現在不管什麼行業，到最後做資料分析的時候，都會關注一個問題，那就是使用者粘性的問題，那麼大家有沒有思考過，我們為什麼要關注這個問題呢？我們在讨論使用者粘性的時候，讨論的是什麼呢？接下來就給大家介紹一下什麼是使用者粘性，并對使用者粘性的算法做進一步探讨。
什麼是使用者粘性？
越來越多的客戶在詢問使用者粘性的名額問題，而DAUMAU就是最頻繁使用的名額。日活躍使用者占月活躍使用者的比例越高，表明使用者對App的使用粘性越高。
DAU，即：Daily Active User，指日活躍使用者數；
MAU，即：Monthly Active User，指月活躍使用者數。
從極限的角度看，如果每天活躍的都是同樣的使用者，例如每天都是1萬DAU，那麼30天内每天都是這1萬使用者在活躍，MAU也是1萬，于是DAUMAU就是100%，使用者粘性達到上限，微信就是接近100%的例子。
再分析另一個極端的例子，如果每天活躍使用者都不相同，例如每天1萬DAU，那麼30天内每天的活躍使用者都不同，MAU就是30萬，于是DAUMAU就是1/30，使用者完全沒有粘性。
對于常見的App，使用者粘性的取值範圍是3%~100%，不同領域的App也會有不同的基準值，例如移動遊戲會以20%為基線，而工具類App會以40%為基線。
在日常的項目和産品營運工作中，單日的DAUMAU的數值往往受到周期（工作日/周末）、版本更新和活動的影響，使用者粘性在短期内的波動較大。是以通常要采用長期的均值作參考，例如一個月、兩個大版本之間。
對使用者粘性的算法做進一步探讨
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，那麼DAU選取8月30日，MAU選取8月1日至30日。這種算法的優勢是DAU和MAU在同一天算出來，計算友善。而劣勢則是隻計算了完整的30天周期内最後一天DAU在MAU中的占比，許多嚴謹的客戶就會提問，為什麼不能選其他日期的DAU呢？
例如采用完整周期内的第一天DAU1作為分子除以MAU，就可以得到另一種粘性的解讀：任意一天的活躍使用者在30天内活躍的比重，都可以是一種對使用者粘性定義，即DAU1MAU、DAU2MAU、DAU3MAU…。
重新計算上面客戶的DAU1MAU粘性，結果為39.41%，數值與傳統的定義差距不大，同樣的計算DAU2MAU、DAU2MAU……後，這些數值結果差距不大。
再進一步追蹤，一個30天周期内的每個DAUn除以MAU的數值，也呈現明顯的波動。此處的波動走勢，與30個DAU的走勢一緻（僅僅是除以了相同的數值的差異）。
那麼人均活躍天數和DAUMAU之間有多大關聯？
既然當月人均活躍天數是30個DAU之和除以1個MAU，而使用者粘性是1個DAU除以MAU，兩者在數量級上自然會差30倍左右。
對比除以30後的月均活躍天數和使用者粘性DAUMAU，發現兩者的走勢基本一緻。而差異點在于波動幅度和響應時間略有滞後。而從數值上看，30天月均活躍天數是11.93天，除以30後得到結果0.3977，與DAUMAU的39.37%也非常接近。是以在工作中使用月均活躍天數和DAUMAU的作用一緻。