不少遊戲開發者特別看重遊戲的dau/mau，認為這項指標直接說明遊戲的質量如何，如果這個指標的表現不好，就認為這款遊戲做的不好。這種觀點是片面的，移動遊戲的運營資料分析是乙個比較複雜的工作，每項指標都有其應有的作用，並且各項指標、維度，需要綜合評估。單憑一項指標，就下定論，並不可取。這裡，我們來簡單的分析一下，dau/mau究竟能為我們表達遊戲運營中的哪些表現。
首先dau/mau這個指標最早主要用在社交類遊戲以及**上，用於評估使用者粘性。隨著移動遊戲資料化運營的不斷發展，目前這一指標也逐漸開始使用在其他類遊戲的使用者粘性評估上。
在討論這一指標是否能夠比較有效的評估移動遊戲使用者粘性之前，我們先來明確這一指標中的兩個關鍵因素：dau和mau。參照《talkingdata移動遊戲運營資料分析指標***》中對這兩項指標的定義如下：
dau/mau是以每日登陸遊戲使用者為基準，展示月活躍使用者中登陸遊戲的使用者百分比，是一種計算玩家參與度的方法。但是，如果我們只有dau和mau的資料並不能計算玩家留存率。因此這一指標並不能直接反映遊戲的使用者留存情況，但可以從使用者活躍的角度與使用者留存互為印證。另外，由於遊戲上線初期都會做各種形式的推廣以拉動使用者數量，因此有效的dau應該取3個月左右之後，遊戲運營平穩後的資料，才能有效展現真實的遊戲內使用者活躍情況。
那麼，如何使用dau/mau對我們的遊戲年度進行考量呢？首先，我們來假設兩種極端的情況：
所有使用者只登陸一次即流失——這種情況下，mau=dau之和，並且dnu（daily new user）=dau。在遊戲已經處於自然穩定的情況下，每日的dau近似相等，那麼dau/mau≈1/30≈3.33333%。我們可以認為這是dau/mau的下限。
所有使用者天天活躍——這種情況下，mau=dau，那麼dau/mau=1。這就是dau/mau的上限。
不難看出，dau/mau的上下限介於3.33%到100%之間，但顯然這兩種情況現實中基本不可能出現。就目前的實際情況來看，目前大多數移動遊戲dau/mau在10%～30%之間。如果低於10%的話，遊戲很可能已經處於衰退期了；高於20%的則可以從乙個側面反映出遊戲的留存還不錯。以下是兩款粘度不錯的遊戲的dau/mau趨勢圖：
目前來看，一些成功的facebook遊戲擁有百萬級的使用者群，而其dau/mau通常介於10%～20%之間。雖然也有一些遊戲的dau/mau比值甚至超過了50%，但其使用者規模卻較為有限。這種遊戲往往是受眾題材選擇比較單一卻擁有大批硬核玩家。
dau/mau確實能夠反映遊戲的粘度如何。但並不精確，需要輔助其他指標才能更完整全面的體現出遊戲的使用者粘性。比如，一款新上線的遊戲，在第一天有1000個玩家登陸，隨後在這1000人當中，每天只有固定的100個人活躍。這樣算下來dau/mau的值是0.1，顯示出玩家的參與度很低，但事實上這100個玩家的遊戲參與度卻是100%。正是因為有日新登使用者（dnu）的存在，才會使得dau/mau是一項判斷玩家參與度的重要指標。但也僅限於參與度。
所以說dau/mau並不能直接作為評判遊戲是否合格的標準，dau/mau實際上是一項反映玩家參與度的指標，不可忽略，亦不可完全依賴。
從資料分析看遊戲粘性 正確理解DAU MAU
最近在與不少遊戲開發者交流時發現，不少遊戲開發者特別看重遊戲的dau mau，認為這項指標直接說明遊戲的質量如何，如果這個指標的表現不好，就認為這款遊戲做的不好。這種觀點是片面的，移動遊戲的運營資料分析是乙個比較複雜的工作，每項指標都有其應有的作用，並且各項指標 維度，需要綜合評估。單憑一項指標，就...
從QC看資料分析 入門資料分析
在資料分析的道路上越走越遠 陰差陽錯的做了資料分析，而且一開始我還不知道自己在做的是資料分析，看了很多資料分析的書，也走了一些彎路，做了很多實踐專案，突然很想把自己作為乙個小白的資料分析之路的成長過程寫下來。因為最近恰好在了解qc相關的東西，然後發現qc的套路居然能對標資料分析的過程，尤其是qc中各...
從美團筆試題看廣告資料分析
1 如果讓你對這個業務進行抽象，你會抽象出哪些資料分析主題，並說出你這樣分的原因 2 請你根據問題1抽象的主題，進行主題模型設計，並說明設計的模型內容，以及模型之間的關係。首先要明確分析目的，美團作為廣告投放平台方，流量 使用者資料是其最大的資源。而作為平台方，資料分析的最終目的在於利用本身資源獲得...