Mobil Uygulamalarda Retention Rate: Nedir, Tutma Türleri ve Nasıl Hesaplanır

Mobil Uygulamalarda Retention Rate Nedir?

Retention Rate (RR), ilk ziyaretlerinden sonra belirli bir süre içinde uygulamaya geri dönen kullanıcıların yüzdesini gösteren bir metriktir. MAU veya DAU'nun aktif kullanıcıların mutlak sayısını ölçmesinin aksine, Retention Rate kitlenin kalitesini ölçer: ürünün zaman içinde kullanıcıları ne kadar iyi tutabildiğini. Yüksek bir Retention Rate, ürün-pazar uyumunun bir göstergesi ve sürdürülebilir büyümenin anahtarıdır.

Retention Rate Neden Kurulumlardan Daha Önemlidir

Birçok startup, tutmayı göz ardı ederek kurulumları artırmaya odaklanır. Sonuç: tonlarca indirme, sıfır aktivite. Retention Rate, ürünün kullanıcı için gerçek değerini gösterir. İlk haftadan sonra kullanıcıların %10'undan azı kalırsa, ürün kitlenin sorununu çözmüyor demektir. Andrew Chen'e (a16z eski ortağı) göre, Day 7 retention > %30 olan startup'ların başarılı bir Seri A turu olasılığı 3 kat daha fazladır.

Retention Rate ve Lifetime Value

LTV (Lifetime Value) doğrudan Retention Rate'e bağlıdır. Bir kullanıcı üründe ne kadar uzun süre kalırsa, o kadar çok öder veya reklam geliri oluşturur. Formül: LTV = ARPU * Ortalama Ömür. CAC'yi artırmadan LTV'yi yükseltmenin en etkili yolu, tutmayı iyileştirerek ortalama ömrü uzatmaktır. Localytics'e göre, tutmayı %5 artırmak, mobil oyunlarda LTV'yi %30-50 ve e-ticarette %25-40 oranında yükseltir.

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

Üç ana zaman noktası, tutmayı ölçmek için endüstri standardını oluşturmuştur: Day 1, Day 7 ve Day 30. Her biri kullanıcı davranışı hakkında farklı bir soruyu yanıtlar ve ekibin dikkatini gerektiren ürünün farklı yönlerini işaret eder. Ek olarak, Sınırsız Tutma (Unbounded Retention) da vardır — tam olarak N. günde değil, N'den sonraki herhangi bir günde geri dönüş.

Day 1 Retention: İlk İzlenim

Day 1 retention — kullanıcının kurulumdan sonraki gün geri dönüp dönmediği. Bu en kritik metriktir: uygulama ilk gün kullanıcıyı yakalayamazsa, geri dönme olasılığı keskin bir şekilde düşer. Normal mobil uygulamalar için %25-40'tır. %20'nin altındaki değerler, onboarding, yavaş yüklenme veya reklamların yarattığı beklentilerle uyuşmazlık sorunlarını gösterir. İlk 24 saat, alışkanlık oluşumu için bir fırsat penceresidir.

Day 7 Retention: Alışkanlık Oluşumu

Day 7 retention, ürünün kullanıcının haftalık rutininin bir parçası haline gelip gelmediğini gösterir. Bir kullanıcı bir hafta sonra geri dönerse, ürün onun düzenli davranışının bir parçası haline geliyor demektir. Ortanca değer Day 7 retention için sosyal medyada %15-25 ve e-ticarette %10-15'tir. Day 7, tutmanın istikrar kazandığı noktadır. Day 1'e göre Day 7'deki düşüş, kullanıcıları geri dönmeye motive etmeyen zayıf bir alışkanlık kancasını gösterir.

Day 30 Retention: Uzun Vadeli Değer

Day 30 retention, ürünün uzun vadeli değerinin bir göstergesidir. Ortanca değer, kategoriye bağlı olarak %5-15'tir. Day 30 retention %20'nin üzerindeyse, ürün olağanüstü bir tutma sergiliyor demektir. Day 30, LTV hesaplaması için kritiktir: 30. güne kadar hayatta kalan kullanıcıların 90+ gün kalma olasılığı yüksektir. Bu metrik, gelir tahmini ve kullanıcı edinme bütçe planlamasının temelidir.

Retention Rate Nasıl Hesaplanır?

Retention Rate hesaplaması iki ana yöntemle yapılır: klasik kohort tablosu ve bucket yöntemi (ayrık dönüş). Yöntemin seçimi, ürünün iş mantığına bağlıdır. Klasik kohort “tam olarak N. günde kaç kullanıcı geri döndü” sorusunu yanıtlarken, bucket yöntemi “N'den sonra herhangi bir günde kaç kullanıcı geri döndü” sorusunu yanıtlar. Çoğu ürün ekibi için her iki yöntem de benzer bir tablo sunar, ancak bucket yöntemi daha hoşgörülü olarak kabul edilir.

Kohort Analizi: Klasik Yaklaşım

Belirli bir süre (örneğin bir hafta) için tüm yeni kullanıcıları toplayın — bu sizin kohortunuzdur. Ardından, kurulumdan sonraki her gün için, bu kohorttan kaç kullanıcının hedef eylemi gerçekleştirdiğini sayın. Örnek: 26 Ocak'taki 1.000 kurulumdan 250'si 27 Ocak'ta geri döndü — Day 1 retention = %25. Kohort tabloları, lansman haftasına göre tutma dinamiklerini görmenize ve ürün değişikliklerinin etkisini belirlemenize olanak tanır.

Bucket Yöntemi (Ayrık Dönüş)

Bucket retention, bir kullanıcıyı belirli bir eşikten sonra herhangi bir günde geri döndüyse “tutuldu” olarak kabul eder. Örneğin, Day 7 bucket: kullanıcı kurulumdan sonraki 7-13. günler arasında geri döndü mü? Bu yöntem, klasik yaklaşımdan daha yüksek değerler sağlar ve düzensiz kullanım desenlerine sahip uygulamalar için daha uygundur. Çoğu analitik platformu (Amplitude, Mixpanel) varsayılan olarak bucket yöntemini kullanır.

-- Klasik 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 Hesaplarken Sık Yapılan Hatalar

İlk hata, tutmayı ilk aktivite günü yerine kurulum gününden hesaplamaktır. Bir kullanıcı uygulamayı kurdu ancak yalnızca 3 gün sonra açtıysa, Day 1 retention yanlış olacaktır. İkinci hata, kaldırmaları hesaba katmamaktır: uygulamayı silen kullanıcılar geri dönemez, ancak paydada kalmalıdırlar. Üçüncü hata, farklı dönemlerdeki kohortları karıştırmaktır: Ocak ve Şubat kullanıcılarının tutmasını karşılaştırmak yalnızca aynı metodolojiyle geçerlidir.

import pandas as pd

def cohort_retention(df):
    # Her kullanıcı için ilk günü belirleme
    first = df.groupby('user_id')['event_date'].min().reset_index()
    first.columns = ['user_id', 'first_day']
    # Birleştirme ve gün farkını hesaplama
    merged = df.merge(first, on='user_id')
    merged['day'] = (merged['event_date'] - merged['first_day']).dt.days
    # Tutma özet tablosu
    cohort = merged.groupby(['first_day', 'day'])['user_id'].nunique()
    cohort = cohort.unstack(level='day')
    return cohort.div(cohort[0], axis=0)

Kategoriye Göre Retention Rate Normları

Retention Rate normları, kullanım sıklığına ve etkileşim döngüsüne bağlı olarak uygulama kategorisine göre değişir. Sosyal medya uygulamaları, günlük kullanım desenleri sayesinde en yüksek tutma oranlarını gösterir. Yardımcı uygulamalar (hesap makineleri, el fenerleri) en düşük oranlara sahiptir: kullanıcı bir görevi çözer ve bir daha geri dönmez.

Kategoriye Göre Retention Rate Karşılaştırmaları

Statista Mobile Benchmarks 2025 raporuna göre, Day 1 retention ortanca değerleri: Sosyal Medya — %42, Oyun — %30, Fintech — %28, E-ticaret — %22, Sağlık ve Fitness — %20. Day 7 retention: Sosyal Medya — %25, Oyun — %15, Fintech — %18, E-ticaret — %10, Sağlık ve Fitness — %12. Day 30 retention: Sosyal Medya — %15, Oyun — %5, Fintech — %10, E-ticaret — %5, Sağlık ve Fitness — %7.

Retention Rate'i Etkileyen Faktörler

Onboarding kalitesi ilk ve en önemli faktördür. Kullanıcı, ürünün değerini ilk 3-5 dakika içinde anlamalıdır. Bildirimler (push) ikinci faktördür: iyi tasarlanmış bildirimler Day 7 retention'ı %15-30 artırır. Üçüncü faktör performanstır: yüklenmesi 3 saniyeden uzun süren bir uygulama, Day 1'de kullanıcıların %30'unu kaybeder. Dördüncüsü, reklam veya uygulama mağazalarının yarattığı beklentilerle uyumdur.

Mobil Uygulamada Retention Rate Nasıl İyileştirilir?

Retention Rate'i iyileştirmek, üründe, onboarding'de ve kullanıcı iletişiminde değişiklikler gerektiren sistematik bir çabadır. Kanıtlanmış stratejileri keşfedelim. Bu stratejiler, mobil ekiplerin yaşam döngüsünün tüm aşamalarında kullanıcı tutmasını artırmasına yardımcı olur.

Onboarding Optimizasyonu: İlk 3 Dakika

Onboarding, bir özellik listesi değil, ürünün değerini göstermelidir. Araştırmalar, kullanıcıların 3-4'ten fazla onboarding ekranını geçmediğini gösteriyor. En iyi uygulama etkileşimli onboarding'dir: kullanıcının hemen önemli bir eylem gerçekleştirmesine izin verin (örneğin, ilk projesini oluşturması). Etkileşimli onboarding'e sahip uygulamalar, pasif talimat ekranlarına sahip olanlara göre %20-30 daha yüksek Day 1 retention gösterir.

Kişiselleştirme ve Öneriler

Kullanıcı davranışına dayalı içerik kişiselleştirmesi, tutmayı artırmanın en etkili yollarından biridir. Netflix, Spotify ve TikTok, ürünlerini kişiselleştirme üzerine inşa etti. Mobil uygulamalar için bu şu anlama gelebilir: görüntülemelere dayalı ürün önerileri, kişiselleştirilmiş içerik akışı veya kullanıcı eylemlerine dayalı özellik seçimi. Kişiselleştirme, Day 7 retention'ı ortalama %15-25 artırır.

Aşamalı Katılım Mekanikleri

Seriler (Streaks), rozet sistemleri ve ilerleme çubukları geri dönme alışkanlığı yaratır. Duolingo, tutmanın ana itici gücü olarak serileri kullanır: kullanıcılar çok günlük serilerini kaybetmek istemez. Önemli: mekanik, uygulamanın çekirdek döngüsüne bağlı olmalı, yapay olmamalıdır. Fitness uygulamaları için seriler çok iyi çalışır; bankacılık uygulamaları için müdahaleci görünebilir.

-- Kategori medyanının üzerinde retention Day 7 olan kullanıcılar
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;