日活跃用户与月活跃用户：快速回答
日活跃用户（DAU）统计一天内完成既定活跃行为的去重用户；月活跃用户（MAU）统计指定月度窗口内完成同一行为的去重用户。DAU 更适合观察短期使用频率和运营变化，MAU 更适合衡量较广的活跃覆盖。DAU 除以 MAU 可估计月活用户中在平均或指定一天出现的比例，但它不是 cohort 留存率。
只有当四项规则一致时，这组比较才有意义：活跃事件、用户身份、时区与合格人群。只要其中任何一项变化，仪表盘就可能生成数学上正确、业务上却不可比的数字。因此应把指标定义当作一份小型数据契约，而不只是图表标签。
比较之前先定义 DAU 与 MAU
在一个自然日或明确说明的过去 24 小时窗口内，至少完成一次合格价值行为的去重合格用户。
在一个自然月或明确声明的滚动 28 天/30 天窗口内，至少完成一次合格行为的去重合格用户。
“活跃”应表达用户正在获得或追求产品价值。对于只在告警出现时查看的安全控制台，登录可能有意义；但由自动通知触发的页面打开通常说明不了什么。协作产品可以定义为“发送消息或编辑共享文档”，分析产品可以定义为“运行查询或查看分析结果”。该规则应可观察、稳定、覆盖相关平台，并能排除后台事件干扰。
MAU 并不存在唯一窗口。自然月适合月度汇报，但月份长度不同；滚动 30 天可持续更新；滚动 28 天恰好覆盖四周，可减少星期构成差异。应按决策场景选择并清晰标注，不能把不同定义拼接到同一趋势中。
DAU 与 MAU：每个指标能说明什么、不能说明什么
| 维度 | DAU | MAU | 决策用途 |
|---|---|---|---|
| 窗口 | 一天或明确的 24 小时 | 自然月、滚动 28 天或滚动 30 天 | 让窗口匹配产品预期使用频率 |
| 主要信号 | 短期频率与运营变化 | 更广泛的活跃覆盖 | 同时关注日常习惯和月度覆盖时结合使用 |
| 敏感性 | 工作日、事件、活动与故障 | 较慢的获客与召回变化 | 为发布与日历效应添加注释 |
| 常见误用 | 把每次会话或心跳都算成用户 | 把所有注册账户称为活跃 | 先判断合格行为，再按稳定身份去重 |
| 不能证明 | 留存、满意度或因果影响 | 高频使用或持久留存 | 与 cohort 和价值结果配合 |
日常习惯型产品可以优先关注 DAU 与粘性比率；每周规划工作流通常更适合 WAU/MAU；报税、旅行或事故响应工具即使低频使用也能创造很强价值。强行提高 DAU 甚至可能带来不必要的打扰。正确的核心指标应服从用户任务的自然频率。
如何计算 DAU、MAU 与 DAU/MAU 比率
编写指标契约。记录合格事件、合格人群、稳定用户键、机器人/测试数据排除项、时区、窗口、迟到事件政策与负责人。
先筛选，再去重。先选择合格事件与用户，再让每个稳定用户在窗口内只计一次。身份解析前统计设备 ID 会拆分同一人，共享账户则可能掩盖多人。
构建可比序列。趋势分析时，每天计算一个 DAU，并用相同活跃与身份规则计算 MAU。应冻结历史数字，或明确记录回填。
计算并标注粘性。需要稳定摘要时，用评估期平均 DAU 除以该期 MAU；若使用单日 DAU，必须标明日期，因为星期构成会改变结果。
DAU/MAU（%）= 平均日活跃用户 ÷ 月活跃用户 × 100
假设示例：某产品在相同口径下有 12,000 个滚动 30 天活跃用户，平均 DAU 为 3,000，则 DAU/MAU 为 25%。这表示平均一天的活跃人群相当于月活人群的四分之一；它不意味着每个 MAU 恰好使用了 7.5 天，也不表示注册 cohort 留存了 25%。使用频率通常分布不均，因此还应检查每用户活跃天数分布。
不要套用统一基准来解读 DAU/MAU
不存在普遍适用的“优秀”DAU/MAU。只有把结果与产品预期频率、自身稳定历史口径和相关分群比较，它才有意义。许多基准文章混合了不同活跃事件、人群、平台与窗口，直接复制阈值会把合理的低频工作流误判为绩效问题。
同时看趋势与拆解。比率上升时，要判断是 DAU 增加、MAU 减少，还是两者共同变化。若 MAU 大幅下降，比率上升也可能伴随覆盖萎缩；获客活动成功后，比率下降则可能是大量新月活用户尚未形成习惯。
在样本量可信的前提下，可按生命周期、平台、地区、套餐、角色和获客来源分群。应分别比较新用户与成熟用户；整体 DAU/MAU 可能掩盖一小群每日重度用户与一大群每月一次用户。必要时还应结合每 MAU 活跃天数、cohort 留存、价值行为完成率与账户级覆盖。
活跃用户衡量的常见错误与预防方法
心跳、自动刷新、推送送达或追踪像素会抬高活跃用户，应要求主动完成的价值行为。
UTC 与本地自然日边界会把事件移到不同日期。选择统一报告时区，并测试午夜附近事件。
匿名转登录、跨设备 ID、删除账户与共享席位都会改变去重结果，应对身份政策进行版本管理。
本月至今 MAU 不能直接与完整上月比较，应匹配已过去天数或等待窗口结束。
重叠活跃窗口不会追踪固定起始 cohort，必须单独做 cohort 留存分析。
重试与移动端延迟上传会改变历史数字，应按事件 ID 去重并公布回填政策。
隐私、同意与访问规则同样重要。只使用必要身份字段，执行保留与删除政策，不要为了计算汇总指标而随意导出用户级事件。活跃用户数字属于描述性观察，不能单独证明某次发布或活动导致了变化。
在决策前验证日活与月活指标
- 从原始事件手工复算若干用户，确认合格判断、身份解析与窗口边界。
- 在冻结日期把 DAU、MAU 与可信来源核对；解释每个重大差异，不要强行让总数一致。
- 测试重复事件、匿名转登录、已删除用户、机器人、内部员工、共享账户与午夜附近事件。
- 确认同一规则下对应日期的 DAU 不会大于滚动 MAU；若出现，应检查窗口与筛选器。
- 按平台版本监控事件量与身份缺失率，避免埋点故障被误认为行为变化。
- 在图表旁公布公式、负责人、最后变更日期、排除项、已知局限与数据新鲜度。
验证后，应在查看仪表盘前定义行动条件。例如：当平均 DAU 超出按星期调整后的预期区间，而 MAU 与事件送达保持稳定时再调查。预先写好的规则能减少对每次波动进行事后编故事。
跨受治理数据源分析 DAU 与 MAU
打开工具前，请准备只读事件表或数据仓库连接、稳定的用户/账户键、事件时间戳、合格活跃规则、报告时区、窗口定义、排除项，以及用于核对的可信总数。
使用 InfiniSynapse 在线数据分析应用，对已连接的结构化数据源提出自然语言问题，并审查分析计划、查询、证据、表格与可视化。它用于辅助分析，但不会替代事件埋点、身份治理或源总数验证。
使用 InfiniSynapse 分析活跃用户数据一个合适的首个问题是：“使用已批准的活跃事件与用户键，计算过去 12 个完整周的日活跃用户、滚动 30 天月活跃用户及按套餐分组的平均 DAU/MAU；显示时区、排除项、身份缺失率和每个结果背后的查询。”分享前仍需依据源系统与指标契约验证结果。
日活跃用户与月活跃用户常见问题
DAU 统计一天内完成既定活跃行为的去重用户；MAU 统计指定月度窗口内完成该行为的去重用户，常见窗口为滚动 28 天、30 天或自然月。
用代表性单日 DAU 或期间平均 DAU 除以采用相同身份与活跃规则计算的 MAU，再乘以 100，并说明准确窗口。
不一定。只有产品本应每日创造价值时，高比率才有相应意义。每周、每月、季节性或偶发型产品即使日频率较低也可能健康。
两者都可以，但回答的问题不同。自然月适合财务报告，滚动窗口适合趋势监控。应标明选择，不能在同一序列中混用。
不能。DAU/MAU 比较重叠的活跃用户窗口，而 cohort 留存持续跟踪同一初始群体。若频率与持续回访都重要，应结合使用。
使用前注意
不同平台的指标定义和产品行为可能变化。用于重要决策前，应根据最新第一方文档重新核对口径，并将示例数字视为假设。
权威来源
以下资料用于核对本文中的定义、计算方法与实施建议：