同一款App，两个团队报出的日活相差23%。2023年某工具类产品内部复盘，市场部口径DAU 480万，数据部口径390万。差异不在数据源，在统计算法。以下6种口径问题最常见。
口径一：去重窗口。按设备ID去重、按账号去重、按「设备+账号」去重，结果不同。某社交App中，一台设备平均关联1.3个账号，按设备算DAU比按账号高18%。跨端用户（手机+平板）若按设备算会被计两次，需用统一ID映射。建议：主口径用账号，辅口径用设备，报表中标注清楚。
口径二：活跃定义。打开即算、停留超3秒算、有交互（点击/滑动）算，三者差距可达15-20%。某新闻App实测：打开即算DAU 520万，停留>3秒为470万，有交互为410万。对外披露用哪个口径要固定，切换口径必须重述历史数据，否则趋势图会出现假的「增长拐点」。
口径三：时区与自然日。服务器按UTC切日，用户按本地时区。某出海产品东南亚用户晚23点-次日1点活跃占比21%，UTC切日把这批人拆到两天，导致单日DAU被摊薄约8%。解决：按用户注册地时区切日，或统一用UTC但在报表注明。
口径四：机器人流量。2022年某电商大促期间，爬虫与比价工具贡献了约6%的「活跃」。识别方法：1）单设备日请求>500次；2）无点击仅刷新；3）UA异常。清洗后DAU下降5.8%，但人均时长反而上升，说明真实用户质量更高。
口径五：预装与激活。手机预装应用开机自启算不算活跃？某厂商渠道预装带来的「活跃」中，37%从未有过任何交互。行业惯例是激活后7天内有一次主动打开才计入，但部分渠道报表未剔除。对比：含预装的DAU比剔除后高23%，正好对上开头那个差异。
口径六：重复上报。SDK重试机制导致同一事件上报2-3次，若按事件数统计会虚高。某游戏后台日志显示，弱网环境下重复率约4.2%。对策：事件带唯一ID，入库前去重。
概率上，抽样统计也有坑。某团队用1%日志抽样估算DAU，置信区间95%下误差约±4.5%，但报表直接用了点估计，月度环比出现「假波动」。样本量n与误差关系：n=1万时相对误差约1%，n=1000时约3.2%。日报用全量、周报可抽样但要标误差范围。
落地建议：建立指标字典，每个指标写清去重键、活跃定义、时区、清洗规则、更新频率五要素；每次口径变更走评审并回刷历史30天数据做对比。某公司执行后，跨部门DAU口径争议从每月5-6次降到0-1次。
