Effektivt spåra DAU och MAU på högtrafiksidor

Det går inte att förneka att som en identitetsleverantör bearbetar Logto en mängd användardata dagligen. En av de kritiska mätvärden vi inte kan bortse från är 'Dagliga Aktiva Användare' (DAU) - det ger oss en känsla för hur engagerade våra användare är. Men när det kommer till att spåra DAU och Månatliga Aktiva Användare (MAU), kan det bli rörigt. Att hantera massiva datavolymer utan att påverka användarupplevelsen är inte lätt, men det är något vi har lärt oss att hantera effektivt.

I denna läsning kommer vi att ta denna chans att gå igenom DAU-relaterade koncept, förklara hur DAU, MAU och en månads engagemangsgrad kan beräknas.

DAU, MAU och Månatlig Engagemangsgrad#

Dagliga aktiva användare (DAU)#

DAU är unika användare som interagerar med din plattform en viss dag. Dessa interaktioner kan vara vad som helst - bara att logga in, posta eller gilla något, eller någon annan specifik handling som visar aktivitet. Genom att spåra DAU kan vi mäta användarengagemang dagligen och få en känsla för storleken på vår aktiva användarbas.

Månatliga aktiva användare (MAU)#

MAU, å andra sidan, är en indikator på unika användare som engagerar sig med din plattform minst en gång under en månad. Precis som DAU kan aktiva användare variera från någon som bara har loggat in till någon som har interagerat med plattformen på något sätt.

Månatlig engagemangsgrad#

När det kommer till att förstå hur ofta användare interagerar med vår plattform under en månad, finner vi enormt värde i en specifik mätning - den Månatliga Engagemangsgraden (MER). Detta är inte bara en siffra för oss, utan ett avgörande element som starkt påverkar vår prissättningsstrategi.

MER avslöjar frekvensen av en användares engagemang genom att specificera antalet unika dagar en användare loggar in eller interagerar med vår plattform under en månad. Denna insikt är inte bara användbar; det är en nyckelskillnad för oss. Till skillnad från det typiska tillvägagångssättet som enbart fokuserar på om en användare besökte under en månad, går vi djupare, vi strävar efter att förstå 'hur ofta.' Detta 'hur ofta' gör det möjligt för oss att mäta djupet i en användares interaktion med vår plattform och ger oss konkreta mätvärden för att leverera mer värde till våra användare.

På Logto är MER en betydande faktor i användarbaserad prissättning. Genom att förankra vår prissättning i MER ser vi till att våra avgifter överensstämmer med användarens engagemangsnivå; man kan säga att vi har förvandlat rättvisa till en mätning vi kan mäta. Medan andra kanske räknar en användare som bara har loggat in en gång som en daglig användare, skiljer vi oss åt och prissätter baserat på faktisk användning och värde som tillhandahålls. På detta sätt säkerställer vi ett mer transparent, rättvist och i slutändan ett enastående sätt att prissätta.

Från användarloggar#

Vanligtvis beräknas DAU och MAU direkt från användarloggar. Men när dessa loggar staplas på varandra blir processen ineffektiv och presenterar utmaningar som dataskalning och loggförvaring. Inte att nämna, att behålla användarloggar för alltid är inte praktiskt på grund av integritets och säkerhetsregler.

Ett annat tillvägagångssätt: skapa en DAU-tabell#

Det är därför vi kom på konceptet med en DAU-tabell. Denna tabell inkluderar främst två kolumner - user_id och date. date kan ställas in till början av en dag.

Vi har två sätt att hålla denna tabell uppdaterad. Det första är ett dagligt automatiserat jobb som sållar genom användarloggar från föregående dag. Det andra triggar en uppdatering när en användaraktivitet äger rum.

När vi stöter på ett unikt user_id, lägger vi till en ny post i DAU-tabellen, vilket inkluderar user_id och date. Detta görs med hjälp av en SQL "upsert"-operation som kräver en unik nyckel av user_id och date.

Som ett resultat blir spårning av DAU och MAU bara en fråga om att räkna rader i tabellen. Och den månatliga engagemangsgraden kan beräknas genom att kombinera group by och count.

Resultat och fördelar#

DAU-tabellen, som egentligen är en kondenserad version av användarloggar, har dramatiskt förenklat vår DAU- och MAU-beräkningsprocess. Den gjorde inte bara användarengagemangsspårning mycket enklare, utan den minskade också belastningen på vårt system avsevärt.

Slutsats#

I vår strävan att optimera DAU- och MAU-beräkningar har vi alltid lagt stor vikt vid användarintegritet och juridisk efterlevnad. Vi har byggt vår strategi kring att säkerställa att DAU-tabellen inte skulle lagra känslig användarinformation. Istället lagrar vi bara anonyma identifierare (den hashede värdet av det normala user_id) och aktivitetsdatum, strikt i enlighet med alla relevanta dataskyddsförordningar.

Vi skulle starkt rekommendera detta integritetsorienterade tillvägagångssätt till andra i den digitala tjänsteindustrin. Oavsett skalan eller volymen av användardata, bör integritet alltid ha högsta prioritet.

I slutändan behöver dataspårning inte vara komplicerad, även för högtrafikwebbapplikationer. En stabil och effektiv strategi som vår kan göra spårningen av viktiga användarengagemangsmått till en enkel uppgift.

Vi hoppas att dela vår erfarenhet kan inspirera andra digitala plattformar och ge idéer om hur man utvecklar innovativa lösningar för effektiv och effektiv dataspårning.