Mobil tətbiqlərdə Retention Rate: bu nədir, saxlama növləri və necə hesablanır

Mobil tətbiqlərdə Retention Rate nədir?

Retention Rate (RR) — ilk ziyarətdən sonra müəyyən vaxt keçdikdə tətbiqə qayıdan istifadəçilərin payını göstərən metrika. MAU və ya DAU-dan fərqli olaraq, aktiv istifadəçilərin mütləq sayını ölçən, Retention Rate auditoriyanın keyfiyyətini ölçür: məhsulun istifadəçiləri zamanla nə dərəcədə saxlaya bilməsi. Yüksək Retention Rate — product-market fit göstəricisi və davamlı artımın açarıdır.

Niyə Retention Rate quraşdırmalardan daha vacibdir

Bir çox startaplar saxlamağı göz ardı edərək quraşdırmaların artımına fokuslanır. Nəticə: tonlarla yükləmə, sıfır aktivlik. Retention Rate məhsulun istifadəçi üçün real dəyərini göstərir. İlk həftədən sonra istifadəçilərin 10%-dən azı qalırsa, məhsul auditoriyanın problemini həll etmir. Andrew Chen-in (keçmiş a16z partnyoru) məlumatlarına görə, Day 7 retention > 30% olan startapların uğurlu Series A raundu keçmə şansı 3 dəfə çoxdur.

Retention Rate və Lifetime Value

LTV (Lifetime Value) birbaşa Retention Rate-dən asılıdır. İstifadəçi məhsulda nə qədər uzun qalarsa, bir o qədər çox ödəyir və ya reklam gəliri gətirir. Formula: LTV = ARPU * Average Lifespan. Retention artımı hesabına Average Lifespan-ı artırmaq — CAC-ni artırmadan LTV-ni yüksəltməyin ən təsirli yoludur. Localytics məlumatlarına görə, retention-un 5% artması mobil oyunlarda LTV-ni 30-50%, e-commerce-də isə 25-40% artırır.

Retention Rate növləri: Day 1, Day 7, Day 30

Üç əsas vaxt ölçüm nöqtəsi sənaye standartını formalaşdırıb: Day 1, Day 7 və Day 30. Onların hər biri istifadəçi davranışı haqqında öz sualına cavab verir və komandanın diqqətini tələb edən məhsulun müxtəlif aspektlərinə işarə edir. Əlavə olaraq Unbounded Retention ayırd edilir — N-dən sonra istənilən gündə qayıdış, mütləq N-ci gündə deyil.

Day 1 Retention: ilk təəssürat

Day 1 retention — istifadəçinin quraşdırmadan sonrakı gün qayıdıb-qayıtmadığı. Bu ən kritik göstəricidir: tətbiq ilk gündə cəlb etməyibsə, istifadəçinin qayıtma şansı kəskin şəkildə azalır. Norma mobil tətbiqlər üçün — 25-40%. 20%-dən aşağı dəyərlər onbording, uzun yükləmə və ya reklamların yaratdığı gözləntilərə uyğunsuzluq problemlərini göstərir. İlk 24 saat vərdiş formalaşdırmaq üçün fürsət pəncərəsidir.

Day 7 Retention: vərdişin formalaşması

Day 7 retention məhsulun istifadəçinin həftəlik ritualına daxil olub-olmadığını göstərir. İstifadəçi bir həftədən sonra qayıdırsa, məhsul onun müntəzəm davranışının bir hissəsinə çevrilir. Median Day 7 retention — social media üçün 15-25%, e-commerce üçün 10-15%. Day 7 — retention-un sabitləşdiyi nöqtədir. Day 7-nin Day 1-ə nisbətən düşməsi qayıtmağa həvəsləndirməyən zəif „çəngəl" (habit hook) olduğunu göstərir.

Day 30 Retention: uzunmüddətli dəyər

Day 30 retention — məhsulun uzunmüddətli dəyərinin göstəricisi. Kateqoriyadan asılı olaraq median — 5-15%. Day 30 retention 20%-dən yuxarı olarsa, məhsul müstəsna saxlama nümayiş etdirir. Day 30 LTV-nin hesablanması üçün kritikdir: 30-cu günə çatan istifadəçilər yüksək ehtimalla 90+ gün qalacaq. Bu metrika gəlir proqnozlaşdırılması və cəlb etmə büdcələrinin planlaşdırılması üçün əsasdır.

Retention Rate necə hesablanır?

Retention Rate-in hesablanması iki əsas metodla aparılır: klassik kohort cədvəli və bucket metodu (diskret qayıdış). Metodun seçimi məhsulun biznes məntiqindən asılıdır. Klassik kohort „neçə istifadəçi məhz N-ci gündə qayıtdı" sualına cavab verir, bucket metodu isə „neçə istifadəçi N-dən sonra istənilən gündə qayıtdı". Əksər məhsul komandaları üçün hər iki metod oxşar mənzərə verir, lakin bucket metodu daha yumşaq hesab olunur.

Kohort analizi: klassik yanaşma

Müəyyən dövr ərzində (məsələn, bir həftə) bütün yeni istifadəçiləri toplayın — bu kohortdur. Sonra quraşdırmadan sonra hər gün üçün bu kohortdan neçə istifadəçinin hədəf hərəkəti etdiyini hesablayın. Nümunə: 26 yanvar 1000 quraşdırmadan 250-si 27 yanvarda qayıtdı — Day 1 retention = 25%. Kohort cədvəlləri retention dinamikasını buraxılış həftələri üzrə izləməyə və məhsul dəyişikliklərinin təsirini müəyyən etməyə imkan verir.

Bucket metodu (diskret qayıdış)

Bucket retention istifadəçini verilmiş həddən sonra istənilən gündə qayıtdıqda „saxlanılmış" hesab edir. Məsələn, Day 7 bucket: istifadəçi quraşdırmadan sonra 7-13 günlərdə qayıtdımı? Bu metod klassikdən daha yüksək dəyərlər verir və qeyri-müntəzəm istifadə nümunəsi olan tətbiqlər üçün daha uyğundur. Əksər analitik platformalar (Amplitude, Mixpanel) standart olaraq bucket metodundan istifadə edir.

-- Klassik kohort retention Day 1
WITH first_visit AS (
    SELECT user_id, MIN(event_date) AS first_day
    FROM user_events
    GROUP BY user_id
)
SELECT
    COUNT(DISTINCT fv.user_id) AS cohort_size,
    COUNT(DISTINCT e.user_id) AS returned_day1,
    ROUND(COUNT(DISTINCT e.user_id) * 100.0 / COUNT(DISTINCT fv.user_id), 1) AS retention_day1
FROM first_visit fv
LEFT JOIN user_events e
    ON fv.user_id = e.user_id
    AND e.event_date = fv.first_day + INTERVAL '1 day'
WHERE fv.first_day >= CURRENT_DATE - INTERVAL '30 days';

Retention Rate hesablanmasında ümumi səhvlər

Birinci səhv — retention-u quraşdırma günündən hesablamaq, ilk aktivlik günündən yox. İstifadəçi tətbiqi quraşdırıb, ancaq yalnız 3 gün sonra açıbsa, Day 1 retention düzgün olmayacaq. İkinci səhv — silmələri nəzərə almamaq: tətbiqi silən istifadəçilər qayıda bilməz, lakin məxrəcdə qalmalıdırlar. Üçüncü — müxtəlif dövrlü kohortları qarışdırmaq: yanvar və fevral istifadəçilərinin retention-u yalnız eyni metodologiya ilə müqayisə edilə bilər.

import pandas as pd

def cohort_retention(df):
    # Hər bir istifadəçi üçün ilk günü müəyyən edirik
    first = df.groupby('user_id')['event_date'].min().reset_index()
    first.columns = ['user_id', 'first_day']
    # Birləşdiririk və günlər fərqini hesablayırıq
    merged = df.merge(first, on='user_id')
    merged['day'] = (merged['event_date'] - merged['first_day']).dt.days
    # Xülasə retention cədvəli
    cohort = merged.groupby(['first_day', 'day'])['user_id'].nunique()
    cohort = cohort.unstack(level='day')
    return cohort.div(cohort[0], axis=0)

Kateqoriyalar üzrə Retention Rate normaları

Retention Rate normaları tətbiq kateqoriyasından, istifadə tezliyindən və qarşılıqlı əlaqə dövründən asılı olaraq dəyişir. Social media tətbiqləri gündəlik istifadə nümunəsi sayəsində ən yüksək saxlama göstəricilərini nümayiş etdirir. Alət tətbiqləri (kalkulyatorlar, fənərlər) — ən aşağı: istifadəçi tapşırığı həll edir və bir daha qayıtmır.

Kateqoriyalar üzrə Retention Rate benchmarkları

Statista Mobile Benchmarks 2025 hesabatına görə, Day 1 retention medianları: Social Media — 42%, Gaming — 30%, Fintech — 28%, E-commerce — 22%, Health & Fitness — 20%. Day 7 retention: Social Media — 25%, Gaming — 15%, Fintech — 18%, E-commerce — 10%, Health & Fitness — 12%. Day 30 retention: Social Media — 15%, Gaming — 5%, Fintech — 10%, E-commerce — 5%, Health & Fitness — 7%.

Retention Rate-ə təsir edən amillər

Onbordingin keyfiyyəti — ilk və ən vacib amil. İstifadəçi məhsulun dəyərini ilk 3-5 dəqiqədə başa düşməlidir. Push bildirişləri — ikinci amil: düzgün bildirişlər Day 7 retention-u 15-30% artırır. Üçüncü amil — performans: 3 saniyədən uzun yüklənən tətbiq artıq Day 1-də istifadəçilərin 30%-ni itirir. Dördüncü — reklam və ya mağazaların yaratdığı gözləntilərə uyğunluq.

Mobil tətbiqdə Retention Rate-i necə yaxşılaşdırmaq olar?

Retention Rate-in yaxşılaşdırılması — məhsulda, onbordingdə və istifadəçi ilə kommunikasiyada dəyişiklik tələb edən sistemli işdir. Baxaq mobil komandalara istifadəçi saxlamağı həyat dövrünün bütün mərhələlərində artırmağa kömək edən sınaqdan keçmiş strategiyalara.

Onbordingin optimallaşdırılması: ilk 3 dəqiqə

Onbording funksiyalar siyahısını deyil, məhsulun dəyərini göstərməlidir. Tədqiqatlar göstərir ki, istifadəçilər 3-4 ekrandan çox onbording keçmir. Ən yaxşı təcrübə — interaktiv onbording: istifadəçiyə dərhal əsas hərəkəti etməyə imkan vermək (məsələn, ilk layihəni yaratmaq). İnteraktiv onbordingi olan tətbiqlər passiv təlimat ekranları olanlardan 20-30% daha yüksək Day 1 retention göstərir.

Fərdiləşdirmə və tövsiyələr

Məzmunun fərdiləşdirilməsi istifadəçi davranışı əsasında — retention-u artırmağın ən təsirli yollarından biridir. Netflix, Spotify və TikTok öz məhsullarını fərdiləşdirmə üzərində qurublar. Mobil tətbiqlər üçün bu o demək ola bilər: baxışlara əsasən məhsul tövsiyəsi, fərdiləşdirilmiş məzmun lentivə ya istifadəçi hərəkətlərinə əsasən funksiyalar seçimi. Fərdiləşdirmə Day 7 retention-u orta hesabla 15-25% artırır.

Proqressiv cəlbetmə mexanikaları

Streaks (seriyalar), nişan sistemləri və gedişat çubuqları qayıtma vərdişi yaradır. Duolingo streaks-dən əsas retention sürücüsü kimi istifadə edir: istifadəçilər çoxgünlük seriyanı itirmək istəmir. Vacibdir: mexanika tətbiqin core loop-u ilə əlaqəli olmalıdır, süni deyil. Fitnes tətbiqləri üçün streaks əla işləyir, bank tətbiqləri üçün isə müdaxilə kimi görünə bilər.

-- Kategoriyada mediandan yüksək retention Day 7 olan istifadəçilər
WITH user_retention AS (
    SELECT user_id,
        ROUND(COUNT(DISTINCT CASE
            WHEN event_date >= first_day + 7
            AND event_date < first_day + 14
            THEN 1 END) * 100.0 / 1, 1) AS retention_day7
    FROM user_events
    GROUP BY user_id
)
SELECT COUNT(*) AS high_retention_users
FROM user_retention
WHERE retention_day7 > 30;