DAU和MAU的区别是什么？口径与用途拆解

周报模板里同时有DAU和MAU两列，新来的运营问：这两个指标到底差在哪？为什么有时候DAU涨了月报里却不提？这篇把DAU和MAU的区别讲透，并给出使用时最容易踩的两个口径坑。

一、DAU和MAU的口径是什么

1.1 DAU：日活跃用户数

DAU（Daily Active Users，日活跃用户数）指一天内活跃的用户数量，按独立用户去重。因为DAU按"天"统计，所以它的天然波动受时段、活动、内容发布影响。官网对App端活跃的口径作过说明：启动用户数指一天内启动过App的独立设备用户数，按独立设备去重——DAU的"活跃"定义可以以此为基础，按业务需要调整为"启动""登录"或"完成核心事件"。理解DAU和MAU的区别，先理解DAU的"日"属性。

1.2 MAU：月活跃用户数

MAU（Monthly Active Users，月活跃用户数）指一个月内活跃的用户数量，同样按独立用户去重。因为MAU按"月"统计，所以它抹平了日内波动，反映的是月度用户规模。MAU与DAU的口径基础相同，只是统计周期不同。DAU和MAU的区别，首先就是周期区别：一天与一月。

1.3 DAU与MAU的关系

DAU是MAU的子集：月内每一天的活跃用户，都属于当月的MAU。因为两者的周期不同，所以DAU/MAU的比值（活跃度/粘性）能反映用户回来得多频繁：比值越高，说明用户使用越频繁；比值越低，说明用户月内只偶尔回来。DAU和MAU放在一起看，比单独看任何一个都更有信息量。

1.4 活跃指标回答什么问题

活跃类指标回答三个问题：产品每天有多少人在用、每月有多少人用、用户回访的频率如何。因为三个问题分别对应DAU、MAU与DAU/MAU比值，所以把三个数放在一起，才能完整描述产品的活跃状况。DAU和MAU不是孤立的两个数，而是一套活跃度描述体系。

图1 DAU与MAU看什么：口径细节与用途的概念与结构示意

二、DAU与MAU看什么：口径细节与用途

2.1 "活跃"的定义需要先定

DAU与MAU的数字大小，首先取决于"活跃"的定义：启动算活跃、登录算活跃、还是完成核心事件算活跃。因为定义不同，同一个产品可能得出差异很大的DAU。以官网对App端的说明为例，启动用户数按独立设备去重计算，如果产品把"活跃"定义为"启动"，DAU就等于按设备去重后的启动用户数；如果把"活跃"定义为"核心事件完成"，DAU会明显更低。先定定义，再谈数字。

2.2 去重维度：设备还是账号

活跃用户的去重维度影响跨设备场景的数字：按设备去重，同一用户两台设备会算2个；按账号去重，则只算1个。因为去重维度决定"独立用户"的边界，所以官网口径中App端按独立设备去重，跨设备用户较多时，按设备与按账号的结果差异会放大。对比不同工具时，先确认两边去重维度一致。

2.3 DAU/MAU比值的用法

DAU/MAU比值（粘性指标）用于判断用户回访频率：比值高说明用户高频使用，比值低说明用户低频访问。因为比值回答"用户多久回来一次"的问题，所以它比单看DAU或MAU更有业务含义：DAU涨了但比值在跌，说明增长来自一次性流量，用户并没有变得更活跃。DAU和MAU的比值，是把两个周期数字转化为业务判断的关键一步。

2.4 口径对照表

下表汇总DAU与MAU的口径要点：

因为上表四个维度决定数字含义，所以使用DAU与MAU前，先把四行确认一遍。

三、怎么做：正确使用DAU与MAU

3.1 第一步：统一活跃定义

使用活跃指标的第一步，是在团队内统一"活跃"的定义：启动、登录还是核心事件。因为定义不统一会导致部门间数字打架，所以把定义写进口径文档，作为所有报表的前提。DAU和MAU的讨论，从定义统一开始。

3.2 第二步：确定去重维度

第二步确定去重维度：设备还是账号，并按产品形态选择。因为App产品按设备去重是常见口径（官网示例即按独立设备），账号体系完善的产品可以同时看按账号的口径，所以两步都要写清，防止跨工具对比时踩坑。

3.3 第三步：DAU/MAU与趋势结合看

第三步把DAU/MAU比值与趋势结合：单独看某一天没意义，看比值趋势才有判断价值。因为比值反映粘性变化，所以周报里记录比值曲线，比值连续下滑就要排查活跃质量。DAU和MAU的趋势线，比单点数字更能说明问题。

3.4 第四步：按人群拆分

第四步按人群拆分：新用户与老用户、渠道来源不同的用户，分别看DAU贡献与比值。因为整体DAU被拉新活动抬高时，老用户的真实活跃可能在下滑，所以拆分后才能看到结构问题。DAU和MAU的人群拆分，是活跃分析从"现象"走向"定位"的关键。

3.5 周报呈现建议

建议周报把DAU、MAU、DAU/MAU比值三行固定：第一行DAU看当日规模，第二行MAU看月度基数，第三行比值看粘性，附一周趋势曲线。因为固定结构便于连续追踪，所以把三行做成模板，每周复用。DAU和MAU的呈现结构稳定了，讨论焦点才能集中在业务判断上。

图2 DAU与MAU的统计周期、去重维度与比值用途的对比示意
图3 本文误区与边界的关键对比

四、误区与边界

4.1 误区：DAU涨了就是产品变好

DAU上涨可能是活动或投放带来的一次性流量，不代表产品变好。因为一次性用户的DAU贡献只持续几天，所以看DAU增长时结合DAU/MAU比值与留存，判断是"新用户留住了"还是"流量来了又走"。

4.2 误区：活跃定义随汇报需要变化

活跃定义不能随汇报需要变化：这次按启动算、下次按登录算，数字不可比。因为口径漂移会让趋势失真，所以活跃定义一旦确定就要保持稳定，调整时要说明并同步历史数据。DAU和MAU的可比性，建立在定义的稳定性上。

4.3 误区：MAU越大越好

MAU增长不一定等于健康：MAU可能被活动或投放撑大，但其中大量用户月内只访问一次。因为MAU是"广度"指标，不反映"深度"，所以判断产品健康时把MAU与DAU/MAU比值、留存放一起看。

4.4 边界：DAU/MAU不是唯一粘性指标

DAU/MAU比值是粘性的常用参考，但不是唯一指标。因为活跃频次分布（每天用、每周用几次）比单一比值更细致，所以深入分析时看频次分布，比值只作快速判断。

4.5 边界：活跃指标不替代留存

活跃指标看规模，留存指标看延续，两者不能互相替代。因为DAU可能因拉新维持不变，但留存率在跌（新人留不住），所以健康度判断把活跃与留存放在一起看。

4.6 汇报口径：对内对外分开维护

DAU和MAU的汇报口径要先对齐：对外汇报用什么定义、对内分析用什么定义，两者可以不同，但要明确区分。因为DAU和MAU的数字常被用于融资、宣传与内部管理，口径不同会造成对外对内数字不一致，所以汇报前确认"这个数给谁看、用的什么定义"。对外口径要保守、对内分析要精细，两套口径并存时明确标注使用场景，才不会在汇报时出现数字矛盾。

4.7 解读要结合产品阶段与版本

DAU和MAU的解读要结合产品阶段：冷启动阶段看MAU增长与DAU/MAU比值变化，增长阶段看DAU斜率与留存，成熟阶段看比值与人群结构。因为不同阶段的核心问题不同，DAU和MAU的关注点也随之切换，所以按产品阶段设定解读框架，比固定看几个数字更有指导意义。版本迭代评估也常用到这两个指标：因为迭代影响往往是短期的，首日DAU可能波动，MAU要到月末才见分晓，所以把DAU和MAU按"短期反应、长期趋势"分开看，迭代评估的结论才完整。

4.8 数据质量与产品目标

DAU和MAU的数据质量要定期体检：上报链路是否稳定、去重逻辑是否正确、活跃定义是否被误改。因为DAU和MAU是决策依据，数据质量一旦出问题，后续所有判断都会失真，所以每月做一次数据质量核查，对比上报量与预估量，异常及时排查。同时，DAU和MAU的分析不要脱离产品目标：因为活跃数字只有对照产品目标才有意义，所以脱离目标的活跃分析只是数字游戏。还可以结合拉新与召回动作看：新功能上线带来的DAU提升，是新增用户还是存量用户被激活，需要按新老用户拆分确认，因为两种来源的后续留存完全不同，拆开看才能判断拉新质量。

4.9 本文未覆盖的边界

本文未覆盖 DAU/MAU 与留存率、LT（用户生命周期）建模的联动计算方法，也不展开不同行业（工具、电商、内容）的活跃基准参考值。因为这类内容依赖产品类型与业务定义，所以需要时结合官方文档与行业实践另行核对。

结尾

DAU和MAU的区别核心在周期与用途：DAU看一天的活跃规模，MAU看一月的用户基数，DAU/MAU比值看回访粘性。使用时先统一活跃定义与去重维度，再把比值放进趋势与人群拆分里看。回到周报的问题——DAU涨了为什么不提？因为要看它是"新用户真的留下了"还是"一次性流量来过"。DAU和MAU不是汇报数字，而是活跃质量的两面镜子。