Retention Rate у мобилним апликацијама: шта је то, врсте задржавања и како рачунати

Шта је Retention Rate у мобилним апликацијама?

Retention Rate (RR) — метрика која показује који удео корисника се враћа у апликацију након одређеног времена од прве посете. За разлику од MAU или DAU, који мере апсолутни број активних корисника, Retention Rate мери квалитет публике: колико је производ способан да задржи кориснике током времена. Висок Retention Rate — индикатор product-market fit и кључ одрживог раста.

Зашто је Retention Rate важнији од инсталација

Многи стартапи се фокусирају на раст инсталација, игноришући задржавање. Резултат: тоне преузимања, нула активности. Retention Rate показује стварну вредност производа за корисника. Ако након прве недеље остане мање од 10% корисника, производ не решава проблем публике. Према подацима Andrew Chen-а (бивши партнер a16z), стартапи са Day 7 retention > 30% имају 3 пута веће шансе за успешну Series A рунду.

Retention Rate и Lifetime Value

LTV (Lifetime Value) директно зависи од Retention Rate. Што дуже корисник остаје у производу, више плаћа или доноси приход од реклама. Формула: LTV = ARPU * Average Lifespan. Повећање Average Lifespan кроз раст retention — најефикаснији начин за повећање LTV без повећања CAC. Према подацима Localytics, повећање retention за 5% повећава LTV у мобилним играма за 30-50%, у e-commerce — за 25-40%.

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

Три главне временске тачке мерења retention формирале су индустријски стандард: Day 1, Day 7 и Day 30. Свака од њих одговара на своје питање о понашању корисника и указује на различите аспекте производа који захтевају пажњу тима. Додатно се издваја Unbounded Retention — повратак било ког дана након N, не нужно баш N-тог дана.

Day 1 Retention: први утисак

Day 1 retention — да ли се корисник вратио следећег дана након инсталације. Ово је најкритичнији показатељ: ако апликација није привукла корисника првог дана, шанса за повратак драстично опада. Норма за мобилне апликације — 25-40%. Вредности испод 20% указују на проблеме са онбордингом, дугим учитавањем или неусклађеношћу са очекивањима створеним рекламама. Првих 24 сата су прозор могућности за формирање навике.

Day 7 Retention: формирање навике

Day 7 retention показује да ли је производ ушао у недељни ритуал корисника. Ако се корисник враћа након недеље, производ постаје део његовог редовног понашања. Медијан Day 7 retention — 15-25% за social media и 10-15% за e-commerce. Day 7 је тачка након које се retention стабилизује. Пад Day 7 у односу на Day 1 указује на слабу „куку" (habit hook) која не мотивише повратак.

Day 30 Retention: дугорочна вредност

Day 30 retention — показатељ дугорочне вредности производа. Медијан — 5-15% у зависности од категорије. Ако је Day 30 retention изнад 20%, производ показује изузетно задржавање. Day 30 је кључан за израчунавање LTV: корисници који су стигли до 30. дана ће са великом вероватноћом остати 90+ дана. Ова метрика је основа за прогнозирање прихода и планирање буџета за привлачење.

Како се израчунава Retention Rate?

Израчунавање Retention Rate се врши са две главне методе: класична кохортна табела и bucket метод (дискретни повратак). Избор методе зависи од пословне логике производа. Класична кохорта одговара на питање „колико се корисника вратило баш N-тог дана", bucket метод — „колико се корисника вратило било ког дана након N". За већину тимова производа, обе методе дају сличну слику, али bucket метод се сматра блажим.

Кохортна анализа: класични приступ

Прикупите све нове кориснике у одређеном периоду (на пример, недељу дана) — то је кохорта. Затим за сваки дан након инсталације израчунајте колико се корисника из ове кохорте вратило и извршило циљану радњу. Пример: од 1000 инсталација 26. јануара, 250 се вратило 27. јануара — Day 1 retention = 25%. Кохортне табеле омогућавају праћење динамике retention по недељама покретања и идентификацију ефеката промена у производу.

Bucket метод (дискретни повратак)

Bucket retention сматра корисника „задржаним" ако се вратио било ког дана након задатог прага. На пример, Day 7 bucket: да ли се корисник вратио у данима 7-13 након инсталације? Овај метод даје веће вредности од класичног и боље одговара апликацијама са неправилним обрасцем коришћења. Већина аналитичких платформи (Amplitude, Mixpanel) подразумевано користи bucket метод.

-- Классический когортный 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';

Уобичајене грешке при израчунавању Retention Rate

Прва грешка — рачунање retention од дана инсталације, а не од дана прве активности. Ако је корисник инсталирао апликацију, али је отворио тек након 3 дана, Day 1 retention ће бити нетачан. Друга грешка — неукључивање деинсталација: корисници који су обрисали апликацију не могу се вратити, али морају остати у имениоцу. Трећа — мешање кохорти са различитим периодима: поређење retention корисника јануара и фебруара је исправно само уз исту методологију.

import pandas as pd

def cohort_retention(df):
    # Одређујемо први дан за сваког корисника
    first = df.groupby('user_id')['event_date'].min().reset_index()
    first.columns = ['user_id', 'first_day']
    # Спајамо и израчунавамо разлику у данима
    merged = df.merge(first, on='user_id')
    merged['day'] = (merged['event_date'] - merged['first_day']).dt.days
    # Збирна табела retention
    cohort = merged.groupby(['first_day', 'day'])['user_id'].nunique()
    cohort = cohort.unstack(level='day')
    return cohort.div(cohort[0], axis=0)

Норме Retention Rate по категоријама

Норме Retention Rate се разликују у зависности од категорије апликације, учесталости коришћења и циклуса интеракције. Social media апликације показују највише стопе задржавања захваљујући дневном обрасцу коришћења. Инструменталне апликације (калкулатори, батеријске лампе) — најниже: корисник решава задатак и више се не враћа.

Бенчмаркови Retention Rate по категоријама

Према подацима извештаја Statista Mobile Benchmarks 2025, медијани 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%.

Фактори који утичу на Retention Rate

Квалитет онбординга — први и најважнији фактор. Корисник мора да разуме вредност производа у првих 3-5 минута. Push обавештења — други фактор: одговарајућа обавештења повећавају Day 7 retention за 15-30%. Трећи фактор — перформансе: апликација која се учитава дуже од 3 секунде губи 30% корисника већ на Day 1. Четврти — усклађеност са очекивањима створеним рекламама или продавницама.

Како побољшати Retention Rate у мобилној апликацији?

Побољшање Retention Rate — систематски рад који захтева промене у производу, онбордингу и комуникацији са корисником. Размотрићемо проверене стратегије које помажу мобилним тимовима да повећају задржавање корисника у свим фазама животног циклуса.

Оптимизација онбординга: прве 3 минуте

Онбординг треба да покаже вредност производа, а не листу функција. Истраживања показују да корисници не пролазе више од 3-4 екрана онбординга. Најбоља пракса — интерактивни онбординг: омогућити кориснику да одмах изврши кључну радњу (на пример, креира први пројекат). Апликације са интерактивним онбордингом показују Day 1 retention за 20-30% виши од оних са пасивним екранима упутстава.

Персонализација и препоруке

Персонализација садржаја на основу понашања корисника — један од најефикаснијих начина за повећање retention. Netflix, Spotify и TikTok изградили су своје производе на персонализацији. За мобилне апликације ово може значити: препоруку производа на основу прегледа, персонализовани фид садржаја или избор функција на основу радњи корисника. Персонализација повећава Day 7 retention у просеку за 15-25%.

Прогресивне механике ангажовања

Streaks (серије), системи беџева и траке напретка стварају навику повратка. Duolingo користи streaks као главни покретач retention: корисници не желе да изгубе вишедневну серију. Важно: механика мора бити повезана са основном петљом апликације, а не вештачка. За фитнес апликације streaks одлично функционишу, за банкарске — могу деловати наметљиво.

-- Пользователи с retention Day 7 выше медианы по категории
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;