værapp og et budsjettverktøy. Det sosiale nettverket kan ha høy DAU og høy stickiness, noe som indikerer at brukerne sjekker det daglig. Værappen kan ha moderat DAU, men høy øktlengde under uvær. Budsjettverktøyet kan ha lavere DAU, men en jevn MAU, siden brukerne sjekker det hovedsakelig ved starten eller slutten av 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)

Merknad

Høy stickiness indikerer sterk brukerengasjement og vaneutvikling med produktet.

Her er en oversikt over hvordan koden ovenfor fungerer:

Først inneholder activity_log oppføringer for brukeraktivitet, der hver post består av en bruker-ID og en dato. For å beregne DAU teller koden unike bruker-ID-er for en bestemt dato. For eksempel, på '2024-06-04', finner den alle brukere som var aktive den dagen og teller hvor mange som er unike.

For MAU ser koden etter alle unike brukere hvis aktivitet faller innenfor den aktuelle måneden, som '2024-06'. Dette viser hvor mange forskjellige brukere som har interagert med produktet i løpet av måneden.

Stickiness beregnes deretter ved å dele DAU på MAU og multiplisere med 100 for å få en prosentandel. Dette viser hvilken andel av de månedlige brukerne som også er aktive daglig – en direkte indikator på hvor regelmessig brukerne kommer tilbake.

Ved å kjøre denne koden kan du raskt se DAU, MAU og stickiness for en hvilken som helst dato og måned, noe som hjelper deg å oppdage trender eller utfordringer i brukerengasjementet.

1. Hva indikerer et høyt stickiness-forhold om brukerengasjementet til et produkt?

2. Fyll inn det som mangler:

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 2. Kapittel 1

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Seksjon 2. Kapittel 1