android - 应该使用平均 Firebase 活跃用户指标(DAU、WAU、MAU)吗？

Question

我试图了解是否最好按月报告当前 Firebase“Activity ”用户指标报告(查看下方图表)，还是自行计算并报告 平均 特定时期内每个指标的值。



乍一看，仪表板显示了 2018 年 12 月的 1 天、7 天和 28 天活跃用户，但实际上它仅显示所选日期范围值的最后一天(在对)。很高兴知道这一点，但在我的逐月分析中只比较最后一个日期的值有点误导。另一种方法是自行计算 平均 在选定的时间段内:



应用于 Firebase Demo 数据集，我得到以下数字:

Firebase 仪表板:

28天活跃用户:8661

7天活跃用户:3874

1天活跃用户:1111

我的计算平均值:

28天活跃用户:8762

7天活跃用户:3663

1天活跃用户:1112

这里的增量差异很小，但我发现我们的应用程序有一些显着差异，每月有数百万活跃用户。

问题:

如果您目前正在使用 Firebase，您如何报告它？

您是复制并粘贴所选期间的最后一天并报告一个月，还是您还对每个 1/7/28 天指标求平均值以更好地表示该月？

如果你平均你的指标，你能解释一下为什么吗？

Answer 1

为了回答这个问题，我想先回顾一下谷歌的适用定义，然后再进行计算(上次回顾:2021 年 7 月)。

谷歌给了我们以下定义:
GA4 - Automatically collected events

session_start (app, web) - 当用户使用应用程序或网站时

user_engagement (app, web) - 定期，当应用程序在前台或网页处于焦点时
使用参数:engage_time_msec

GA4 - How the number of sessions is calculated

Sessions :在您的网站或应用程序上开始的 session 数(触发 session_start 事件)。

App session timeout duration :当应用程序移至后台时，应用程序 session 开始超时，但您可以选择通过在应用程序处于后台时发送的事件包含extend_session 参数(值为1)来扩展该 session 。如果您的应用程序经常在后台使用(例如导航和音乐应用程序)，这将非常有用。通过 setSessionTimeoutDuration 更改应用程序 session 的默认超时 30 分钟。方法。

Engaged sessions :持续 10 秒或更长时间，或具有 1 个或更多转化事件或 2 个或更多页面浏览量的 session 数。

GA4 Dashboard

Monthly (28-day), Weekly (7-day), and Daily (1-day) Active Users日期范围，包括与上一个日期范围相比的百分比波动。活跃用户在设备前台与应用程序互动，并记录了 user_engagement 事件。

Daily user engagement - 该日期范围内每位用户的平均每日参与度，包括与上一个日期范围相比的百分比波动。

我对定义的看法:
根据支持的 GA4/Firebase 文档，我(重新)总结了以下每个指标的定义。非常重要的一点是，在每个指标(给定选定的日期范围内)上只计算唯一身份用户，这一点非常重要。无需 UNNEST因为我们已经在 event_name 上查询了-level，不是例如 event_parameter -等级。

1天活跃用户: 1天唯一活跃用户已在设备前台使用应用程序 和 已登录 user_engagement过去 1 天内(给定选定日期范围)内的事件。

7天活跃用户:一个 7 天 唯一活跃用户已在设备前台使用应用程序 和 已登录 user_engagement过去 7 天内(给定所选日期范围)内的事件。

28天活跃用户:一个 28 天 唯一活跃用户已在设备前台使用应用程序 和 已登录 user_engagement过去 28 天内(给定选定日期范围)内的事件。

在下面的单元格中，您可以看到如何计算 12 月的指标:

计算每个指标/受众的方法:

使用以下方法计算特定月份的 DAU:Average 1-day active user metric .

使用以下方法计算特定月份的 WAU:Average 7-day active user metric .我通过对 12 月 7 日、14 日、21 日、28 日的快照进行平均来计算出这一点。

使用以下方法计算特定月份的 MAU:Non-averaged 28-day active user metric .不平均这个指标值的主要原因是，因为我只想拥有整个月的一个快照。如果我在这里使用平均值，我还会考虑上个月的活跃用户。

1.a) 平均 1 天唯一活跃用户指标

# StandardSQL
SELECT
  ROUND(AVG(users),0) AS users
FROM 
(
  SELECT
  event_date,
  COUNT(DISTINCT user_pseudo_id) AS users
FROM `<id>.events_*`
WHERE
  event_name = 'user_engagement'
  AND _TABLE_SUFFIX BETWEEN '20181201' AND '20181231'
  AND platform = "ANDROID"
GROUP BY 1
) table

# or you could also use code below, but you will have to add in the remaining days' code to query against the entire month. 

-- Set your variables here
WITH timeframe AS (SELECT DATE("2018-12-01") AS start_date, DATE("2018-12-31") AS end_date)

-- Query your variables here
SELECT ROUND(AVG(users),0) AS users
FROM
(
SELECT event_date, COUNT(DISTINCT user_pseudo_id) AS users
FROM `<id>.events_*`AS z, timeframe AS t
WHERE
  event_name = 'user_engagement'
  AND _TABLE_SUFFIX > FORMAT_DATE('%Y%m%d', DATE_ADD(t.end_date, INTERVAL - 1 DAY))
  AND _TABLE_SUFFIX <= FORMAT_DATE('%Y%m%d', DATE_ADD(t.end_date, INTERVAL 0 DAY))
  AND platform = "ANDROID"
GROUP BY 1

UNION ALL 

SELECT event_date, COUNT(DISTINCT user_pseudo_id) AS users
FROM `<id>.events_*`AS z, timeframe AS t
WHERE
  event_name = 'user_engagement'
  AND _TABLE_SUFFIX > FORMAT_DATE('%Y%m%d', DATE_ADD(t.end_date, INTERVAL - 2 DAY))
  AND _TABLE_SUFFIX <= FORMAT_DATE('%Y%m%d', DATE_ADD(t.end_date, INTERVAL - 1 DAY))
  AND platform = "ANDROID"
GROUP BY 1
... 
...
...
...
) avg_1_day_active_users

1.b) 平均 1 天唯一活跃用户指标
更新的版本预定 daily到 BQ 目标表 daus_android_{run_time|"%Y%m%d"}有写偏好 WRITE_APPEND ，可能如下所示。我之前进行了深入研究，并确定将日内表事件传播到永久 BQ 表最多可能需要 48 小时(因此在查询中需要 3 天)。

with base AS (
    SELECT *
    FROM `<id>.analytics_<number>.events_*`
    WHERE (_TABLE_SUFFIX >= FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 3 DAY)) AND _TABLE_SUFFIX < FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 2 DAY)))
        AND platform = "ANDROID"
        AND event_name = 'user_engagement'
), app AS (
    SELECT
      FORMAT_DATE('%Y%m%d', @run_date) AS _currentdate,
      FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 3 DAY)) AS _begindate,
      FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 2 DAY)) AS _enddate,
      TIMESTAMP_DIFF(TIMESTAMP(DATE_ADD(@run_date, INTERVAL - 2 DAY)), TIMESTAMP(DATE_ADD(@run_date, INTERVAL - 3 DAY)), HOUR) AS _hoursdiff,
      COUNT(DISTINCT user_pseudo_id) AS _uniqusers
    FROM base
    )
SELECT 
    app._currentdate,
    app._begindate,
    app._enddate,
    app._hoursdiff,
    app._uniqusers
FROM app;

1.c) 平均 1 天唯一活跃用户指标

WITH app as (
SELECT
  FORMAT_DATE('%Y%m%d', @run_date) AS _currentdate,
  FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 3 DAY)) AS _begindate,
  FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 2 DAY)) AS _enddate,
  TIMESTAMP_DIFF(TIMESTAMP(DATE_ADD(@run_date, INTERVAL - 2 DAY)), TIMESTAMP(DATE_ADD(@run_date, INTERVAL - 3 DAY)), HOUR) AS _hoursdiff,
  COUNT(DISTINCT user_pseudo_id) AS _uniqusers
FROM `<gcp-project>.analytics_<id>.events_*`
WHERE
  platform = "ANDROID"
  AND event_name = 'user_engagement'
  AND _TABLE_SUFFIX >= FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 3 DAY))
  AND _TABLE_SUFFIX < FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 2 DAY))
)

SELECT 
  app._currentdate,
  app._begindate,
  app._enddate,
  app._hoursdiff,
  app._uniqusers
FROM app

2.a) 平均 7 天唯一活跃用户指标

-- Set your variables here
WITH timeframe AS (SELECT DATE("2018-12-01") AS start_date, DATE("2018-12-31") AS end_date)

-- Query your variables here
SELECT ROUND(AVG(users),0) AS users
FROM
(
SELECT COUNT(DISTINCT user_pseudo_id) AS users
FROM `<id>.events_*`AS z, timeframe AS t
WHERE
  event_name = 'user_engagement'
  AND _TABLE_SUFFIX > FORMAT_DATE('%Y%m%d', DATE_ADD(t.end_date, INTERVAL - 7 DAY))
  AND _TABLE_SUFFIX <= FORMAT_DATE('%Y%m%d', DATE_ADD(t.end_date, INTERVAL 0 DAY))
  AND platform = "ANDROID"

UNION ALL

SELECT COUNT(DISTINCT user_pseudo_id) AS users
FROM `<id>.events_*`AS z, timeframe AS t
WHERE
  event_name = 'user_engagement'
  AND _TABLE_SUFFIX > FORMAT_DATE('%Y%m%d', DATE_ADD(t.end_date, INTERVAL - 14 DAY))
  AND _TABLE_SUFFIX <= FORMAT_DATE('%Y%m%d', DATE_ADD(t.end_date, INTERVAL - 7 DAY))
  AND platform = "ANDROID"
  
UNION ALL

SELECT COUNT(DISTINCT user_pseudo_id) AS users
FROM `<id>.events_*`AS z, timeframe AS t
WHERE
  event_name = 'user_engagement'
  AND _TABLE_SUFFIX > FORMAT_DATE('%Y%m%d', DATE_ADD(t.end_date, INTERVAL - 21 DAY))
  AND _TABLE_SUFFIX <= FORMAT_DATE('%Y%m%d', DATE_ADD(t.end_date, INTERVAL - 14 DAY))
  AND platform = "ANDROID"

UNION ALL

SELECT COUNT(DISTINCT user_pseudo_id) AS users
FROM `<id>.events_*`AS z, timeframe AS t
WHERE
  event_name = 'user_engagement'
  AND _TABLE_SUFFIX > FORMAT_DATE('%Y%m%d', DATE_ADD(t.end_date, INTERVAL - 28 DAY))
  AND _TABLE_SUFFIX <= FORMAT_DATE('%Y%m%d', DATE_ADD(t.end_date, INTERVAL - 21 DAY))
  AND platform = "ANDROID"
) avg_7_day_active_users

2.b) 平均 7 天唯一活跃用户指标
更新的版本预定 daily到 BQ 目标表 waus_android_{run_time|"%Y%m%d"}有写偏好 WRITE_APPEND ，可能看起来像:

with base AS (
    SELECT *
    FROM `<id>.analytics_<number>.events_*`
    WHERE (_TABLE_SUFFIX >= FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 9 DAY)) AND _TABLE_SUFFIX < FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 2 DAY)))
        AND platform = "ANDROID"
        AND event_name = 'user_engagement'
), app AS (
    SELECT
      FORMAT_DATE('%Y%m%d', @run_date) AS _currentdate,
      FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 9 DAY)) AS _begindate,
      FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 2 DAY)) AS _enddate,
      TIMESTAMP_DIFF(TIMESTAMP(DATE_ADD(@run_date, INTERVAL - 2 DAY)), TIMESTAMP(DATE_ADD(@run_date, INTERVAL - 9 DAY)), HOUR) AS _hoursdiff,
      COUNT(DISTINCT user_pseudo_id) AS _uniqusers
    FROM base
    )
SELECT 
    app._currentdate,
    app._begindate,
    app._enddate,
    app._hoursdiff,
    app._uniqusers
FROM app;

3.a) 非平均 28 天唯一活跃用户指标

# StandardSQL
-- Set your variables here
WITH timeframe AS (SELECT DATE("2018-12-01") AS start_date, DATE("2018-12-31") AS end_date)

-- Query your variables here
SELECT COUNT(DISTINCT user_pseudo_id) AS users
FROM `<id>.events_*`AS z, timeframe AS t
WHERE
  event_name = 'user_engagement'
  AND _TABLE_SUFFIX > FORMAT_DATE('%Y%m%d', DATE_ADD(t.end_date, INTERVAL - 28 DAY))
  AND _TABLE_SUFFIX <= FORMAT_DATE('%Y%m%d', DATE_ADD(t.end_date, INTERVAL 0 DAY))
  AND platform = "ANDROID"

3.b) 非平均 28 天唯一活跃用户指标
更新的版本预定 daily到 BQ 目标表 maus_android_{run_time|"%Y%m%d"}有写偏好 WRITE_APPEND ，可能看起来像:

with base AS (
        SELECT *
        FROM `<id>.analytics_<number>.events_*`
        WHERE (_TABLE_SUFFIX >= FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 30 DAY)) AND _TABLE_SUFFIX < FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 2 DAY)))
            AND platform = "ANDROID"
            AND event_name = 'user_engagement'
    ), app AS (
        SELECT
            FORMAT_DATE('%Y%m%d', @run_date) AS _currentdate,
            FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 30 DAY)) AS _begindate,
            FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 2 DAY)) AS _enddate,
            TIMESTAMP_DIFF(TIMESTAMP(DATE_ADD(@run_date, INTERVAL - 2 DAY)), TIMESTAMP(DATE_ADD(@run_date, INTERVAL - 30 DAY)), HOUR) AS _hoursdiff,
            COUNT(DISTINCT user_pseudo_id) AS _uniqusers
        FROM base
        )
    SELECT 
        app._currentdate,
        app._begindate,
        app._enddate,
        app._hoursdiff,
        app._uniqusers
    FROM app;

附注:

我知道有些公司仍在计算 30 天内的 MAU。因此，您必须进行测试，看看什么最适合您的公司。

您可以自己计算DAU-to-MAU -ratio 或 WAU-to-MAU -ratio 从上述示例中确定您的应用程序的 stickiness

我对 MAU 计算的唯一问题是它尚未考虑每个月的开始日期。也许可以取平均 Day31 - 28days, Day30 - 28days, Day29 - 28days, Day28 - 28days ...

我找到了 Firebase 团队的样本 queries也有帮助，但它们的 Activity 指标仅在执行查询时处理 Activity 用户数(查看下面的示例):

SELECT
  COUNT(DISTINCT user_id)
FROM
  /* PLEASE REPLACE WITH YOUR TABLE NAME */
  `YOUR_TABLE.events_*`
WHERE
  event_name = 'user_engagement'
  /* Pick events in the last N = 20 days */
  AND event_timestamp > UNIX_MICROS(TIMESTAMP_SUB(CURRENT_TIMESTAMP, INTERVAL 20 DAY))
  /* PLEASE REPLACE WITH YOUR DESIRED DATE RANGE */
  AND _TABLE_SUFFIX BETWEEN '20180521' AND '20240131';

🥷 忍者小贴士 🥷
将您的团队/公司/产品的重点从 Vanity Metrics 转移至 Actionable Metrics ，考虑添加您的主要转化事件之一作为上述查询的一部分(例如 in_app_purchase 代表 e-commerce companies):

with base AS (
    SELECT *
    FROM `<id>.analytics_<number>.events_*`
    WHERE (_TABLE_SUFFIX >= FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 3 DAY)) AND _TABLE_SUFFIX < FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 2 DAY)))
        AND platform = "ANDROID"
        # AND event_name = 'user_engagement' 
        AND event_name = 'in_app_purchase'
), app AS (
    SELECT
      FORMAT_DATE('%Y%m%d', @run_date) AS _currentdate,
      FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 3 DAY)) AS _begindate,
      FORMAT_DATE('%Y%m%d', DATE_ADD(@run_date, INTERVAL - 2 DAY)) AS _enddate,
      TIMESTAMP_DIFF(TIMESTAMP(DATE_ADD(@run_date, INTERVAL - 2 DAY)), TIMESTAMP(DATE_ADD(@run_date, INTERVAL - 3 DAY)), HOUR) AS _hoursdiff,
      COUNT(DISTINCT user_pseudo_id) AS _uniqusers
    FROM base
    )
SELECT 
    app._currentdate,
    app._begindate,
    app._enddate,
    app._hoursdiff,
    app._uniqusers
FROM app;