很多運營都了解DAU（日活躍用戶數）和MAU（月活躍用戶數）的重要性，但在某些情況下這兩個數值本身並不能反映出太多問題，這個時候就要引用到【DAU/MAU】的概念，即【日活/月活】
用戶粘性的兩個計算指標：
1、DAU/MAU （用戶粘性通常用DAU/MAU的公式來計算，還有一個公式是每月用戶平均活躍天數，即月平均活躍天數，”二者作用一致“）
2、月平均活躍人數 （這里其實還想看一個指標，那就是一周內使用1天、2天、3天、3天以上的人數，對比周使用人數去看，相當於周平均活躍人數。）【本文暫沒有做過多解釋】
【對DAU/MAU做公式解釋】
DAU，即：Daily Active User日活躍用戶數，MAU，即：Monthly Active User月活躍用戶數。
DAU/MAU比值越趨近於1表明用戶活躍度越高，在比值低於0.2時，應用的傳播性和互動性將會很弱。對於常見的App，用戶粘性的取值范圍就是3%~100%，不同領域的App也會有不同的基准值，例如移動游戲會以20%為基線，而工具類App會以40%為基線。
例子1： 從極限的角度看，如果每天活躍都是同樣的用戶，例如每天都是1萬DAU，那么30天內每天都是這1萬用戶在活躍，MAU也是1萬，於是DAU/MAU就是100%，用戶粘性達到上限，微信就是接近100%的例子。
例子2： 另一個極端的例子，如果每天活躍用戶都不相同，例如每天1萬DAU，那么30天內每天的活躍用戶都不同，MAU就是30萬，於是DAU/MAU就是1/30，用戶完全沒有粘性。
在日常的項目和產品運營工作中， 單日的DAU/MAU的數值往往受到周期（工作日/周末）、版本更新和活動的影響，用戶粘性在短期內的波動較大。所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。eg:以某客戶App為例，DAU/MAU的數值在工作日約50%，而在周末和假期的數值則在20%左右。那么談到用戶粘性的時候，通常采用每天DAU/MAU的平均值39.37%。
【解讀DAU/MAU變化】
1）（DAU/MAU）↑，DAU↑
原因：產品的運營活動或較大變動喚醒了部分沉睡用戶，新增用戶較少
運營方向：加大產品推廣，拉新
2）（DAU/MAU）↑，MAU↓
原因：非忠實用戶的流失變多，產品沒有滿足這部分用戶的需求
運營方向：確保核心功能的同時進行多元化的功能延伸，滿足非忠誠用戶的需求
3）（DAU/MAU）↓，DAU↓
原因：產品的核心功能出現問題，可能存在競品等外界干擾
運營方向：需要進一步打磨產品，提升用戶體驗
4）（DAU/MAU）↓，MAU↑
原因：產品的運營活動或推廣宣傳帶來了一批新的用戶，但其活躍度缺乏持續性，用戶流失較大
運營方向：需要增加用戶粘性，給予用戶持續性的多變的激勵，以減少流失
【對DAU/MAU算法做進一步探討】：
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，計算方便。
而劣勢則是只計算了完整的30天周期內最后一天DAU在MAU中的占比，許多嚴謹的客戶提出為什么不能選其他日期的DAU呢？
例如采用完整周期內的第一天DAU1作為分子除以MAU，就可以得到另一種粘性的解讀：
任意一天的活躍用戶在30天內活躍的比重，都可以是一種對用戶粘性定義，即DAU1/MAU、DAU2/MAU、DAU3/MAU…。
重新計算上面客戶的DAU1/MAU粘性，結果為39.41%，數值與傳統的定義差距不大，同樣的計算DAU2/MAU、DAU2/MAU……后，這些數值結果差距不大。
再進一步追蹤，一個30天周期內的每個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的走勢一致（僅僅是除以了相同的數值的差異）。
將上述的DAU1/MAU到DAU30/MAU逐一加和，得到的恰巧是另一個常用指標：當月人均活躍天數，這也是評估用戶粘性的一個指標。
那么人均活躍天數和DAU/MAU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，
而用戶粘性是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后的月均活躍天數和用戶粘性DAU/MAU，發現兩者的走勢基本一致。而差異點在於波動幅度和響應時間略有滯后。而從數值上看，30天月均活躍天數是11.93天，除以30后得到結果0.3977，與DAU/MAU的39.37%也非常接近。所以在工作中使用月均活躍天數和DAU/MAU的作用一致。
參考：https://www.analysys.cn/article/detail/1001402 ”易觀分析公司“