DAU, MAU и Sticky Factor

Общее #

• Назначение: измерение размера активной аудитории и регулярности использования.
• Аудитория: PM, аналитики, инвесторы.
• Статус: устоявшийся; стандарт индустрии (популяризирован Facebook).
• Не путать с: Registered Users (зарегистрированы, но не активны), Retention (возврат отдельной когорты), WAU (Weekly Active — для продуктов с недельным циклом).

DAU (Daily Active Users, ежедневно активные пользователи) — число уникальных пользователей, считающихся «активными» в течение суток. MAU (Monthly Active Users, ежемесячно активные пользователи) — то же для окна в один месяц; WAU (Weekly Active Users) — для окна в одну неделю. Во всех трёх случаях счёт ведётся по уникальным людям, а не по визитам и не по сессиям: пользователь, зашедший десять раз за день, в DAU считается один раз. Отношение метрик друг к другу — Sticky Factor (DAU/MAU) — показывает, насколько плотно «ежемесячная» аудитория пользуется продуктом каждый день.

Семейство DAU/MAU отвечает на два вопроса сразу: сколько людей пользуется продуктом (масштаб активной аудитории) и как часто они это делают (регулярность использования). Обе характеристики незаменимы в управлении вовлечённостью: продукт может иметь огромную зарегистрированную базу и пустой DAU (разовый интерес без повторного использования), а может иметь скромную, но «липкую» аудиторию, возвращающуюся ежедневно. Именно вторая картина характерна для продуктов, встроившихся в рутину пользователя, поэтому связка DAU/MAU служит одним из быстрых индикаторов вовлечённости и регулярности — слоя метрик, который в зрелых системах стоит между привлечением и удержанием.

Что считать «активностью» #

Главная методологическая развилка: что именно засчитывается как «активное» действие. Варианты — от предельно слабого «открыл приложение» до строгого «совершил ключевое действие ценности» (отправил сообщение, оформил заказ, дослушал трек). От выбора порога число DAU меняется в разы при неизменном поведении аудитории, поэтому сравнения корректны только при совпадении определений. Подход Facebook в IPO-отчётности 2012 года задал индустриальный образец простоты: «зашёл в течение последних 24 часов — ты DAU» — зарегистрированный пользователь, посетивший сервис в течение суток, считается ежедневно активным. Позже и Facebook, и рынок эволюционировали к определениям через действие, а не посещение (подробно — в разделе «Как определять „active“»).

Происхождение #

В массовую практику метрики вошли с отчётностью Facebook: в документах IPO (форма S-1, 2012) компания раскрывала DAU, MAU и их отношение как ключевые показатели бизнеса, а роль NSM у Facebook тогда выполнял именно DAU. Аналитическое обоснование «липкости» дал Эндрю Чен в эссе DAU/MAU is the only metric that matters (2012): отношение DAU к MAU — быстрый и честный индикатор того, насколько продукт встроен в жизнь пользователя, ещё до всякого когортного анализа. Шон Эллис и Морган Браун (Hacking Growth, 2017) закрепили активные аудитории как слой ростовой модели и связали определение «активности» с получением ценности. Брайан Бальфур (Reforge) в материале Finding your Product’s Engagement Metric развил тему естественной частоты использования: окно метрики обязано соответствовать циклу, с которым продукт реально решает задачу пользователя.

Место в метрическом стеке #

• Слой Retention в AARRR (Pirate Metrics). Активная аудитория — агрегированный результат работы первых трёх ступеней воронки: сколько привлечённых и активированных пользователей продукт удерживает в ежедневном/месячном обороте.
• Breadth-слой North Star Metric. Для продуктов с частой ценностью DAU/MAU сами выступают метриками ширины (NSM Facebook — DAU); для остальных — служат проверкой, что ведущая метрика не растёт на разовом интересе.
• Двойник Retention и Churn. Принципиальное различие: DAU/MAU — кумулятивные метрики («был активен хоть раз в окне» по всей базе), retention — когортный анализ («вернулась ли конкретная когорта»). Одно не заменяет другое: различие разобрано в разделе «Cohort-active против Cumulative-active».
• Верх воронки активации. Конверсия «зашёл → совершил ключевое действие» — территория воронок и конверсий (#13): DAU/MAU фиксируют результат воронки, конверсии по шагам — где именно он теряется.

DAU (Daily Active Users) #

Определение и расчёт #

DAU = число уникальных пользователей, совершивших действие «активность»
      в течение одних суток

Два обязательных решения при расчёте:

• Окно «сутки». Календарный день — но в чьём часовом поясе? Для продукта с одной страной вопрос решается локальной таймзоной; для международного — фиксацией UTC, что размывает «день» по регионам. Смена определения таймзоны невидимо меняет ряд — она обязана быть зафиксирована так же строго, как и определение активности.
• Идентификатор уникальности. Правильный ключ — user id, а не device id и не cookie. Один человек с телефона и ноутбука — один пользователь; анонимная сессия до регистрации и профиль после неё — при отсутствии склейки два «пользователя». Мультидевайс без склейки завышает DAU на величину перекрытия устройств.

Пример расчёта #

Из лога событий за вчерашний день: 12 000 сессий, в которых распознались 8 000 уникальных user id; 600 пользователей заходили и с телефона, и с компьютера (склейка профилей сработала).

Сессий за день:        12 000
Уникальных user id:     8 000
DAU = 8 000            (не 12 000 и не 8 600)
Сессий на DAU = 1,5    — отдельная метрика глубины

Слишком слабая склейка устройств дала бы 8 600 (двойной счёт мультидевайсных), а счёт по сессиям — 12 000: завышение в полтора раза от одного только выбора единицы измерения.

Сессии — не пользователи #

Классическое искажение — подсчёт сессий или визитов вместо уникальных пользователей. У одного энтузиаста за день может быть десять сессий, у десяти обычных пользователей — по одной: счёт сессий покажет «равный вклад», хотя уникальных людей в первом случае — один. Показатель «сессий на DAU» при этом полезен как отдельная метрика глубины использования, но подменять им DAU нельзя — это разные величины с разным смыслом. Обратное искажение даёт подсчёт по IP-адресам (NAT объединяет офисы в одного «пользователя», мобильные операторы дробят одного человека на несколько адресов).

WAU — еженедельный цикл #

Для продуктов с естественной недельной частотой использования суточное окно слишком узко и «шумит». WAU (Weekly Active Users) — уникальные пользователи за окно в семь дней — снимает дневные колебания и честнее отражает масштаб продукта, к которому обращаются раз–два в неделю: корпоративная отчётность и B2B-инструменты (рабочий цикл), e-commerce с закупками выходного дня, фитнес-приложения. Правило то же, что и для retention-метрик: окно измерения следует естественному циклу задачи пользователя. Для недельных продуктов строят и пару DAU/WAU — Sticky Factor по недельному знаменателю (см. ниже).

Сводная привязка окна к естественной частоте использования:

MAU (Monthly Active Users) #

Определение #

MAU = число уникальных пользователей, совершивших действие «активность»
      в течение тридцатидневного окна

MAU — стандартная метрика «ширины» продукта: она показывает, скольким людям продукт полезен хотя бы эпизодически. Именно MAU (а не DAU) обычно фигурирует в оценках размера аудитории, в тарифных ограничениях B2B-сервисов и в отчётности публичных компаний: ежемесячные active users раскрывали Facebook/Meta, Twitter/X, Snap, Telegram и другие — рынок десятилетиями использует MAU как сопоставимую меру масштаба потребительской аудитории. Пара DAU/MAU в такой отчётности — одновременно и показатель вовлечённости, и «переводчик» между ежедневным оборотом и месячной базой.

Проблема усреднения: MAU ≠ средний DAU × 30 #

Распространённая ошибка — выводить MAU из DAU умножением на число дней. Это игнорирует дедупликацию: MAU считает уникальных людей за окно, а произведение DAU на 30 — «пользователе-дни». Соотношение зависит от частоты, с которой один и тот же человек активен. Числовая иллюстрация — два продукта с одинаковым стабильным DAU = 10 000:

Одинаковый DAU скрывает десятикратную разницу аудитории: продукт А держит компактное ежедневное ядро, продукт Б пропускает через себя широкий поток, каждый элемент которого задерживается на три дня. Разницу вскрывает только связка двух метрик: ни один ряд по отдельности её не показывает. Точная связь: Σ DAU за месяц (пользователе-дни) = MAU × среднее число активных дней на пользователя — то есть MAU выводится из DAU только при известной частоте, которую сама метрика DAU не содержит.

Календарный и скользящий месяц #

• Календарный MAU — уникальные пользователи календарного месяца (1–30 сентября). Достоинство — сопоставимость с финансовой отчётностью и внешней раскрытой статистикой. Недостатки: разная длина месяцев, «склейка» на стыках (пользователь, активный 31 августа и 1 сентября, попадает в два месяца сразу) и невозможность посчитать значение до конца месяца.
• Скользящий MAU (rolling 30-day) — уникальные пользователи за последние 30 дней от любой даты. Достоинства — гладкий ряд, доступный каждый день, отсутствие граничных артефактов; стандарт продуктовых дашбордов. Плата — требование к полному логу событий и невозможность прямого сравнения с календарной отчётностью.

Практическая конвенция: внутренние ряды ведут на скользящем окне, во внешнюю отчётность переводят календарные срезы; определение фиксируется письменно и не меняется молча.

Sticky Factor #

Формула #

Sticky Factor = DAU / MAU × 100%        (для недельного цикла: DAU / WAU × 100%)

Sticky Factor («липкость», stickiness) — доля месячной аудитории, которая в среднем активна в произвольный день. Метрика нормирует DAU на масштаб базы и потому позволяет сравнивать регулярность использования у продуктов разного размера: DAU 50 000 у базы в 100 000 и у базы в 5 000 000 — разные истории вовлечённости.

Численный пример #

Сервис заметок: DAU вчера — 48 000, MAU (скользящие 30 дней) — 300 000.

Sticky Factor = 48 000 / 300 000 × 100% = 16%

Чтение:
- средний месячный пользователь активен 16% дней месяца:
  0,16 × 30 ≈ 4,8 дня в месяц;
- средний интервал возврата: 1 / 0,16 ≈ 6 дней.

Для B2B SaaS-инструмента 16% — верхняя половина здорового диапазона (10–20%); для мессенджера то же число означало бы, что база почти не возвращается.

Интерпретация #

Грубая шкала чтения: Sticky Factor — это средняя частота возвращения. 50% означает, что пользователь заходит в среднем раз в два дня (1 / 0,5 = 2); 100% — теоретический предел, когда вся месячная база активна ежедневно; 10% — раз в десять дней. Отсюда же «переводная формула Facebook»: DAU/MAU × 30 = среднее число активных дней в месяце у месячного пользователя (10% → 3 дня, 20% → 6 дней).

Отдельная дисциплина — чтение динамики двух метрик вместе. Рост DAU при стоячем MAU не означает роста аудитории:

Месяц    DAU      MAU      Sticky
Июль     40 000   300 000  13,3%
Август   48 000   300 000  16,0%   ← база та же: «нынешние стали активнее»

Такой рисунок типичен после агрессивных push-кампаний или сезонного пика интереса: те же люди заходят чаще, новых не появляется. Обратная картина — рост обеих метрик при падающем Sticky (DAU 48 000, MAU 600 000 → 8%) — признак расширения базы с размыванием регулярности: аудитория шире, но использует продукт реже. Ни одна из конфигураций не „плохая“ сама по себе — диагностика всегда парная.

Sticky по WAU #

Для продуктов с недельным циклом знаменателем служит WAU: Sticky = DAU / WAU × 100%. Числовой пример: DAU = 20 000, WAU (скользящие 7 дней) = 70 000 → 28,6%: в среднем пользователь активен 2 дня из 7 (0,286 × 7 ≈ 2). Недельная шкала устойчивее к выходным провалам и потому честнее для B2B-инструментов и e-commerce; сравнивать DAU/WAU с DAU/MAU нельзя — это разные знаменатели с разной естественной базой.

Бенчмарки #

Ориентиры по категориям (зависят от определения «активности», естественной частоты и окна):

Сравнение с бенчмарком имеет смысл только при сопоставимых определениях «активности»: ослабленное определение («открыл приложение») механически завышает Sticky относительно конкурента со строгим («совершил ключевое действие»). Второе правило работы с бенчмарками — приоритет собственной динамики: цель ставится как движение Sticky Factor относительно собственного прошлого значения («с 12% до 15% за два квартала»), а не как прыжок к чужой цифре, за которой может стоять другая методика и другой цикл использования.

Как определять «active» #

Принцип Эндрю Чена: активен тот, кто получил ценность #

Центральный принцип: «активный» — это тот, кто получил ценность от продукта, а не тот, кто его коснулся. Определение активности должно опираться на ключевое действие ценности — то же, что питает North Star Metric: отправленное сообщение, прослушанный трек, созданный документ, доставленный заказ. NSM выступает якорем: если ведущая метрика продукта — «сообщения, отправленные активными командами», то и «активным» пользователем логично считать отправителя сообщений, а не посетителя интерфейса.

Ловушка: login ≠ active #

Самая массовая ловушка — считать активностью вход (login) или открытие приложения. Залогиниться можно по инерции, из push-уведомления, из виджета на рабочем столе; login растёт, ценность — нет. Цепочка «зарегистрировался → залогинился → получил ценность» содержит два разрыва, и каждый из них скрывает потерянных пользователей: база registered users говорит о маркетинге, login-активность — о привычке касаться иконки, и только действие ценности — о работающем продукте. Числовая иллюстрация: у сервиса 100 000 залогинившихся за день, из них ключевое действие (создан документ) совершили 22 000 — DAU по login равен 100 000, DAU по ценности 22 000, и разница в 4,5 раза — это не погрешность, а доля людей, не дошедших до продукта. Практическая проверка: если пользователь считается «активным», но не совершил ни одного действия, ради которых продукт существует, — определение завышает вовлечённость.

Примеры индустрии #

Общий паттерн: чем строже определение привязано к действию ценности, тем ниже абсолютное число — и тем честнее метрика.

Практический алгоритм #

1. Сформулировать ключевое действие ценности (опора — NSM продукта).
2. Определить минимальный порог действия: одно сообщение или пять? одна сессия прослушивания или 30 минут?
3. Зафиксировать определение письменно: событие в аналитике, источник, исключения.
4. Версионировать изменения и пересчитывать исторические ряды — «молчаливое» ужесточение определения ломает сравнимость.
5. Параллельно считать пару метрик: login-based и value-based активность. Устойчивый разрыв между ними — измеритель «пустой» активности: люди открывают, но не получают.

Графики и анализ #

Ряды во времени #

Базовый артефакт анализа — графики DAU и MAU на одной оси времени (MAU — в разы крупнее, поэтому его часто дают отдельной осью) и Sticky Factor отдельной линией. Три слоя чтения: тренд (растёт ли ядро), сезонность (регулярные колебания), аномалии (точечные выбросы). Sticky Factor сглаживает влияние масштаба и показывает, меняется ли регулярность использования независимо от размера базы.

Масштаб колебаний сам по себе диагностичен: DAU у продукта с ежедневной привычкой — плотный ряд с недельными волнами ±10–15%; у эпизодического продукта DAU «дышит» на десятки процентов, и тогда опорным рядом становится WAU или MAU, а DAU читается только в скользящем среднем. Смена режима колебаний со временем (ряд выравнивается) — ещё один ранний сигнал формирующейся привычки, дополняющий недельный профиль.

Недельная сезонность #

У большинства B2C-продуктов DAU имеет выраженный недельный профиль — и он диагностичен: форма профиля подсказывает, в какую рутину встроен продукт.

DAU по дням недели, тыс. (рабочий паттерн):

пн  ████████████▋    127
вт  █████████████▎   133
ср  █████████████▌   135
чт  ████████████▏    124
пт  ██████████▎      104
сб  ██████▎           66
вс  ███████▋          77

Провал выходных у рабочего инструмента — норма; такой же провал у развлекательного продукта — сигнал, что он не занял место в досуге. Изменение профиля со временем (выходные подтягиваются к будням) — один из ранних признаков формирования привычки.

Над недельной сидит годовая сезонность: отпуска (провал августа у B2B), праздники, налоговые периоды (пик у финансовых сервисов), учебный год (пик у образовательных). Годовые волны видны только на рядах длиной от двух лет — ещё одна причина не делать выводов о «падении» продукта по одному сезону. При анализе сезонность отделяют от тренда: сравнивают не месяц к месяцу, а месяц к тому же месяцу прошлого года (year-over-year) либо используют скользящие окна.

Разрезы #

Агрегированный DAU прячет структуру: среднее по базе может расти на одном сегменте и падать на остальных. Стандартные разрезы:

• платформа (web, iOS, Android) — распад на одной платформе = техническая проблема, невидимая в агрегате;
• канал привлечения — «липкость» органической и платной аудитории различается: дешёвый трафик часто даёт разовые визиты и разряжает Sticky Factor;
• регион и язык — разные естественные частоты и разные конкурентные поля;
• новые vs давние пользователи — Sticky по свежим когортам и по ядру: ядро стабильно, свежие проседают — воронка активации теряет людей;
• тариф/сегмент B2B — активность аккаунта и активность отдельных сидов расходятся.

Разрезы превращают DAU из отчётной цифры в диагностический инструмент: сначала «что движется», потом «где именно».

Аномалии #

Каждый выброс на ряду DAU обязан иметь объяснение: релиз, сбой, рекламная кампания, упоминание в медиа, сезонное событие, рассылка. Дисциплина анализа — аннотированный график, где каждая аномалия подписана причиной: без этого команда через квартал не вспомнит, почему был провал, и будет трактовать артефакт как тренд. Отдельно отслеживается «хвост» аномалии: разовый всплеск с возвратом к базе (праздничный трафик) и сдвиг уровня (удачный релиз) — разные управленческие события.

Типовой разбор аномалии — четыре вопроса: что именно сдвинулось (DAU, WAU, MAU или только Sticky), в каком разрезе (платформа, регион, сегмент), что совпало по времени (события) и как вёл себя каждый компонент разложения New/Retained/Resurrected. Всплеск за счёт New — эффект привлечения или упоминания; за счёт Resurrected — кампания возврата или рассылка; падение только на одной платформе — технический инцидент. Одна и та же «стрелка вверх» имеет три разных диагноза и три разных действия.

Связка с acquisition и retention: разложение DAU #

Статичный DAU не отвечает на вопрос «почему». Ответ даёт разложение каждого дневного DAU на три компонента:

DAU = New + Retained + Resurrected

New          — активны сегодня впервые
Retained     — активны сегодня и были активны вчера
Resurrected  — активны сегодня после перерыва

Пример (три дня, разложение в тысячах):

Чтение: рост понедельника ко вторнику (+4 тыс.) разложился на +3 тыс. новичков, −2 тыс. удержанных и +3 тыс. возвратившихся. DAU растёт, но растёт на привлечении и воскрешениях, а ядро (retained) проседает — рост куплен трафиком и пушами, и без них не воспроизведётся. Это же разложение — мостик к когортному анализу Retention и Churn: компоненты New/Retained/Resurrected показывают вклад притока и возврата в агрегат, а кривые удержания — судьбу каждой когорты внутри агрегата.

Cohort-active против Cumulative-active #

Фундаментальное различие двух способов считать «активных»:

• Cumulative-active — все, кто был активен хоть раз в окне. DAU/MAU — именно такие метрики: они отвечают «сколько людей касалось продукта в период».
• Cohort-active — активность конкретной когорты на «возрасте» N (вернулась ли когорта регистрации на восемнадцатый день). Это территория retention-метрик.

Кумулятивная оптика маскирует распад: агрегированный DAU может годами стоять или расти за счёт притока новичков, пока каждая когорта тает по известной механике «дырявого ведра» (числовые примеры — в статье Retention и Churn). Поэтому зрелая метрическая система всегда ведёт оба слоя: DAU/MAU — как масштаб и регулярность, когортные кривые — как здоровье. Рост DAU при распадающихся когортах — красный флаг (см. «Минусы и риски»), а не повод для оптимизма.

Плюсы #

• Простота. Формулы — уровень школьной арифметики, данные — обычные логи событий; метрику можно посчитать с первого дня жизни продукта без аналитической инфраструктуры.
• Понятность всем, включая инвесторов. DAU/MAU — устоявшийся язык рынка: публичные компании (Meta и другие) раскрывают эти метрики в отчётности десятилетиями, поэтому цифра не требует методологических лекций ни в совете директоров, ни в продуктовом ревью.
• Основа диагностики роста. Разложение DAU = New + Retained + Resurrected превращает одну цифру в картину источников роста: что двигает метрику — приток, удержание или воскрешения, — и куда направлять усилия (acquisition, retention или win-back).
• Перевод в поведение. Формула Facebook DAU/MAU × 30 даёт среднее число активных дней в месяце: метрика читается не как абстрактный процент, а как частота использования («6 дней в месяц»).
• Сравнимость масштабов. Sticky Factor нормирует активность на размер базы, позволяя сравнивать регулярность использования у продуктов разного размера и отслеживать её динамику независимо от роста аудитории.
• Чувствительность. Дневное окно DAU реагирует на релизы, кампании и сбои в течение суток — метрика работает как операционный пульс продукта, а не квартальный отчёт.

Минусы и риски #

Vanity-метрика без контекста #

В отрыве от удержания и ведущей метрики ценности DAU/MAU — классическая метрика тщеславия: красивая цифра, которая растёт, ничего не говоря о здоровье продукта. Без retention неизвестно, тает ли база; без NSM — получают ли пользователи ценность. Правило: DAU/MAU осмысленны только в связке — с когортными кривыми, с определением активности через ценность, с North Star Metric как якорем. С этим контекстом они — рабочие метрики вовлечённости; без него — цифры для слайдов.

Можно «накрутить» #

DAU механически поднимается агрессивными push-уведомлениями и email-рассылками: компонент Resurrected растёт, пользователи «возвращаются» — открыть и закрыть. Плата видна в соседних метриках: рост удалений приложения и отписок, падение удержания, раздражение базы. Краткосрочный всплеск DAU за счёт будущей лояльности — типичная сделка, на которую метрика сама не укажет: нужны guardrail-метрики (отписки, жалобы, retention), чтобы её увидеть.

Манипуляция определением «active» #

Определение активности — рычаг незаметного управления метрикой: ослабил порог перед раундом fundraising («активен = открыл приложение») — и ряд подрос без единого изменения в продукте. Смягчение определения ломает и внутреннюю динамику (ряд несопоставим сам с собой), и внешние сравнения. Защита — письменная фиксация определения, версионирование и обязательный пересчёт исторических рядов при изменении.

Не показывает ценность — только касание #

Даже честно посчитанный DAU фиксирует факт активности, но не её качество: минутное открытие и час работы над документом в метрике равны. Продукт с растущим DAU может терять ценность для каждого отдельного пользователя (быстро зашёл, разочаровался, вышел) — агрегат молчит. Поэтому DAU/MAU дополняются метриками глубины (сессии на пользователя, время до ключевого действия, доля пользователей с ключевым действием).

Растущий DAU при падающем retention — красный флаг #

Самая опасная комбинация: агрегат растёт (приток новичков перекрывает распад), а когорты удерживаются всё хуже. Компания трактует это как рост; фактически она увеличивает «дырявое ведро»: чем больше льётся, тем быстрее утекает, и остановка маркетинга обрушивает «растущую» аудиторию за месяцы. Диагностическое правило: DAU без когортных кривых не интерпретируется; при расхождении «агрегат вверх — когорты вниз» приоритет отдаётся когортам, а не агрегату.

Закон Гудхарта и DAU как целевая метрика #

Как только DAU становится бонусной целью, начинается оптимизация метрики вместо вовлечённости: дробление контента так, чтобы пользователь заходил чаще, агрессивные пуши под план, тёмные паттерны возврата. Метрика перестаёт быть хорошей мерой ровно в тот момент, когда становится целью, — классический закон Гудхарта. Защита стандартна: DAU не привязывается к денежному вознаграждению напрямую, а в паре с ним всегда отслеживаются guardrail-метрики — удержание когорт, отписки, глубина использования.

Связанные материалы #

• North Star Metric (#6) — якорь для определения «активности» через ключевое действие ценности.
• AARRR (Pirate Metrics) (#7) — активная аудитория как агрегированный результат первых ступеней воронки роста.
• Retention и Churn (#9) — когортный анализ удержания; кумулятивная оптика DAU/MAU и когортная оптика retention дополняют друг друга.
• Юнит-экономика: LTV, CAC, ROMI (#10) — активная аудитория как база, на которой считается срок жизни и окупаемость привлечения.
• Введение в управление продуктом — общая картина, в которую встраивается метрический слой.
• Воронки и конверсии (#13) — поэтапный анализ пути пользователя: где именно теряется активируемая аудитория.

Первоисточники #

• Chen A. (2012). DAU/MAU is the only metric that matters. — «липкость» как быстрый индикатор вовлечённости; связь активности с ценностью.
• Ellis S., Brown M. (2017). Hacking Growth: How Today’s Fastest-Growing Companies Drive Breakout Success. — активные аудитории в ростовой модели; определение активности через ценность.
• Balfour B. Finding your Product’s Engagement Metric (Reforge). — естественная частота использования и выбор окна метрики.
• Kagan A. (2015). What is a good DAU/MAU ratio? (andrewchen.com). — бенчмарки Sticky Factor по категориям продуктов.