Betrokkenheidsstatistieken
Veeg om het menu te tonen
Inzicht in hoe gebruikers met je product omgaan is essentieel voor groei en verbetering. Engagement-metrics zoals Daily Active Users (DAU), Monthly Active Users (MAU), stickiness en sessieduur geven duidelijke signalen over hoe vaak gebruikers terugkeren en hoe intensief ze betrokken zijn.
DAU meet het aantal unieke gebruikers dat op één dag interactie heeft met je product. Bijvoorbeeld, als je een mobiele game beheert en 1.000 unieke spelers openen vandaag de app, is je DAU 1,000.
MAU geeft het aantal unieke gebruikers weer dat gedurende een maand met je product in aanraking komt. Als 10,000 verschillende mensen je app minstens één keer gebruiken in juni, is je MAU voor juni 10,000.
Stickiness is de verhouding tussen DAU en MAU, meestal uitgedrukt als percentage. Dit toont welk deel van je maandelijkse gebruikers dagelijks actief is en geeft aan hoe gewoontevormend je product is. Een hogere stickiness betekent dat gebruikers vaak terugkeren.
Sessieduur houdt bij hoeveel tijd gebruikers per bezoek besteden. Bijvoorbeeld, als de gemiddelde gebruiker 10 minutes per keer op je nieuwsapp doorbrengt, is dat je gemiddelde sessieduur.
Stel dat je drie producten beheert: een sociaal netwerk, een weerapp en een budgetteringstool. Het sociale netwerk kan een hoge DAU en hoge stickiness hebben, wat aangeeft dat gebruikers het dagelijks checken. De weerapp kan een gemiddelde DAU hebben maar een hoge sessieduur tijdens stormen. De budgetteringstool heeft mogelijk een lagere DAU maar een stabiele MAU, omdat gebruikers deze vooral aan het begin of einde van de maand raadplegen.
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)
Hoge stickiness duidt op sterke gebruikersbetrokkenheid en het vormen van een productgewoonte.
Hier volgt een overzicht van hoe de bovenstaande code werkt:
Allereerst bevat de activity_log vermeldingen van gebruikersactiviteit, waarbij elk record een gebruikers-ID en een datumstring is. Om DAU te berekenen, telt de code unieke gebruikers-ID's voor een specifieke datum. Bijvoorbeeld, op '2024-06-04' zoekt het alle gebruikers die die dag actief waren en telt hoeveel daarvan uniek zijn.
Voor MAU zoekt de code naar alle unieke gebruikers waarvan de activiteit binnen de doelmaand valt, zoals '2024-06'. Dit toont hoeveel verschillende gebruikers in die maand met je product hebben gewerkt.
Stickiness wordt vervolgens berekend door DAU te delen door MAU en te vermenigvuldigen met 100 om een percentage te krijgen. Dit laat zien welk deel van je maandelijkse gebruikers ook dagelijks actief is – een directe indicator van hoe regelmatig gebruikers terugkeren.
Door deze code uit te voeren, kun je snel je DAU, MAU en stickiness voor elke datum en maand zien, wat helpt om trends of problemen in gebruikersbetrokkenheid te signaleren.
1. Wat geeft een hoge stickiness-ratio aan over de gebruikersbetrokkenheid bij een product?
2. Vul het ontbrekende woord in:
Bedankt voor je feedback!
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
