Engagemangsmetrik
Svep för att visa menyn
Att förstå hur användare interagerar med din produkt är avgörande för att driva tillväxt och förbättring. Engagemangsmetrik som Daily Active Users (DAU), Monthly Active Users (MAU), stickiness och sessionstid ger tydliga signaler om hur ofta användare återvänder och hur djupt de engagerar sig.
DAU mäter antalet unika användare som interagerar med din produkt under en enskild dag. Till exempel, om du driver ett mobilspel och 1 000 unika spelare öppnar appen idag, är din DAU 1,000.
MAU visar antalet unika användare som engagerar sig med din produkt under en månad. Om 10,000 olika personer använder din app minst en gång i juni, är din MAU för juni 10,000.
Stickiness är förhållandet mellan DAU och MAU, vanligtvis uttryckt i procent. Det visar vilken andel av dina månatliga användare som är aktiva dagligen och belyser hur vanebildande din produkt är. En högre stickiness innebär att användarna återvänder ofta.
Sessionstid mäter hur mycket tid användarna spenderar per besök. Till exempel, om den genomsnittliga användaren spenderar 10 minutes varje gång de använder din nyhetsapp, är det din genomsnittliga sessionstid.
Anta att du hanterar tre produkter: ett socialt nätverk, en väderapp och ett budgetverktyg. Det sociala nätverket kan ha hög DAU och hög stickiness, vilket indikerar att användarna kollar det dagligen. Väderappen kan ha måttlig DAU men hög sessionstid under stormar. Budgetverktyget kan ha lägre DAU men en stabil MAU, eftersom användarna främst kollar det i början eller slutet av månaden.
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)
Hög stickiness indikerar stark användarengagemang och att produkten blir en vana för användarna.
Här är en genomgång av hur koden ovan fungerar:
Först innehåller activity_log poster för användaraktivitet, där varje post består av ett användar-ID och ett datumsträng. För att beräkna DAU räknar koden unika användar-ID:n för ett specifikt datum. Till exempel, för '2024-06-04', hittar den alla användare som var aktiva den dagen och räknar hur många som är unika.
För MAU letar koden efter alla unika användare vars aktivitet faller inom den aktuella månaden, såsom '2024-06'. Detta visar hur många olika användare som interagerade med din produkt under den månaden.
Stickiness beräknas sedan genom att dividera DAU med MAU och multiplicera med 100 för att få en procentandel. Detta visar vilken andel av dina månatliga användare som också är aktiva dagligen – en direkt indikator på hur regelbundet användarna återvänder.
Genom att köra denna kod kan du snabbt se din DAU, MAU och stickiness för valfritt datum och månad, vilket hjälper dig att upptäcka trender eller problem i användarengagemanget.
1. Vad indikerar ett högt stickiness-tal om en produkts användarengagemang?
2. Fyll i det tomma fältet:
Tack för dina kommentarer!
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
