DAU:n ja MAU:n seuraaminen korkean liikenteen sivustoilla on haastava tehtävä. Tämä artikkeli kuvaa, miten ratkaisemme tämän ongelman Logtossa.
Ei voi kieltää, että identiteettipalveluntarjoajana Logto käsittelee päivittäin valtavasti käyttäjätietoa. Yksi kriittisistä mittareista, joita emme voi jättää huomiotta, on 'Päivittäiset aktiiviset käyttäjät' (DAU) - se antaa meille käsityksen siitä, kuinka sitoutuneita käyttäjämme ovat. Mutta kun kyseessä on DAU:n ja Kuukausittaisten aktiivisten käyttäjien (MAU) seuraaminen, asiat voivat mennä sekaisin. Suurten tietomäärien hallinta vaikuttamatta käyttäjäkokemukseen ei ole helppoa, mutta se on jotain, jonka olemme oppineet hallitsemaan tehokkaasti.
Tässä lukemisessa aiomme käyttää tilaisuuden selittää DAU:hun liittyviä käsitteitä sekä miten DAU, MAU ja kuukausittainen sitoutumisaste voidaan laskea.
DAU:t ovat uniikkeja käyttäjiä, jotka ovat vuorovaikutuksessa alustasi kanssa tiettynä päivänä. Nämä vuorovaikutukset voivat olla mitä tahansa - pelkästään sisäänkirjautumisesta, julkaisemisesta tai tykkäämisestä tai muusta toiminnasta, joka merkitsee aktiivisuutta. DAU:n seuraaminen antaa meille mahdollisuuden mitata käyttäjien sitoutumista päivittäin ja saada käsityksen aktiivisten käyttäjiemme koosta.
MAU puolestaan on osoitus uniikeista käyttäjistä, jotka ovat vuorovaikutuksessa alustasi kanssa vähintään kerran kuukaudessa. Samoin kuin DAU:t, aktiiviset käyttäjät voivat olla kuka tahansa, joka on yksinkertaisesti kirjautunut sisään tai vuorovaikuttanut alustalla jollain tavalla.
Kun kyseessä on ymmärtää, kuinka usein käyttäjät ovat vuorovaikutuksessa alustamme kanssa kuukauden aikana, löydämme valtavaa arvoa erityisestä mittarista - kuukausittainen sitoutumisaste (MER). Tämä ei ole vain pelkkä luku meille, vaan keskeinen elementti, joka vaikuttaa voimakkaasti hinnoittelustrategiaamme.
MER paljastaa käyttäjän sitoutumisen taajuuden kertomalla, kuinka monta uniikkia päivää käyttäjä kirjautuu sisään tai vuorovaikuttaa alustamme kanssa kuukauden aikana. Tämä oivallus ei ole vain hyödyllinen; se on meille keskeinen erottelija. Toisin kuin tavanomainen lähestymistapa, joka keskittyy vain siihen, kävikö käyttäjä kuukauden aikana, me menemme syvemmälle, pyrimme ymmärtämään 'kuinka usein'. Tämä 'kuinka usein' mahdollistaa meitä arvioimaan käyttäjän vuorovaikutuksen syvyyden alustamme kanssa ja tarjoaa meille konkreettisia mittareita tarjotakseen enemmän arvoa käyttäjillemme.
Logtossa MER on merkittävä osa käyttöpohjainen hinnoittelu. Kiinnittämällä hinnoittelumme MER:ään, varmistamme, että maksut vastaavat käyttäjän sitoutumistasoa; voisit sanoa, että olemme kääntäneet oikeudenmukaisuuden mitattavaksi mittariksi. Toisin kuin jotkut, jotka laskevat käyttäjän, joka on kirjautunut sisään vain kerran samalla tavalla kuin päivittäisen käyttäjän, me teemme eron, hinnoittelemalla todellisen käytön ja tarjotun arvon perusteella. Tämän kautta varmistamme läpinäkyvämmän, oikeudenmukaisemman ja lopulta erottuvan lähestymistavan hinnoitteluun.
Yleensä DAU ja MAU lasketaan suoraan käyttäjälokeista. Mutta kun nämä lokit kasaantuvat, prosessista tulee tehoton ja se tuo haasteita, kuten datan skaalaus ja lokien säilytys. Mainitsematta edes, että käyttäjälokien säilyttäminen ikuisesti ei ole käytännöllistä tietosuoja- ja turvallisuusmääräysten vuoksi.
Siksi keksimme DAU-taulukon käsitteen. Tämä taulukko sisältää pääasiassa kaksi saraketta - user_id ja date. Date voidaan asettaa päivän alkuun.
Meillä on kaksi tapaa pitää tämä taulukko ajan tasalla. Ensimmäinen on päivittäinen automaattinen työ, joka seuloo edellisen päivän käyttäjälogit. Toinen käynnistää päivityksen aina, kun käyttäjätoiminta tapahtuu.
Aina, kun kohtaamme uniikin user_id:n, lisäämme uuden merkinnän DAU-taulukkoon, joka sisältää user_id ja date. Tämä tehdään SQL:n "upsert"-toiminnolla, joka vaatii uniikin avaimen user_id ja date.
Tämän seurauksena DAU:n ja MAU:n seuraaminen muuttuu yksinkertaisesti taulukon rivien laskemiseksi. Ja kuukausittainen sitoutumisaste voidaan laskea yhdistämällä group by ja count.
DAU-taulukko, joka käytännössä on tiivistetty versio käyttäjälokeista, on merkittävästi yksinkertaistanut DAU:n ja MAU:n laskentaprosessia. Se teki käyttäjäsitoutumisen seuraamisesta paljon helpompaa, mutta se myös vähensi merkittävästi järjestelmämme kuormitusta.
DAU- ja MAU-laskelmien optimoinnin matkallamme olemme aina panostaneet vahvasti käyttäjien yksityisyyteen ja lakien noudattamiseen. Rakensimme strategiamme varmistamalla, että DAU-taulukko ei tallentaisi arkaluonteista käyttäjätietoa. Sen sijaan tallennamme vain anonyymejä tunnisteita (käyttäjän normaalin user_id:n hajautettu arvo) ja toiminnan päivämääriä, noudattaen tiukasti kaikkia asiaankuuluvia tietosuojamääräyksiä.
Suosittelisimme lämpimästi tätä yksityisyyteen keskittyvää lähestymistapaa muille digitaalisen palvelualan yrityksille. Koko tai käyttäjätiedon määrästä riippumatta yksityisyyden pitäisi aina olla etusijalla.
Lopulta tiedon seuraamisen ei tarvitse olla monimutkaista, edes korkean liikenteen verkkosovelluksille. Vakaa ja tehokas strategia, kuten meidän, voi tehdä elintärkeiden käyttäjäsitoutumis-mittareiden seuraamisesta helppoa kuin leikki.
Toivomme, että kokemuksemme jakaminen voi inspiroida muita digitaalisia alustoja ja tarjota ideoita siihen, miten kehittää innovatiivisia ratkaisuja tehokkaaseen ja vaikuttavaan tiedonseurantaan.