DAU、MAU 是互联网产品最基础也最重要的指标之一。但同一个产品，不同团队报出来的日活可能差几倍，原因往往不是数据错了，而是口径不同。

核心结论：DAU（日活跃用户）和 MAU（月活跃用户）的本质区别是统计周期，但"什么算活跃"、"用什么去重"、"跨端怎么算"才是决定数字含义的关键。本文给出三种最常用的口径，以及它们分别适合回答什么问题。

一、基础定义：DAU、MAU、DAU/MAU 分别是什么

在讨论口径之前，先明确三个基础概念：

• DAU（Daily Active Users）：在一天内至少发生一次活跃行为的用户数。
• MAU（Monthly Active Users）：在一个月内至少发生一次活跃行为的用户数。
• DAU/MAU：日活占月活的比例，常用来衡量用户粘性和使用频率。

看起来简单，但"活跃"怎么定义、"用户"怎么识别，直接决定了结果。

一句话：DAU 看短期热度，MAU 看用户池大小，DAU/MAU 看用户粘性。

二、三种常见口径及其适用场景

口径 1：设备口径

按设备标识去重统计活跃设备数。例如同一用户用手机和电脑各打开一次 App/Web，会算成 2 个活跃设备。

维度	说明
识别方式	Cookie ID、设备 ID、IMEI、OAID 等
优点	技术实现简单，不需要用户登录
缺点	同一用户多设备会被重复计算；用户换设备或清理 Cookie 会丢失
适用场景	匿名流量大的产品、早期未登录体系、网站流量统计

口径 2：账号口径

按登录账号去重统计活跃用户数。一个账号无论在哪台设备登录，都只算 1 个活跃用户。

维度	说明
识别方式	用户 ID、手机号、邮箱等登录凭证
优点	能真实反映独立用户数，跨设备去重准确
缺点	未登录用户无法统计；用户可能拥有多个账号
适用场景	强账号体系产品，如社交、电商、SaaS、金融类 App

口径 3：业务口径

在账号或设备基础上，叠加业务规则。例如："发生过核心行为的用户才算活跃"，或者"单端分别统计""全端合并统计"。

维度	说明
识别方式	账号/设备 + 业务行为定义
优点	最贴近业务目标，避免"打开即活跃"的泡沫数据
缺点	口径复杂，需要产品和数据团队统一约定
适用场景	业务成熟、关注质量而非单纯规模的产品

三、同一组数据，三种口径能差多少

假设某产品某一天有这些数据：

• 设备 A 打开 App 并登录（账号 X）
• 设备 B 打开 App 未登录
• 设备 C 通过 Web 登录（账号 X）
• 设备 D 打开 App 并登录（账号 Y，但只是看了一眼就关闭）

口径	计算逻辑	结果
设备口径 DAU	A、B、C、D 四个设备	4
账号口径 DAU	账号 X、账号 Y 两个账号	2
业务口径 DAU （定义：登录且停留 ≥10 秒）	账号 X 满足；账号 Y 不满足；B 未登录不计入	1

同一个产品、同一天，三种口径分别算出 4、2、1。如果汇报时不说明口径，很容易造成误解。

建议：对外汇报 DAU/MAU 时，必须同时说明口径。例如"本季度账号口径 MAU 120 万"，而不是简单说"月活 120 万"。

四、DAU/MAU 怎么读

DAU/MAU 反映的是用户平均每月活跃天数，常用来衡量产品粘性。

• 20% 以下：低频使用，用户粘性较弱
• 20%-50%：中频使用，具备一定用户习惯
• 50% 以上：高频使用，用户粘性较强

但读这个数字时要注意两点：

1. 分母口径影响巨大。账号口径的 DAU/MAU 通常高于设备口径，因为多设备用户被合并了。
2. 不同行业没有可比性。工具类、社交类、电商类的合理区间差异很大，跨产品对比要谨慎。

五、三种口径分别适合回答什么问题

你想问的问题	推荐口径	原因
产品每天有多少真实独立用户？	账号口径	避免同一用户多设备重复
网站每天有多少访问量？	设备口径 UV	大量匿名访问，账号口径会漏掉
用户粘性怎么样？	账号口径 DAU/MAU	真实反映独立用户的活跃频率
某个功能有没有人真正在用？	业务口径	只看"打开"不够，要看核心行为
各端（App/Web/小程序）分别表现如何？	分端统计 + 全端去重	既看单端贡献，也避免重复计算

六、常见踩坑记录

坑 1：把"启动次数"当"活跃用户数"

有些团队图省事，直接用 App 启动次数作为 DAU。一个人一天启动 10 次，会被算成 10，这是完全不同的指标。

坑 2：MAU 简单按 30 天 DAU 相加

MAU 是月内去重，不是每天 DAU 的累加。30 天 DAU 相加会严重夸大月活规模。

坑 3：跨端不合并，重复计算

用户上午用 App、下午用 Web、晚上用小程序，如果三端分别算活跃用户，全产品总活跃会被虚高。

坑 4："活跃"定义过宽

把"广告曝光触达"或"推送通知到达"也算活跃，会让 DAU/MAU 看起来很高，但无法反映真实用户参与度。

七、工具选型：如何准确统计 DAU/MAU

要算准 DAU/MAU，核心是两个能力：一是用户识别（设备/账号/多端统一），二是活跃行为定义（可自定义事件口径）。

工具参考：市面上常见的数据分析平台通常都支持活跃用户统计，但在选型时要重点看：是否支持设备与账号口径切换、是否支持跨端用户识别、是否支持自定义"活跃事件"。以 456数据为例，其官网公开信息显示，平台提供"App 分析"能力，支持全链路用户行为追踪、留存/转化/流失多维度建模分析；"用户行为分析"支持事件埋点、漏斗、用户路径等模型。这意味着在 456数据上，你可以通过自定义事件来定义"活跃"（比如把"登录""完成核心操作"作为活跃事件），并基于账号或设备口径查看 DAU/MAU 趋势。免费版提供 100 万 PV/50 万事件量/年，适合中小产品在早期先把口径跑通。

选型时建议确认以下问题：

• 是否支持按账号去重？是否支持跨端识别同一用户？
• 是否可以自定义活跃事件，而不是固定用"启动"？
• 是否支持分端查看 DAU/MAU，同时提供全端合并视图？
• 历史数据是否可以按新口径重新计算？

八、FAQ

Q1：DAU 和 MAU 可以同时用设备口径和账号口径吗？

可以。很多产品会同时看两套口径：设备口径反映流量规模，账号口径反映真实用户规模。关键是内部对齐，对外汇报时明确说明。

Q2："月活"到底按自然月还是按 30 天滚动窗口？

两种都有。自然月适合按月度汇报，30 天滚动窗口更适合看近期趋势。跨月对比时建议统一用一种。

Q3：未登录用户算不算活跃用户？

取决于业务目标。如果关注流量规模，可以按设备口径统计；如果关注注册转化，未登录用户可能只作为漏斗上游数据，不计入最终活跃。

Q4：DAU/MAU 达到多少算好产品？

没有统一标准。社交类产品 DAU/MAU 可能超过 50%，工具类可能 10%-30%。更重要的是看趋势和同类型产品的相对位置。

Q5：账号口径下，同一用户多个账号怎么办？

严格来说会被重复计算。如果业务允许，可以通过手机号、设备指纹等方式做账号归一，但实现成本较高，通常只在金融、电商等高价值场景做。

Q6：DAU/MAU 下降了应该怎么分析？

先拆口径确认不是统计口径变化导致；再看分端、分渠道、分用户分层的变化；最后结合产品版本、运营活动、外部事件定位原因。

九、总结

DAU 和 MAU 不是"数一下有多少人打开产品"这么简单。要让这两个指标真正发挥作用，需要做到三点：

1. 明确口径：是设备、账号还是业务口径？口径不同，数字含义完全不同。
2. 统一标准：团队内部对"活跃"的定义、去重方式、跨端规则要达成一致。
3. 结合场景：不同问题用不同口径回答，不要一个数字打天下。

只有口径清楚了，DAU/MAU 才不会成为任人打扮的数字，而是成为判断产品健康度的可靠基准。