現(xiàn)在不管什么行業(yè)，到最后做數(shù)據(jù)分析的時候柬姚，都會關(guān)注一個問題炭玫，那就是用戶粘性的問題，那么大家有沒有思考過暮胧，我們?yōu)槭裁匆P(guān)注這個問題呢？我們在討論用戶粘性的時候问麸，討論的是什么呢往衷？接下來就給大家介紹一下什么是用戶粘性，并對用戶粘性的算法做進一步探討严卖。
什么是用戶粘性席舍？
越來越多的客戶在詢問用戶粘性的指標問題，而DAUMAU就是最頻繁使用的指標哮笆。日活躍用戶占月活躍用戶的比例越高来颤，表明用戶對App的使用粘性越高。
DAU稠肘，即：Daily Active User福铅，指日活躍用戶數(shù)；
MAU项阴，即：Monthly Active User滑黔，指月活躍用戶數(shù)。
從極限的角度看，如果每天活躍的都是同樣的用戶略荡，例如每天都是1萬DAU庵佣，那么30天內(nèi)每天都是這1萬用戶在活躍，MAU也是1萬汛兜，于是DAUMAU就是100%巴粪，用戶粘性達到上限，微信就是接近100%的例子粥谬。
再分析另一個極端的例子验毡，如果每天活躍用戶都不相同，例如每天1萬DAU帝嗡，那么30天內(nèi)每天的活躍用戶都不同晶通，MAU就是30萬，于是DAUMAU就是1/30哟玷，用戶完全沒有粘性狮辽。
對于常見的App，用戶粘性的取值范圍是3%~100%巢寡，不同領(lǐng)域的App也會有不同的基準值喉脖，例如移動游戲會以20%為基線，而工具類App會以40%為基線抑月。
在日常的項目和產(chǎn)品運營工作中树叽，單日的DAUMAU的數(shù)值往往受到周期（工作日/周末）、版本更新和活動的影響谦絮，用戶粘性在短期內(nèi)的波動較大题诵。所以通常要采用長期的均值作參考，例如一個月层皱、兩個大版本之間性锭。
對用戶粘性的算法做進一步探討
目前主流的算法，是使用昨日DAU和前30天的MAU叫胖，例如如果今天是8月31日草冈，那么DAU選取8月30日，MAU選取8月1日至30日瓮增。這種算法的優(yōu)勢是DAU和MAU在同一天算出來怎棱，計算方便。而劣勢則是只計算了完整的30天周期內(nèi)最后一天DAU在MAU中的占比绷跑，許多嚴謹?shù)目蛻艟蜁釂柸担瑸槭裁床荒苓x其他日期的DAU呢？
例如采用完整周期內(nèi)的第一天DAU1作為分子除以MAU你踩，就可以得到另一種粘性的解讀：任意一天的活躍用戶在30天內(nèi)活躍的比重诅岩，都可以是一種對用戶粘性定義，即DAU1MAU带膜、DAU2MAU吩谦、DAU3MAU…。
重新計算上面客戶的DAU1MAU粘性膝藕，結(jié)果為39.41%式廷，數(shù)值與傳統(tǒng)的定義差距不大，同樣的計算DAU2MAU芭挽、DAU2MAU……后滑废，這些數(shù)值結(jié)果差距不大。
再進一步追蹤袜爪，一個30天周期內(nèi)的每個DAUn除以MAU的數(shù)值蠕趁，也呈現(xiàn)明顯的波動。此處的波動走勢辛馆，與30個DAU的走勢一致（僅僅是除以了相同的數(shù)值的差異）俺陋。
那么人均活躍天數(shù)和DAUMAU之間有多大關(guān)聯(lián)？
既然當月人均活躍天數(shù)是30個DAU之和除以1個MAU昙篙，而用戶粘性是1個DAU除以MAU腊状，兩者在數(shù)量級上自然會差30倍左右。
對比除以30后的月均活躍天數(shù)和用戶粘性DAUMAU苔可，發(fā)現(xiàn)兩者的走勢基本一致缴挖。而差異點在于波動幅度和響應(yīng)時間略有滯后。而從數(shù)值上看焚辅，30天月均活躍天數(shù)是11.93天映屋，除以30后得到結(jié)果0.3977，與DAUMAU的39.37%也非常接近同蜻。所以在工作中使用月均活躍天數(shù)和DAUMAU的作用一致秧荆。
