Retention Rate v mobilních aplikacích: co to je, typy udržení a jak počítat

Co je Retention Rate v mobilních aplikacích?

Retention Rate (RR) — metrika ukazující, jaký podíl uživatelů se vrací do aplikace po určité době od první návštěvy. Na rozdíl od MAU nebo DAU, které měří absolutní počet aktivních uživatelů, Retention Rate měří kvalitu publika: jak dobře je produkt schopen udržet uživatele v čase. Vysoký Retention Rate je indikátorem product-market fit a klíčem k udržitelnému růstu.

Proč je Retention Rate důležitější než instalace

Mnoho startupů se zaměřuje na růst instalací, ignorujíce udržení. Výsledek: tuny stažení, nulová aktivita. Retention Rate ukazuje skutečnou hodnotu produktu pro uživatele. Pokud po prvním týdnu zůstane méně než 10 % uživatelů, produkt neřeší problém publika. Podle dat Andrewa Chena (bývalý partner a16z) mají startupy s Day 7 retention > 30 % třikrát větší šanci na úspěšné kolo Series A.

Retention Rate a Lifetime Value

LTV (Lifetime Value) přímo závisí na Retention Rate. Čím déle uživatel v produktu setrvává, tím více platí nebo přináší příjem z reklamy. Vzorec: LTV = ARPU * Average Lifespan. Zvýšení Average Lifespan prostřednictvím růstu retention je nejefektivnější způsob, jak zvýšit LTV bez navyšování CAC. Podle dat Localytics zvyšuje zvýšení retention o 5 % LTV v mobilních hrách o 30–50 %, v e-commerce o 25–40 %.

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

Tři hlavní časové body měření retention vytvořily průmyslový standard: Day 1, Day 7 a Day 30. Každý z nich odpovídá na svou otázku o chování uživatele a poukazuje na různé aspekty produktu vyžadující pozornost týmu. Dodatečně se rozlišuje Unbounded Retention — návrat v kterýkoli den po N, ne nutně přesně N-tý den.

Day 1 Retention: první dojem

Day 1 retention — zda se uživatel vrátil následující den po instalaci. To je nejkritičtější ukazatel: pokud aplikace uživatele nezaujala první den, šance na návrat drasticky klesá. Norma pro mobilní aplikace — 25–40 %. Hodnoty pod 20 % naznačují problémy s onboardingem, dlouhým načítáním nebo nesouladem s očekáváními vytvořenými reklamami. Prvních 24 hodin je okno příležitosti pro vytvoření návyku.

Day 7 Retention: vytváření návyku

Day 7 retention ukazuje, zda se produkt začlenil do týdenního rituálu uživatele. Pokud se uživatel vrací po týdnu, produkt se stává součástí jeho pravidelného chování. Medián Day 7 retention — 15–25 % pro social media a 10–15 % pro e-commerce. Day 7 je bod, po kterém se retention stabilizuje. Pokles Day 7 oproti Day 1 naznačuje slabý „háček" (habit hook), který nemotivuje k návratu.

Day 30 Retention: dlouhodobá hodnota

Day 30 retention — ukazatel dlouhodobé hodnoty produktu. Medián — 5–15 % v závislosti na kategorii. Pokud Day 30 retention přesahuje 20 %, produkt vykazuje výjimečné udržení. Day 30 je klíčový pro výpočet LTV: uživatelé, kteří se dostali do 30. dne, s vysokou pravděpodobností zůstanou 90+ dní. Tato metrika je základem pro prognózování příjmů a plánování rozpočtů na akvizici.

Jak se vypočítává Retention Rate?

Výpočet Retention Rate se provádí dvěma hlavními metodami: klasická kohortová tabulka a metoda bucket (diskrétní návrat). Volba metody závisí na obchodní logice produktu. Klasická kohorta odpovídá na otázku „kolik uživatelů se vrátilo přesně N-tý den", metoda bucket — „kolik uživatelů se vrátilo kterýkoli den po N". Pro většinu produktových týmů obě metody poskytují podobný obraz, ale metoda bucket je považována za mírnější.

Kohortová analýza: klasický přístup

Shromážděte všechny nové uživatele za určité období (například týden) — to je kohorta. Poté pro každý den po instalaci spočítejte, kolik uživatelů z této kohorty provedlo cílovou akci. Příklad: z 1000 instalací 26. ledna se 250 vrátilo 27. ledna — Day 1 retention = 25 %. Kohortové tabulky umožňují sledovat dynamiku retention podle týdnů spuštění a identifikovat dopad změn v produktu.

Metoda bucket (diskrétní návrat)

Bucket retention považuje uživatele za „udrženého", pokud se vrátil kterýkoli den po stanoveném prahu. Například Day 7 bucket: vrátil se uživatel ve dnech 7–13 po instalaci? Tato metoda poskytuje vyšší hodnoty než klasická a je vhodnější pro aplikace s nepravidelným vzorcem používání. Většina analytických platforem (Amplitude, Mixpanel) standardně používá metodu bucket.

-- Klasický kohortový 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';

Běžné chyby při výpočtu Retention Rate

První chyba — počítání retention ode dne instalace, nikoli ode dne první aktivity. Pokud uživatel nainstaloval aplikaci, ale otevřel ji až po 3 dnech, Day 1 retention bude nesprávný. Druhá chyba — nezahrnutí odinstalací: uživatelé, kteří aplikaci smazali, se nemohou vrátit, ale musí zůstat ve jmenovateli. Třetí — míchání kohort s různým obdobím: srovnání retention uživatelů z ledna a února je správné pouze při stejné metodologii.

import pandas as pd

def cohort_retention(df):
    # Určíme první den pro každého uživatele
    first = df.groupby('user_id')['event_date'].min().reset_index()
    first.columns = ['user_id', 'first_day']
    # Spojíme a vypočítáme rozdíl ve dnech
    merged = df.merge(first, on='user_id')
    merged['day'] = (merged['event_date'] - merged['first_day']).dt.days
    # Souhrnná tabulka retention
    cohort = merged.groupby(['first_day', 'day'])['user_id'].nunique()
    cohort = cohort.unstack(level='day')
    return cohort.div(cohort[0], axis=0)

Normy Retention Rate podle kategorií

Normy Retention Rate se liší podle kategorie aplikace, frekvence používání a cyklu interakce. Social media aplikace vykazují nejvyšší míru udržení díky každodennímu vzorci používání. Nástrojové aplikace (kalkulačky, baterky) — nejnižší: uživatel vyřeší úkol a už se nevrátí.

Benchmarky Retention Rate podle kategorií

Podle dat zprávy Statista Mobile Benchmarks 2025 jsou mediány Day 1 retention: 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 %.

Faktory ovlivňující Retention Rate

Kvalita onboardingu — první a nejdůležitější faktor. Uživatel musí pochopit hodnotu produktu v prvních 3–5 minutách. Push notifikace — druhý faktor: správné notifikace zvyšují Day 7 retention o 15–30 %. Třetí faktor — výkon: aplikace, která se načítá déle než 3 sekundy, ztrácí 30 % uživatelů již na Day 1. Čtvrtý — soulad s očekáváními vytvořenými reklamami nebo obchody s aplikacemi.

Jak zlepšit Retention Rate v mobilní aplikaci?

Zlepšení Retention Rate je systematická práce vyžadující změny v produktu, onboardingu a komunikaci s uživatelem. Podívejme se na osvědčené strategie, které pomáhají mobilním týmům zvyšovat udržení uživatelů ve všech fázích životního cyklu.

Optimalizace onboardingu: první 3 minuty

Onboarding by měl ukázat hodnotu produktu, ne seznam funkcí. Výzkumy ukazují, že uživatelé neprocházejí více než 3–4 obrazovkami onboardingu. Nejlepší praxe — interaktivní onboarding: nechte uživatele okamžitě provést klíčovou akci (například vytvořit první projekt). Aplikace s interaktivním onboardingem vykazují o 20–30 % vyšší Day 1 retention než ty s pasivními instrukčními obrazovkami.

Personalizace a doporučení

Personalizace obsahu na základě chování uživatele — jeden z nejefektivnějších způsobů, jak zvýšit retention. Netflix, Spotify a TikTok postavili své produkty na personalizaci. Pro mobilní aplikace to může znamenat: doporučení produktů na základě zobrazení, personalizovaný feed obsahu nebo výběr funkcí na základě akcí uživatele. Personalizace zvyšuje Day 7 retention v průměru o 15–25 %.

Progresivní mechaniky zapojení

Streaks (série), systémy odznaků a ukazatele průběhu vytvářejí návyk vracet se. Duolingo používá streaks jako hlavní hnací sílu retention: uživatelé nechtějí ztratit vícedenní sérii. Důležité: mechanika musí být spojena s core loop aplikace, ne umělá. Pro fitness aplikace streaks fungují skvěle, pro bankovní mohou působit rušivě.

-- Uživatelé s retention Day 7 nad mediánem podle kategorie
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;