现在不管什么行业，到最后做数据分析的时候，都会关注一个问题，那就是用户粘性的问题，那么大家有没有思考过，我们为什么要关注这个问题呢？我们在讨论用户粘性的时候，讨论的是什么呢？接下来就给大家介绍一下什么是用户粘性，并对用户粘性的算法做进一步探讨。

什么是用户粘性？

越来越多的客户在询问用户粘性的指标问题，而DAUMAU就是最频繁使用的指标。日活跃用户占月活跃用户的比例越高，表明用户对App的使用粘性越高。

DAU，即：Daily Active User，指日活跃用户数；

MAU，即：Monthly Active User，指月活跃用户数。

从极限的角度看，如果每天活跃的都是同样的用户，例如每天都是1万DAU，那么30天内每天都是这1万用户在活跃，MAU也是1万，于是DAUMAU就是100%，用户粘性达到上限，微信就是接近100%的例子。

再分析另一个极端的例子，如果每天活跃用户都不相同，例如每天1万DAU，那么30天内每天的活跃用户都不同，MAU就是30万，于是DAUMAU就是1/30，用户完全没有粘性。

对于常见的App，用户粘性的取值范围是3%~100%，不同领域的App也会有不同的基准值，例如移动游戏会以20%为基线，而工具类App会以40%为基线。

在日常的项目和产品运营工作中，单日的DAUMAU的数值往往受到周期（工作日/周末）、版本更新和活动的影响，用户粘性在短期内的波动较大。所以通常要采用长期的均值作参考，例如一个月、两个大版本之间。

对用户粘性的算法做进一步探讨

目前主流的算法，是使用昨日DAU和前30天的MAU，例如如果今天是8月31日，那么DAU选取8月30日，MAU选取8月1日至30日。这种算法的优势是DAU和MAU在同一天算出来，计算方便。而劣势则是只计算了完整的30天周期内最后一天DAU在MAU中的占比，许多严谨的客户就会提问，为什么不能选其他日期的DAU呢？

例如采用完整周期内的第一天DAU1作为分子除以MAU，就可以得到另一种粘性的解读：任意一天的活跃用户在30天内活跃的比重，都可以是一种对用户粘性定义，即DAU1MAU、DAU2MAU、DAU3MAU…。

重新计算上面客户的DAU1MAU粘性，结果为39.41%，数值与传统的定义差距不大，同样的计算DAU2MAU、DAU2MAU……后，这些数值结果差距不大。

再进一步追踪，一个30天周期内的每个DAUn除以MAU的数值，也呈现明显的波动。此处的波动走势，与30个DAU的走势一致（仅仅是除以了相同的数值的差异）。

那么人均活跃天数和DAUMAU之间有多大关联？

既然当月人均活跃天数是30个DAU之和除以1个MAU，而用户粘性是1个DAU除以MAU，两者在数量级上自然会差30倍左右。

对比除以30后的月均活跃天数和用户粘性DAUMAU，发现两者的走势基本一致。而差异点在于波动幅度和响应时间略有滞后。而从数值上看，30天月均活跃天数是11.93天，除以30后得到结果0.3977，与DAUMAU的39.37%也非常接近。所以在工作中使用月均活跃天数和DAUMAU的作用一致。