DAU, WAU, MAU (활성 사용자) 뜻과 계산

🤔 같은 서비스의 DAU가 보고서마다 다를 때

주간 보고서에는 DAU 4만이라고 적혀 있는데 같은 날짜의 개발팀 대시보드에는 1만 2천이 떠 있는 때가 있습니다. 한쪽은 앱 실행, 다른 쪽은 콘텐츠 조회를 활성으로 정의했을 수도 있습니다. 하지만 그 이유라고 미리 확정하지 말고 날짜와 수집 범위 및 계산 오류도 확인합니다.

첫 단계는 누구를 활성으로 볼지 정하는 일입니다. 같은 서비스라도 조건과 식별 방식이 다르면 숫자가 달라지므로 정의를 먼저 적습니다.

🔑 DAU, WAU, MAU의 정의

DAU, WAU, MAU는 정한 기간에 활성 조건을 충족한 사용자를 중복 제거해 집계한 수입니다. AU는 Active Users, 즉 활성 사용자의 줄임말입니다.

도구와 보고서에 따라 기간이 다를 수 있습니다. 이 글의 월 계산 예시는 같은 30일 구간을 기준으로 합니다. 웹과 앱 행동을 분석하는 GA4(Google Analytics 4)의 사용자 유지 비율 안내는 최근 24시간, 7일과 30일을 사용하므로 보고서의 정의를 확인합니다.

같은 식별자로 하루에 다섯 번 활동해도 그날 DAU에는 1로 들어갑니다. 실제 사람을 완벽히 알아보는 수치는 아닙니다. 계정이나 기기 등 무엇으로 같은 사용자를 구분했는지 적어야 합니다.

다운로드 수와 신규 사용자 수, 활성 사용자 수는 같은 값이 아닙니다. 같은 사람도 재설치나 식별자 초기화로 새 사용자처럼 관찰될 수 있습니다.

📚 활성을 무엇으로 볼지, 서점 문에서 세는 손님 수

서점 주인이 하루 손님 수를 적는다고 해 보겠습니다. 문을 열고 들어온 사람을 세면 숫자가 가장 크고, 책장 앞에서 책을 펼쳐 본 사람만 세면 수가 줄 수 있고, 책을 사서 나간 사람만 세면 더 줄어듭니다. 셋 다 그날의 손님 수인데 알려 주는 내용이 서로 다릅니다.

앱의 DAU도 문을 어디에 두느냐의 문제입니다. 앱을 연 순간을 문으로 잡을지, 콘텐츠를 한 번이라도 연 순간을 문으로 잡을지, 핵심 행동을 끝낸 순간을 문으로 잡을지에 따라 오늘 숫자가 달라집니다. 문의 위치를 적어 두지 않은 손님 수는 옆 가게 장부와 나란히 놓아도 비교가 되지 않습니다.

🧩 활성의 기준에 따라 달라지는 DAU

활성 조건에 따라 같은 서비스의 DAU가 달라집니다. 가상의 콘텐츠 앱에서 같은 날 기록을 세 가지 기준으로 집계하면 아래와 같습니다.

가상 데이터이고 하루 기준입니다. 같은 날 같은 앱인데 6,300과 42,000이 모두 DAU라는 이름을 달고 있습니다. 셋 가운데 어느 쪽이 옳은 정의라고 정해져 있지는 않고, 그 숫자로 무엇을 판단할지에 따라 고릅니다.

• 앱 실행: 앱을 연 사용자 규모를 볼 때 씁니다. 서버 부하는 동시 접속과 요청량을, 푸시 도달은 알림 권한과 전송 결과를 별도로 확인합니다
• 콘텐츠 조회: 만들어 둔 콘텐츠가 실제로 소비되고 있는지를 볼 때 쓰는 기준입니다
• 핵심 행동 완료: 목표 행동을 마쳤는지 확인합니다. 행동 기록만으로 만족까지 입증되는 것은 아닙니다

문제는 세 가지 숫자가 같은 이름을 달고 회의에 올라올 때 생깁니다. 정의를 적어 두지 않은 DAU 숫자는 다른 곳과 비교할 수 없습니다. 지난 분기 자료와 견주려 해도, 다른 서비스가 공개한 숫자와 나란히 놓으려 해도 기준이 같은지 확인할 방법이 없어서 그렇습니다.

그래서 활성의 정의는 지표 이름 옆에 한 줄로 붙여 둡니다. DAU(콘텐츠 1회 이상 조회, 로그인 계정 기준)처럼 조건과 집계 단위를 함께 적습니다. 재현하려면 날짜와 시간대, 수집 범위 및 원자료도 보존돼 있어야 합니다. 활성 사용자를 KPI로 걸어 둔 팀이라면 이 한 줄이 목표값보다 먼저 정해져야 합니다.

🔢 중복 제거와 MAU 집계 기준

아래에서는 사람마다 하나의 식별자가 있고 모두 같은 활성 조건을 충족했다고 가정합니다. 같은 사람이 하루에 여러 번 나타나도 한 번만 집계합니다. 사흘치 가상 기록으로 보겠습니다.

DAU를 더하면 3 더하기 2 더하기 2로 7입니다. 그런데 사흘 동안 다녀간 사람은 가, 나, 다, 라 네 명이므로 사흘치 활성 사용자는 7이 아니라 4가 됩니다.

30일로 늘려도 계산 방식은 그대로입니다. 이 예제의 MAU는 같은 30일의 활성 사용자를 중복 제거한 수이며 DAU를 더한 값이 아닙니다. 같은 활성 조건과 식별 기준으로 전체 기간을 빠짐없이 집계하면 DAU 합계는 그 기간 MAU 이상입니다. 활동한 날짜가 여러 날인 사용자가 있으면 합계에서 중복됩니다.

집계 단위도 정의의 한 부분입니다. 한 사람이 스마트폰과 태블릿에서 같은 계정으로 앱을 열었다면 기기 기준으로는 2, 계정 기준으로는 1입니다. 반대로 두 사람이 계정을 공유하면 계정 수는 실제 사람 수보다 작을 수 있습니다. 로그인하지 않고 쓰는 사람이 많은 서비스는 계정 기준으로 묶이지 않는 방문이 생기므로, 어느 쪽으로 집계했는지를 숫자 옆에 적어 둡니다.

본문 내용을 시각화한 학습용 도식입니다. 실제 서비스 화면이 아닙니다. 본문의 사흘 가상 기록입니다. 사흘 활성 사용자 수를 MAU로 부르지 않으며 MAU도 정한 월 범위의 중복을 제거해 집계합니다.

📐 스티키니스(DAU/MAU) 계산과 읽는 법

스티키니스(stickiness)는 더 짧은 기간의 활성 사용자 수를 더 긴 기간의 수로 나눠 사용 빈도를 살펴보는 비율입니다. 이 글에서는 DAU/MAU로 계산합니다. 짧은 기간이 긴 기간 안에 포함되고 활성 조건과 식별 기준이 같아야 합니다.

MAU 80,000, 오늘 DAU 12,000이라면 15%입니다. 정한 월 구간의 활성 사용자 가운데 오늘도 활동한 비율입니다. 오늘 한 번의 비율만으로 월평균 사용일을 계산할 수는 없습니다.

같은 고정 30일의 DAU를 모두 더하고 그 기간의 MAU로 나누면 사용자당 평균 활성일을 계산할 수 있습니다. 하루별 중복은 제거하고 날짜가 다른 활동은 각각 하루로 집계합니다.

예를 들어 30일 DAU 합계가 360,000이고 같은 기간 MAU가 80,000이라면 평균 4.5일입니다. 이는 전체 30일 자료가 있을 때의 계산입니다. 오늘 DAU가 12,000이라는 정보만으로 이 합계를 가정하지 않습니다.

비율 변화만으로 같은 사람이 더 자주 왔다고 단정하지도 않습니다. 분자와 분모가 각각 어떻게 변했는지 확인합니다. 서비스가 매일 필요한지, 특정 계절이나 행사 때 필요한지에 따라 적절한 비교 기간도 다릅니다. 메신저와 연말정산 서비스를 같은 목표값으로 평가하지 않습니다.

지난 기간과 비교할 때도 정의와 계절 조건을 맞춥니다. 다른 회사의 수치를 참고하려면 활성 조건, 기간, 식별 방식과 조사 대상을 확인합니다. MAU가 0이면 비율을 나눠 계산하지 않고 계산 불가로 적습니다.

📉 DAU 증가만으로 알 수 없는 것

활성 사용자 수가 늘었다고 비용과 매출 또는 유지 상태까지 좋아졌다고 결론내리지는 않습니다. 아래는 각 월의 지정한 하루에 관찰한 가상 기록입니다. 그날 활성 사용자를 서비스에서 처음 관찰한 활동일인 신규와 그 전에 활동한 적 있는 기존으로 겹치지 않게 나눴습니다.

세 관찰일의 DAU는 늘었지만 기존 활성 사용자 수는 줄었습니다. 신규가 모두 광고로 왔는지, 기존 사용자가 실제 이탈했는지, 월 전체 추이도 같은지는 알 수 없습니다. 광고를 중단하면 곧바로 DAU가 4,000이 된다고 예측할 수도 없습니다.

유입 경로와 비용, 요일 및 집계 기록을 더 확인합니다. 같은 시점에 들어온 집단이 다시 활동했는지는 리텐션과 코호트 분석으로 살펴볼 수 있습니다. DAU 전체의 증가와 기존 집단의 유지는 서로 다른 질문입니다.

⚠️ 자주 하는 실수

• MAU를 DAU 합계로 계산하기: 하루하루의 DAU를 30일 더해 MAU라고 적으면 자주 들어오는 사람이 여러 번 집계됩니다. 순 사용자로 다시 뽑아야 맞는 값이 나옵니다
• 기기 기준과 계정 기준을 섞기: 지난달은 기기 기준, 이번 달은 계정 기준으로 뽑으면 아무 일이 없었는데도 서비스가 나빠진 것처럼 보입니다. 집계 단위를 바꾸면 가능한 겹치는 기간의 두 값을 함께 기록하고 변경일을 표시합니다.
• 정의를 바꾸고 전후를 비교하기: 조건을 좁힌 뒤의 하락을 곧바로 사용자 이탈로 해석하지 않습니다. 원자료가 있으면 과거를 새 기준으로 다시 계산하고, 없으면 변경 전후 수치를 그대로 비교하지 않습니다.

❓ 자주 묻는 질문

DAU와 MAU 가운데 무엇을 주 지표로 잡나요?

서비스를 쓰는 목적과 주기에 맞춥니다. 매일 쓰는 서비스도 특정 하루의 변화만으로 문제를 확정하지 않습니다. 요일과 휴일 및 수집 오류를 보고 필요하면 주간이나 월간 추이도 함께 확인합니다.

MAU가 오늘 DAU의 30배면 문제가 있나요?

오늘 비율은 약 3.33%이지만 이 값만으로 정상이나 비정상을 판정할 수는 없습니다. 두 기간과 집계 조건이 같은지, 오늘이 특별한 날인지, 서비스의 이용 주기가 어떤지 확인합니다. 이 비율은 오늘 자료이며 곧바로 월평균 사용일을 뜻하지 않습니다.

활성 기준을 바꾸려면 무엇이 필요한가요?

새 정의와 적용 날짜를 기록합니다. 필요한 과거 이벤트가 남아 있으면 같은 기준으로 다시 집계합니다. 원자료가 없으면 과거를 만들어 내지 않고 겹치는 기간부터 두 정의를 나란히 관찰합니다.

GA4의 활성 사용자와 우리 숫자가 다르면 어느 쪽이 맞나요?

GA4는 참여 세션이나 플랫폼별 이벤트 등 자체 조건으로 활성 사용자를 계산합니다. 내부에서 정한 ‘독서 기록 저장’ 사용자 수와 같지 않을 수 있습니다. 날짜와 식별 기준 및 수집 범위까지 비교한 뒤 각각 무엇을 뜻하는지 적습니다.

📝 사흘의 활동 기록에서 중복 지우기

메모장에 1일 가, 나, 다 / 2일 가, 가, 라 / 3일 나, 라를 적습니다. 기호는 가상의 서로 다른 사람이고 모두 독서 기록을 한 번 이상 저장한 경우입니다. 하루 안의 같은 이름은 지우되 날짜가 다르면 그날의 활동으로 남깁니다.

DAU는 차례로 3, 2, 2입니다. 합계는 7이지만 사흘 전체의 서로 다른 사람은 가, 나, 다, 라로 4명입니다. 따라서 사용자당 평균 활성일은 7 ÷ 4 = 1.75일입니다. 사흘 자료이므로 MAU라고 부르지는 않습니다.

이번에는 3일에 가도 활동했다고 바꿉니다. 마지막 날 DAU는 3, 사흘 합계는 8, 사흘 사용자 수는 그대로 4입니다. 평균 활성일은 2일이 됩니다. 사용자 수가 5로 나왔다면 가를 기간 전체에서 중복 집계했는지 확인합니다.

📋 3줄 요약

1. DAU, WAU, MAU는 활성 조건과 기간 및 사용자 식별 기준을 정하고 중복 제거해 계산합니다.

2. 같은 기간의 MAU는 DAU 합계가 아니며 계정이나 기기 수를 실제 사람 수와 구분합니다.

3. 특정 하루의 DAU/MAU만으로 월평균 활성일이나 증가 원인을 단정하지 않고 전체 기간 기록을 확인합니다.

참고 자료

• GA4 사용자 지표의 정의
• GA4 사용자 유지 비율과 기간

공식 문서 확인: 2026년 10월 3일. 사용자 목록과 수치는 가상 예제입니다.