对于常见的App，用户粘性的取值范围就是3%~100%，不同领域的App也会有不同的基准值，例如移动游戏会以20%为基线，而工具类App会以40%为基线。
近期越来越多的客户在询问用户粘性的指标问题，而DAU/MAU就是最频繁使用的指标。日活跃用户占月活跃用户的比例越高，表明用户对App的使用粘性越高。
DAU，即：Daily Active User，指日活跃用户数；
MAU，即：Monthly Active User，指月活跃用户数。
从极限的角度看，如果每天活跃都是同样的用户，例如每天都是1万DAU，那么30天内每天都是这1万用户在活跃，MAU也是1万，于是DAU/MAU就是100%，用户粘性达到上限，微信就是接近100%的例子。
再分析另一个极端的例子，如果每天活跃用户都不相同，例如每天1万DAU，那么30天内每天的活跃用户都不同，MAU就是30万，于是DAU/MAU就是1/30，用户完全没有粘性。
对于常见的App，用户粘性的取值范围就是3%~100%，不同领域的App也会有不同的基准值，例如移动游戏会以20%为基线，而工具类App会以40%为基线。
在日常的项目和产品运营工作中， 单日的DAU/MAU的数值往往受到周期（工作日/周末）、版本更新和活动的影响，用户粘性在短期内的波动较大。所以通常要采用长期的均值作参考，例如一个月、两个大版本之间。
下面以某客户App为例，DAU/MAU的数值在工作日约50%，而在周末和假期的数值则在20%左右。那么谈到用户粘性的时候，通常采用每天DAU/MAU的平均值39.37%，与基线值40%非常接近。
对算法做进一步探讨：
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，那么DAU选取8月30日，MAU选取8月1日至30日。这种算法的优势是DAU和MAU在同一天算出来，计算方便。而劣势则是只计算了完整的30天周期内最后一天DAU在MAU中的占比，许多严谨的客户提出为什么不能选其他日期的DAU呢？
例如采用完整周期内的第一天DAU1作为分子除以MAU，就可以得到另一种粘性的解读：任意一天的活跃用户在30天内活跃的比重，都可以是一种对用户粘性定义，即DAU1/MAU、DAU2/MAU、DAU3/MAU…
重新计算上面客户的DAU1/MAU粘性，结果为39.41%，数值与传统的定义差距不大，同样的计算DAU2/MAU、DAU2/MAU……后，这些数值结果差距不大。
再进一步追踪，一个30天周期内的每个DAUn除以MAU的数值，也呈现明显的波动。此处的波动走势，与30个DAU的走势一致（仅仅是除以了相同的数值的差异）。
将上述的DAU1/MAU到DAU30/MAU逐一加和，得到的恰巧是另一个常用指标：当月人均活跃天数，这也是评估用户粘性的一个指标。
那么人均活跃天数和DAU/MAU之间有多大关联？
既然当月人均活跃天数是30个DAU之和除以1个MAU，而用户粘性是1个DAU除以MAU，两者在数量级上自然会差30倍左右。
对比除以30后的月均活跃天数和用户粘性DAU/MAU，发现两者的走势基本一致。而差异点在于波动幅度和响应时间略有滞后。而从数值上看，30天月均活跃天数是11.93天，除以30后得到结果0.3977，与DAU/MAU的39.37%也非常接近。所以在工作中使用月均活跃天数和DAU/MAU的作用一致。
近期越来越多的客户在询问用户粘性的指标问题，而DAU/MAU就是最频繁使用的指标。日活跃用户占月活跃用户的比例越高，表明用户对App的使用粘性越高。
DAU，即：Daily Active User，指日活跃用户数；
MAU，即：Monthly Active User，指月活跃用户数。
从极限的角度看，如果每天活跃都是同样的用户，例如每天都是1万DAU，那么30天内每天都是这1万用户在活跃，MAU也是1万，于是DAU/MAU就是100%，用户粘性达到上限，微信就是接近100%的例子。
再分析另一个极端的例子，如果每天活跃用户都不相同，例如每天1万DAU，那么30天内每天的活跃用户都不同，MAU就是30万，于是DAU/MAU就是1/30，用户完全没有粘性。
对于常见的App，用户粘性的取值范围就是3%~100%，不同领域的App也会有不同的基准值，例如移动游戏会以20%为基线，而工具类App会以40%为基线。
在日常的项目和产品运营工作中， 单日的DAU/MAU的数值往往受到周期（工作日/周末）、版本更新和活动的影响，用户粘性在短期内的波动较大。所以通常要采用长期的均值作参考，例如一个月、两个大版本之间。
下面以某客户App为例，DAU/MAU的数值在工作日约50%，而在周末和假期的数值则在20%左右。那么谈到用户粘性的时候，通常采用每天DAU/MAU的平均值39.37%，与基线值40%非常接近。
对算法做进一步探讨：
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，那么DAU选取8月30日，MAU选取8月1日至30日。这种算法的优势是DAU和MAU在同一天算出来，计算方便。而劣势则是只计算了完整的30天周期内最后一天DAU在MAU中的占比，许多严谨的客户提出为什么不能选其他日期的DAU呢？
例如采用完整周期内的第一天DAU1作为分子除以MAU，就可以得到另一种粘性的解读：任意一天的活跃用户在30天内活跃的比重，都可以是一种对用户粘性定义，即DAU1/MAU、DAU2/MAU、DAU3/MAU…
重新计算上面客户的DAU1/MAU粘性，结果为39.41%，数值与传统的定义差距不大，同样的计算DAU2/MAU、DAU2/MAU……后，这些数值结果差距不大。
再进一步追踪，一个30天周期内的每个DAUn除以MAU的数值，也呈现明显的波动。此处的波动走势，与30个DAU的走势一致（仅仅是除以了相同的数值的差异）。
将上述的DAU1/MAU到DAU30/MAU逐一加和，得到的恰巧是另一个常用指标：当月人均活跃天数，这也是评估用户粘性的一个指标。
那么人均活跃天数和DAU/MAU之间有多大关联？
既然当月人均活跃天数是30个DAU之和除以1个MAU，而用户粘性是1个DAU除以MAU，两者在数量级上自然会差30倍左右。
对比除以30后的月均活跃天数和用户粘性DAU/MAU，发现两者的走势基本一致。而差异点在于波动幅度和响应时间略有滞后。而从数值上看，30天月均活跃天数是11.93天，除以30后得到结果0.3977，与DAU/MAU的39.37%也非常接近。所以在工作中使用月均活跃天数和DAU/MAU的作用一致。
