在一款产品的生命周期中，一直围绕着两个问题：

• “如何有效获取用户？

• 如何有效运营用户？”

从AARRR模型来看，前面一个阶段都是关于用户获取的，之后则都是关于分析活跃用户的，那实际上我们知道，活跃用户是评估游戏规模的关键，只有从客观、理性的角度分析活跃用户数据，才是正确了解游戏产品运营的方法。

今天我们就来聊一聊DAU。

诸如每日活跃用户（DAU）之类的指标就像你在电子游戏机中收集的金币：你将它们积攒起来，有时很容易找到它们，但如果你有足够的能力，它们则会带给你除游戏以外的价值。了解这些数字可以帮助你确定需要改进的地方，预测你的收入，为你设定切合实际的目标。

没有两家公司以完全相同的方式计算出其DAU。

比如有些企业通过用户使用时间来区分用户，有些则是通过是否进行应用内购买或者是否点击广告来区分用户，也有些是用新增用户最后一次登录日期距离统计日的间隔天数来考察用户的活跃度。还有通过统计分析活跃用户的登录次数、使用时长，结合付费用户、新增用户来对比分析登录次数、在线使用时长等等。

因此，在做DAU分析前，先问问自己：

什么是用户，什么使他们今天活跃？是他们是否下载了游戏并加载了一次游戏？还是他们至少花了一些时间在应用程序中玩游戏？

以游戏为例，如果仅使用下载次数，则会得到与实际偏差的结果。有些玩家会将游戏下载到多个设备上，但会在一个设备上进行运行，还有一些玩家可能仅仅下载该游戏后就立即将其卸载。所以仅仅用下载次数来判断是没有帮助的。

以移动app来说，大部分app安装当天平均留存率为31%，7天后平均留存率大约为14%，月留存率甚至会低至6%，但这些在移动app行业是很常见的。

比如有的企业认为在过去7天打开使用过App的用户可以纳入DAU范畴，而有的企业认为在特定的某些时间打开使用App就属于DAU范畴。要想确切定义成功，就要首先清晰地定义真正的活跃用户是什么。

用户性情多变，定义用户就要了解移动用户的习惯。这一天内用户要做什么我们不得而知，那针对一个产品来说，“真正想要什么样的用户”这个问题变得越来越重要，只有知道自己理想的用户，才能明白如何留住用户。

日活会受到很多因素的影响，产品迭代，运营活动，推广的变化等等都会影响到日活，当然这些因素中，有的影响较小，有的暂时无法预估。因此在预测的过程中，我们可以将一些影响不大的因素，剔除出去，从而简化得到一个可计算的状态。

单看一天的DAU其实只能与前一日或者历史同期做一个环比或同比的分析。但是DAU的能发挥的作用远远超出你的想象。

如果说基于新老用户的分析是为了让游戏更好地保留老用户、发掘新用户，那么分析游戏的活跃用户则可以让你洞悉产品当前真实的运营情况。这个指标具有重要意义，可以说明核心用户的规模。

活跃用户是指统计所选时期内，登录产品的用户。这里的时间周期一般为自然日（DAU）、自然周（WAU）、自然月（MAU）。

DAU=DNU+DOU

DAU由DNU（Daily New User）和DOU（Daily Old User）两部分构成

• DNU：每日注册并登录的用户数，即日新增用户数。新增用户具有唯一性，不重复累计。该指标可以查看渠道贡献新用户数份额情况，以及宏观走势，判断是否需要投放推广，是否存在渠道作弊行为。

• DNU/DAU：新增用户占比，也可称为活跃度指数，其中DAU－DNU为老用户数，老用户比例越多，相对的留存质量就会好一些，产品的用户自循环系统逐步成立，推广期间的大部分用户在次日之后都留在了产品中。在老用户足够多的情况下，DNU新增影响是有限的，但如果一段时间内DNU不能转化为老用户，则此比值会不断提升。

比如某游戏在5月1日全平台上线，5月份属于游戏推广时期，通过推广得到大量的用户，但是其中存在大量不稳定用户，有很大一部分会流失，并且存在新增用户数不稳定的问题，因此DAU和DNU的数量也会出现大幅度的变化。

随着推广结束，用户群稳定下来，DAU和DNU则会相对变得平稳。

如果新增用户在后续不断转化稳定的老用户以后，那么老活跃用户的规模是在不断增长的；同时，如果新增用户的注入水平保持不变，游戏的核心用户规模是在增长，并且新增用户所占的日活跃百分比是在下降的；如果新增用户注入水平也在增长，且不断转化为老用户，即核心用户规模也在增长，那么新增用户所占百分比会在一个区间呈现稳定变化。

刚才所提到的核心用户规模，之所以使用日活跃用户来衡量，原因在于，以日作为一个衡量的单位比较客观反映用户的游戏积极性，以日作为统计长度，恰好符合用户游戏的最短周期性循环。

那么在日常的分析中，我们可以简单计算一个周期内，每日新增用户和活跃用户的关系比例，看一个长期趋势，一定程度上反映了目前核心用户的规模增长情况。

其实DAU可以认为是之前不同时间点的DNU组成的，在这种逻辑下，我们可以很快的发现目前我们游戏的活跃用户群的状态构成。

比如，如果都是大量的7日之前的用户，不断的保持活跃，那么意味着该游戏的粘性还是保持在很客观的水平上。一旦游戏不再曝光在用户面前，那就意味着，游戏可能被启动的概率大大降低。

一款产品有长期使用的忠实用户，也有流失用户。有用户回来继续使用，也有用户不喜欢产品。

用户活跃可以简化为一个最简单的公式：

新增用户的数量要大于流失用户的增加量。

类似著名的数学题“水池进入出水”，一边往水池灌水，水池另一边也会漏水，如果漏水速度太大，那么水池就干了。

一款产品可能因为市场竞争、拉新乏力导致新增用户数下降，也可能因为产品改动，运营策略失误造成后续流失用户变多。

我们将活跃用户和不活跃用户可以拆分出来，按照日、周、月维度制作图表，监控活跃数据的变化。通过这张图表，我们可以直观看出：

每天有多少活跃用户变得不活跃？有多少忠诚用户变得不活跃？又有多少流失用户被我们唤回来等。

有了数据作支撑，我们应该聚焦精力到怎么去应用在运营和业务上。

用户的流失、产品的粘性等等都可以通过对DAU不同角度的解析获得相应的信息，这点也是要和其他数据结合来分析的。

• 比如次日留存率，用户流失率、启动次数、登录时长分布等数据；某一段时间回流用户增加，是产品更新，市场推广，还是活动营销？本周，变成不活跃的用户比以前多，要不要做一次用户访谈看下原因？活跃的用户用push营销，流失的用户用短信营销，这是不是一个好方法？

• 再比如找出来DAU中的虚假用户，例如1-3s用户非常多，那么在正常的网络和设计情况下，这种数据就可能是很多假用户造成的，也就是作弊行为。

• 再比如我们还可以区分推广和非推广时期的用户增长对DAU的影响，比如自然增长时期的新增用户对DAU的影响，判断DAU的质量，渠道的质量；或者推广时期的新增用户对DAU的影响情况分析。

也可以结合用户的登录习惯，比如登录次数，登录天数等等数据进行忠诚活跃用户的阈值确定，以此来保证DAU的质量。

其实在DAU的背后，隐藏的问题和分析的要素很多，这个也是需要结合自己的业务需要来进行的，具体的问题，还要结合具体需求进行分析。

-END-