Отслеживание DAU и MAU на сайтах с высокой нагрузкой - сложная задача. В этой статье описывается, как мы решили эту проблему в Logto.
Нельзя отрицать, что как поставщик идентификационных данных, Logto обрабатывает огромное количество пользовательских данных ежедневно. Одним из ключевых показателей, на которые мы не можем позволить себе закрыть глаза, является 'Ежедневно активные пользователи' (DAU) - это дает нам представление о том, насколько активны наши пользователи. Но когда дело доходит до отслеживания DAU и ежемесячно активных пользователей (MAU), все может стать запутанным. Управление огромными объемами данных без воздействия на пользовательский опыт не просто, но это то, что мы научились эффективно решать.
В этом материале мы собираемся воспользоваться этим шансом, чтобы рассказать вам о концепциях, связанных с DAU, объяснить, как можно рассчитать DAU, MAU и ежемесячный коэффициент вовлечения.
DAU - это уникальные пользователи, которые взаимодействуют с вашей платформой в любой данный день. Они могут делать что-то от простого входа в систему до публикации или лайка чего-то, или любого другого конкретного действия, свидетельствующего об активности. Отслеживание DAU позволяет нам оценивать привлечение пользователей ежедневно и получать представление о размере нашей активной пользовательской базы.
MAU с другой стороны, являются индикатором уникальных пользователей, которые взаимодействуют с вашей платформой хотя бы раз в течение месяца. Также как и DAU, активные пользователи могут включать в себя любого, кто просто вошел в систему, до того, кто взаимодействовал с платформой каким-либо образом.
Когда дело доходит до понимания, насколько часто пользователи взаимодействуют с нашей платформой в течение месяца, мы обнаруживаем огромную ценность в определенном показателе - коэффициенте ежемесячного вовлечения (MER). Это для нас не просто число, но и ключевой элемент, который сильно влияет на нашу ценовую стратегию.
MER показывает частоту вовлечения пользователя, указывая количество уникальных дней, когда пользователь входил в систему или взаимодействовал с нашей платформой в течение месяца. Это знание не просто полезно; это ключевое отличие для нас. В отличие от типичного подхода, который полностью фокусируется только на том, был ли пользователь на сайте в течение месяца, мы копаем глубже, мы стремимся понять 'как часто'. Это 'как часто' позволяет нам оценить глубину взаимодействия пользователя с нашей платформой и предоставляет нам конкретные показатели для оказания большего значения нашим пользователям.
В Logto MER является важным фактором тарификации на основе использования. Цепляя наши цены на MER, мы гарантируем, что наши сборы согласуются с уровнем вовлечения пользователя; можно сказать, мы превратили справедливость в метрику, которую мы можем измерить. В то время как другие могут считать пользователя, который вошел в систему только один раз, таким же, как ежедневного пользователя, мы различаем, ценообразование на основе фактического использования и предоставляемой стоимости. Через это, мы обеспечиваем большую прозрачность, справедливость и, в конечном итоге, преимущество в подходе к ценообразованию.
Обычно DAU и MAU рассчитываются прямо с журналов пользователей. Но по мере накопления этих журналов процесс становится неэффективным и столкнулся с трудностями, такими как масштабирование данных и хранение журналов. Не говоря уже о том, что сохранение записей о журналах пользователей навсегда непрактично из-за регулирования в области конфиденциальности и безопасности.
Вот почему мы придумали концепцию таблицы DAU. Эта таблица в основном включает две колонки - user_id и date. date может быть установлен на начало одного дня.
У нас есть два способа поддерживать эту таблицу обновленной. Первый - это ежедневная автоматизированная работа, которая проходит через пользовательские журналы предыдущего дня. Второй запускает обновление при каждом действии пользователя.
Когда мы встречаем уникальный user_id, мы добавляем новую запись в таблицу DAU, которая включает user_id и date. Это делается с помощью операции SQL "upsert", которая требует уникального ключа user_id и date.
В результате отслеживание DAU и MAU становится просто вопросом подсчета строк в таблице. И расчет ежемесячного показателя вовлеченности можно сделать, объединив group by и count.
Таблица DAU, которая в основном является сокращенной версией журналов пользователей, значительно оптимизировала наш процесс расчета DAU и MAU. Это не только облегчило отслеживание вовлечения пользователей, но и значительно снизило нагрузку на нашу систему.
В нашем путешествии по оптимизации расчетов DAU и MAU мы всегда уделяли основное внимание конфиденциальности пользователей и соблюдению законодательства. Наша стратегия строилась вокруг обеспечения того, чтобы таблица DAU не хранила чувствительной пользовательской информации. Вместо этого, мы просто храним анонимные идентификаторы (зашифрованное значение обычного user_id ) и даты активности, строго соблюдая все соответствующие правила защиты данных.
Мы настоятельно рекомендовали бы этот ориентированный на конфиденциальность подход другим в цифровой сервисной индустрии. Независимо от масштаба или объема пользовательских данных, конфиденциальность всегда должна быть на первом месте.
В конце концов, отслеживание данных не должно быть сложным, даже для веб-приложений с высокой нагрузкой. Стабильная и эффективная стратегия, как наша, может сделать отслеживание важных метрик вовлечения пользователей очень простым.
Мы надеемся, что поделиться нашим опытом может вдохновить другие цифровые платформы и предоставить идеи о том, как разработать инновационные решения для эффективного и эффективного отслеживания данных.