Yoğun trafikli sitelerde DAU ve MAU'yu takip etmek zorlu bir görevdir. Bu makale, bu sorunu Logto'da nasıl çözdüğümüzü anlatmaktadır.
Bir kimlik sağlayıcı olarak, Logto'nun günlük olarak çok sayıda kullanıcı verisi işlediğini inkar edemeyiz. Gözden kaçıramayacağımız kritik ölçümlerden biri 'Günlük Aktif Kullanıcılar' (DAU) - kullanıcılarımızın ne kadar bağlı olduğunu hissetmemizi sağlar. Ancak DAU'leri ve Aylık Aktif Kullanıcıları (MAU) takip etme söz konusu olduğunda, işler karışık hale gelebilir. Kullanıcı deneyimini etkilemeden büyük veri miktarlarını yönetmek kolay değildir, ancak bunu verimli bir şekilde ele almayı öğrendik.
Bu okumada, size DAU ile ilgili kavramları anlatma ve DAU, MAU ve aylık katılım oranının nasıl hesaplanabileceğini açıklama şansını yakalayacağız.
DAU'lar, belirli bir günde platformunuzla etkileşime giren benzersiz kullanıcılardır. Bu etkileşimler her şey olabilir - sadece giriş yapmaktan, bir şeyi göndermek veya beğenmek veya aktiviteyi belirtmek için başka herhangi bir belirli eylem. DAU'leri takip etmek, kullanıcı katılımını günlük olarak ölçmemizi ve aktif kullanıcı tabanımızın büyüklüğüne dair bir hissiyat almamızı sağlar.
Diğer yandan MAU, platformunuzla bir ay içinde en az bir kez etkileşime giren benzersiz kullanıcıların bir göstergesidir. DAU'lar gibi, aktif kullanıcılar yalnızca giriş yapmış olanlardan, bir şekilde platformla etkileşime giren bir kişiye kadar uzanabilir.
Kullanıcıların bir ay içinde platformumuzla ne kadar sıklıkla etkileşime girdiğini anlamaya gelince, aylık katılım oranı (MER) adı verilen belirli bir ölçümde büyük değer buluyoruz. Bu, bizim için sadece bir sayı olmayıp, fiyatlandırma stratejimizi ağır şekilde etkileyen kritik bir unsurdur.
MER, bir kullanıcının etkileşim sıklığını, bir ay içinde platformumuzla giriş yapmış veya etkileşime girmiş benzersiz günlerin sayısını belirleyerek ortaya çıkarır. Bu bilgi sadece yararlı değil, bizim için önemli bir ayırıcıdır. Biz, kullanıcının bir ay içinde ziyaret etmiş olup olmadığına odaklanan tipik yaklaşımdan farklı olarak, 'ne kadar sık' anlamaya çabalıyoruz. Bu 'ne kadar sık' bizim kullanıcının platformla olan etkileşimlerinin derinliğini ölçmemize olanak sağlar ve kullanıcılarımıza daha fazla değer sunacak somut metrikler sunar.
Logto'da, MER kullanım bazlı fiyatlandırma stratejimizin önemli bir unsuru. Fiyatlandırmamızı MER'e odaklandığımızda, ücretlendirmelerimizin kullanıcının katılım düzeyiyle uyumlu olduğundan emin oluruz; katılımı bir metrik haline getirdiğimizi ve adil bir şekilde ölçebildiğimizi söyleyebiliriz. Başkaları belki aynı gün içerisinde yalnızca bir kez giriş yapan bir kullanıcıyı günlük bir kullanıcı olarak sayabilir, ancak biz bu durumu farklılaştırıyoruz, fiyatlandırma gerçek kullanıma ve sağlanan değere dayalıdır. Bu sayede, daha şeffaf, adil ve sonuçta, fiyatlandırma konusunda öne çıkan bir yaklaşım garanti ediyoruz.
Genellikle, DAU ve MAU, doğrudan kullanıcı günlüklerinden hesaplanır. Ancak bu günlükler yığıldıkça, süreç verimsiz hale gelir ve veri ölçeklendirme ve log tutma gibi zorluklar ortaya çıkar. Kullanıcı günlüklerinin kayıtlarını sonsuza dek saklamak da gizlilik ve güvenlik düzenlemeleri nedeniyle pratik değildir.
Bu yüzden bir DAU tablosu kavramı geliştirdik. Bu tablo genellikle iki sütun içerir - user_id ve date. date, bir günün başlangıcına ayarlanabilir.
Bu tabloyu güncel tutmanın iki yolu vardır. Ilkı, bir önceki günün kullanıcı günlüklerini inceleyen günlük otomatik bir işlem. İkincisi, bir kullanıcı etkinliği gerçekleştiğinde bir güncelleme tetikler.
Bir user_id'nin benzersiz olduğunu gördüğümüzde, yeni bir giriş ekleriz DAU tablosuna, bu user_id ve date içerir. Bu, user_id ve date'in benzersiz bir anahtarı gerektiren bir SQL "upsert" işlemi kullanılarak yapılır.
Sonuç olarak, DAU ve MAU'yu takip etmek, tablodaki satırları sayma meselesi haline gelir. Ve aylık katılım oranı hesaplaması, group by ve count'u birleştirerek yapılabilir.
DAU tablosu, aslında kullanıcı günlüklerinin yoğunlaştırılmış bir versiyonu, DAU ve MAU hesaplama sürecimizi büyük ölçüde basitleştirdi. Sadece kullanıcı katılımını takibi daha kolay hale getirmedi, aynı zamanda sistemimiz üzerindeki yükü de önemli ölçüde azalttı.
DAU ve MAU hesaplamalarını optimize etme yolculuğumuzda, her zaman kullanıcı gizliliğine ve yasal uyumluluğa büyük önem verdik. DAU tablosunun hassas kullanıcı bilgilerini saklamayacağından emin olmak için stratejimizi etrafında inşa ettik. Bunun yerine, sadece anonim kimlik bilgilerini (normal kullanıcı kimliğinin hashlenmiş değeri) ve etkinlik tarihlerini sakladık, tüm ilgili veri koruma düzenlemelerine sıkı bir şekilde uymaktayız.
Bu gizlilik odaklı yaklaşımı dijital hizmet sektöründeki diğer kişilere de şiddetle öneririz. Kullanıcı verisinin ölçeği veya hacmi ne olursa olsun, gizlilik her zaman en önemli önceliği almalıdır.
Sonuçta, veri takibi, yüksek trafikli web uygulamaları için bile karmaşık olmak zorunda değildir. Bizimki gibi stabil ve verimli bir strateji, hayati kullanıcı katılım metriklerini takip etmeyi kolaylaştırabilir.
Deneyimimizi paylaşmanın, diğer dijital platformlara ilham vereceğini ve etkili ve verimli veri takibi için yenilikçi çözümler geliştirme üzerine fikirler sağlayacağını umuyoruz.