Retention Rate dans les applications mobiles : définition, types de rétention et calcul

Qu'est-ce que le Retention Rate dans les applications mobiles ?

Le Retention Rate (RR) est une métrique qui indique quel pourcentage d'utilisateurs revient dans l'application dans un délai déterminé après leur première visite. Contrairement au MAU ou au DAU, qui mesurent le nombre absolu d'utilisateurs actifs, le Retention Rate mesure la qualité de l'audience : à quel point le produit peut retenir les utilisateurs dans le temps. Un Retention Rate élevé est un indicateur de product-market fit et la clé d'une croissance durable.

Pourquoi le Retention Rate est plus important que les installations

De nombreuses startups se concentrent sur l'augmentation des installations en ignorant la rétention. Résultat : des tonnes de téléchargements, une activité nulle. Le Retention Rate montre la valeur réelle du produit pour l'utilisateur. Si moins de 10 % des utilisateurs restent après la première semaine, le produit ne résout pas le problème de l'audience. Selon Andrew Chen (ancien associé d'a16z), les startups avec un Day 7 retention > 30 % ont 3 fois plus de chances de réussir un tour de Série A.

Retention Rate et Lifetime Value

Le LTV (Lifetime Value) dépend directement du Retention Rate. Plus un utilisateur reste longtemps dans le produit, plus il paie ou génère de revenus publicitaires. Formule : LTV = ARPU * Durée de vie moyenne. Augmenter la durée de vie moyenne grâce à l'amélioration de la rétention est le moyen le plus efficace d'élever le LTV sans augmenter le CAC. Selon Localytics, augmenter la rétention de 5 % accroît le LTV dans les jeux mobiles de 30 à 50 % et dans le e-commerce de 25 à 40 %.

Types de Retention Rate : Day 1, Day 7, Day 30

Trois points temporels principaux pour mesurer la rétention ont formé la norme industrielle : Day 1, Day 7 et Day 30. Chacun répond à une question différente sur le comportement de l'utilisateur et pointe vers différents aspects du produit qui nécessitent l'attention de l'équipe. En outre, on distingue la rétention non bornée (Unbounded Retention) : le retour un jour quelconque après N, pas nécessairement exactement le N-ième jour.

Day 1 Retention : Première impression

Day 1 retention — si l'utilisateur est revenu le lendemain de l'installation. C'est la métrique la plus critique : si l'application n'a pas accroché l'utilisateur le premier jour, la probabilité qu'il revienne chute dramatiquement. La norme pour les applications mobiles est de 25 à 40 %. Les valeurs inférieures à 20 % indiquent des problèmes d'intégration, de chargement lent ou de décalage avec les attentes créées par la publicité. Les premières 24 heures sont une fenêtre d'opportunité pour la formation d'habitudes.

Day 7 Retention : Formation d'habitudes

Day 7 retention montre si le produit est devenu partie intégrante du rituel hebdomadaire de l'utilisateur. Si un utilisateur revient après une semaine, le produit devient une partie de son comportement régulier. La valeur médiane du Day 7 retention est de 15 à 25 % pour les médias sociaux et de 10 à 15 % pour le e-commerce. Le Day 7 est le point après lequel la rétention se stabilise. Une baisse du Day 7 par rapport au Day 1 indique un crochet d'habitude faible qui ne motive pas les utilisateurs à revenir.

Day 30 Retention : Valeur à long terme

Day 30 retention est un indicateur de la valeur à long terme du produit. La valeur médiane est de 5 à 15 % selon la catégorie. Si le Day 30 retention dépasse 20 %, le produit démontre une rétention exceptionnelle. Day 30 est critique pour le calcul du LTV : les utilisateurs qui survivent jusqu'au 30e jour ont une forte probabilité de rester 90+ jours. Cette métrique est la base de la prévision des revenus et de la planification des budgets d'acquisition d'utilisateurs.

Comment calculer le Retention Rate ?

Le calcul du Retention Rate s'effectue par deux méthodes principales : le tableau de cohortes classique et la méthode bucket (retour discret). Le choix de la méthode dépend de la logique métier du produit. La cohorte classique répond à la question « combien d'utilisateurs sont revenus exactement le N-ième jour », tandis que la méthode bucket répond à « combien d'utilisateurs sont revenus un jour quelconque après N ». Pour la plupart des équipes produit, les deux méthodes donnent une image similaire, mais la méthode bucket est considérée comme plus indulgente.

Analyse de cohortes : approche classique

Rassemblez tous les nouveaux utilisateurs pour une période spécifique (par exemple, une semaine) — c'est votre cohorte. Ensuite, pour chaque jour après l'installation, comptez combien d'utilisateurs de cette cohorte ont effectué l'action cible. Exemple : sur 1 000 installations le 26 janvier, 250 sont revenus le 27 janvier — Day 1 retention = 25 %. Les tableaux de cohortes permettent de voir la dynamique de rétention par semaine de lancement et d'identifier l'effet des modifications du produit.

Méthode bucket (retour discret)

Le bucket retention considère un utilisateur comme « retenu » s'il est revenu un jour quelconque après un seuil donné. Par exemple, bucket Day 7 : l'utilisateur est-il revenu entre les jours 7 et 13 après l'installation ? Cette méthode donne des valeurs plus élevées que l'approche classique et est mieux adaptée aux applications avec des modèles d'utilisation irréguliers. La plupart des plateformes analytiques (Amplitude, Mixpanel) utilisent la méthode bucket par défaut.

-- Rétention de cohorte classique 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';

Erreurs courantes lors du calcul du Retention Rate

La première erreur est de calculer la rétention à partir du jour d'installation plutôt que du jour de première activité. Si un utilisateur a installé l'application mais ne l'a ouverte que 3 jours plus tard, le Day 1 retention sera incorrect. La deuxième erreur est de ne pas tenir compte des désinstallations : les utilisateurs qui ont supprimé l'application ne peuvent pas revenir, mais doivent rester au dénominateur. La troisième erreur est de mélanger des cohortes de périodes différentes : comparer la rétention des utilisateurs de janvier et février n'est valable qu'avec une méthodologie identique.

import pandas as pd

def cohort_retention(df):
    # Déterminer le premier jour pour chaque utilisateur
    first = df.groupby('user_id')['event_date'].min().reset_index()
    first.columns = ['user_id', 'first_day']
    # Joindre et calculer la différence en jours
    merged = df.merge(first, on='user_id')
    merged['day'] = (merged['event_date'] - merged['first_day']).dt.days
    # Tableau récapitulatif de rétention
    cohort = merged.groupby(['first_day', 'day'])['user_id'].nunique()
    cohort = cohort.unstack(level='day')
    return cohort.div(cohort[0], axis=0)

Normes du Retention Rate par catégorie

Les normes du Retention Rate varient selon la catégorie d'application en fonction de la fréquence d'utilisation et du cycle d'interaction. Les applications de médias sociaux affichent les taux de rétention les plus élevés grâce aux modèles d'utilisation quotidienne. Les applications utilitaires (calculatrices, lampes torches) ont les plus faibles : l'utilisateur résout une tâche et ne revient jamais.

Benchmarks du Retention Rate par catégorie

Selon le rapport Statista Mobile Benchmarks 2025, les valeurs médianes du Day 1 retention sont : Médias sociaux — 42 %, Jeux — 30 %, Fintech — 28 %, E-commerce — 22 %, Santé et Fitness — 20 %. Day 7 retention : Médias sociaux — 25 %, Jeux — 15 %, Fintech — 18 %, E-commerce — 10 %, Santé et Fitness — 12 %. Day 30 retention : Médias sociaux — 15 %, Jeux — 5 %, Fintech — 10 %, E-commerce — 5 %, Santé et Fitness — 7 %.

Facteurs affectant le Retention Rate

La qualité de l'intégration est le premier et le plus important facteur. L'utilisateur doit comprendre la valeur du produit dans les 3 à 5 premières minutes. Les notifications push sont le deuxième facteur : des notifications bien conçues augmentent le Day 7 retention de 15 à 30 %. Le troisième facteur est la performance : une application qui met plus de 3 secondes à charger perd 30 % des utilisateurs dès le Day 1. Le quatrième est l'alignement avec les attentes créées par la publicité ou les magasins d'applications.

Comment améliorer le Retention Rate dans une application mobile ?

Améliorer le Retention Rate est un effort systématique qui nécessite des changements dans le produit, l'intégration et la communication avec l'utilisateur. Explorons des stratégies éprouvées qui aident les équipes mobiles à augmenter la rétention des utilisateurs à toutes les étapes du cycle de vie.

Optimisation de l'intégration : les 3 premières minutes

L'intégration doit montrer la valeur du produit, pas une liste de fonctionnalités. Les recherches montrent que les utilisateurs ne dépassent pas 3 à 4 écrans d'intégration. La meilleure pratique est l'intégration interactive : permettre à l'utilisateur d'effectuer immédiatement une action clé (par exemple, créer son premier projet). Les applications avec une intégration interactive affichent un Day 1 retention 20 à 30 % plus élevé que celles avec des écrans d'instructions passifs.

Personnalisation et recommandations

La personnalisation du contenu basée sur le comportement de l'utilisateur est l'un des moyens les plus efficaces d'augmenter la rétention. Netflix, Spotify et TikTok ont construit leurs produits sur la personnalisation. Pour les applications mobiles, cela peut signifier : des recommandations de produits basées sur les vues, un flux de contenu personnalisé ou une sélection de fonctionnalités basée sur les actions de l'utilisateur. La personnalisation augmente le Day 7 retention en moyenne de 15 à 25 %.

Mécaniques d'engagement progressives

Les streaks (séries), les systèmes de badges et les barres de progression créent l'habitude de revenir. Duolingo utilise les streaks comme moteur principal de la rétention : les utilisateurs ne veulent pas perdre leur série de plusieurs jours. Important : la mécanique doit être liée au core loop de l'application, et non artificielle. Pour les applications de fitness, les streaks fonctionnent très bien ; pour les applications bancaires, elles peuvent sembler intrusives.

-- Utilisateurs avec une rétention Day 7 supérieure à la médiane par catégorie
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;