Retention Rate у мобільних додатках: що це, види утримання та як рахувати

Що таке Retention Rate у мобільних додатках?

Retention Rate (RR) — метрика, що показує, яка частка користувачів повертається в додаток через певний час після першого візиту. На відміну від MAU або DAU, які вимірюють абсолютну кількість активних користувачів, Retention Rate вимірює якість аудиторії: наскільки продукт здатний утримувати користувачів у часі. Високий Retention Rate — індикатор product-market fit та запорука стійкого зростання.

Чому Retention Rate важливіший за встановлення

Безліч стартапів фокусуються на рості встановлень, ігноруючи утримання. Результат: тонни завантажень, нульова активність. Retention Rate показує реальну цінність продукту для користувача. Якщо після першого тижня залишається менше 10% користувачів, продукт не вирішує проблему аудиторії. За даними Andrew Chen (колишній партнер a16z), стартапи з Day 7 retention > 30% мають в 3 рази більше шансів на успішний раунд Series A.

Retention Rate та Lifetime Value

LTV (Lifetime Value) безпосередньо залежить від Retention Rate. Чим довше користувач залишається в продукті, тим більше він платить або приносить рекламного доходу. Формула: LTV = ARPU * Середня тривалість життя. Збільшення середньої тривалості життя за рахунок росту retention — найефективніший спосіб підвищити LTV без збільшення CAC. За даними Localytics, підвищення retention на 5% збільшує LTV у мобільних іграх на 30-50%, у e-commerce — на 25-40%.

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

Три основні часові точки вимірювання retention сформували індустріальний стандарт: Day 1, Day 7 та Day 30. Кожна з них відповідає на своє питання про поведінку користувача та вказує на різні аспекти продукту, що потребують уваги команди. Додатково виділяють Unbounded Retention — повернення в будь-який день після N, не обов'язково саме на N-й день.

Day 1 Retention: перше враження

Day 1 retention — чи повернувся користувач на наступний день після встановлення. Це найкритичніший показник: якщо додаток не зачепив у перший день, шанс, що користувач повернеться, різко падає. Норма для мобільних додатків — 25-40%. Значення нижче 20% вказують на проблеми з онбордингом, довгим завантаженням або невідповідністю очікуванням, створеним рекламою. Перші 24 години — вікно можливостей для формування звички.

Day 7 Retention: формування звички

Day 7 retention показує, чи впровадився продукт у щотижневий ритуал користувача. Якщо користувач повертається через тиждень, продукт стає частиною його регулярної поведінки. Медіанне значення Day 7 retention — 15-25% для social media та 10-15% для e-commerce. Day 7 — точка, після якої retention стабілізується. Падіння Day 7 відносно Day 1 вказує на слабкий «гачок» (habit hook), який не мотивує повертатися.

Day 30 Retention: довгострокова цінність

Day 30 retention — показник довгострокової цінності продукту. Медіанне значення — 5-15% залежно від категорії. Якщо Day 30 retention вище 20%, продукт демонструє виняткове утримання. Day 30 критичний для розрахунку LTV: користувачі, які дожили до 30-го дня, з високою ймовірністю залишаться на 90+ днів. Ця метрика — основа для прогнозування виручки та планування бюджетів на залучення.

Як розраховується Retention Rate?

Розрахунок Retention Rate виконується двома основними методами: класична когортна таблиця та bucket-метод (дискретне повернення). Вибір методу залежить від бізнес-логіки продукту. Класична когорта відповідає на питання «скільки користувачів повернулися саме на N-й день», bucket-метод — «скільки користувачів повернулися в будь-який день після N». Для більшості продуктових команд обидва методи дають схожу картину, але bucket-метод вважається більш щадним.

Когортний аналіз: класичний підхід

Зберіть усіх нових користувачів за певний період (наприклад, тиждень) — це когорта. Потім для кожного дня після встановлення порахуйте, скільки користувачів з цієї когорти здійснили цільову дію. Приклад: з 1000 встановлень 26 січня 250 повернулися 27 січня — Day 1 retention = 25%. Когортні таблиці дозволяють бачити динаміку retention по тижнях запуску та виявляти ефект від змін у продукті.

Bucket-метод (дискретне повернення)

Bucket retention вважає користувача «утриманим», якщо він повернувся в будь-який день після заданого порогу. Наприклад, Day 7 bucket: чи повернувся користувач у дні 7-13 після встановлення? Цей метод дає більш високі значення, ніж класичний, і краще підходить для додатків з нерівномірним патерном використання. Більшість аналітичних платформ (Amplitude, Mixpanel) використовують bucket-метод за замовчуванням.

-- 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';

Поширені помилки при розрахунку Retention Rate

Перша помилка — рахувати retention від дня встановлення, а не від дня першої активності. Якщо користувач встановив додаток, але відкрив його тільки через 3 дні, Day 1 retention буде некоректним. Друга помилка — не враховувати деінсталяції: ті, хто видалив додаток, не можуть повернутися, але повинні залишатися в знаменнику. Третя — змішувати когорти з різним періодом: порівнювати retention користувачів січня та лютого коректно лише при однаковій методології.

import pandas as pd

def cohort_retention(df):
    # Визначаємо перший день для кожного користувача
    first = df.groupby('user_id')['event_date'].min().reset_index()
    first.columns = ['user_id', 'first_day']
    # З'єднуємо і рахуємо різницю в днях
    merged = df.merge(first, on='user_id')
    merged['day'] = (merged['event_date'] - merged['first_day']).dt.days
    # Зведена таблиця retention
    cohort = merged.groupby(['first_day', 'day'])['user_id'].nunique()
    cohort = cohort.unstack(level='day')
    return cohort.div(cohort[0], axis=0)

Норми Retention Rate за категоріями

Норми Retention Rate різняться за категоріями додатків залежно від частоти використання та циклу взаємодії. Social media додатки показують найвищі показники утримання завдяки щоденному патерну використання. Інструментальні додатки (калькулятори, ліхтарики) — найнижчі: користувач вирішує задачу та більше не повертається.

Бенчмарки Retention Rate за категоріями

За даними звіту Statista Mobile Benchmarks 2025, медіанні значення 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, що впливають на Retention Rate

Якість онбордингу — перший і найважливіший фактор. Користувач має зрозуміти цінність продукту в перші 3-5 хвилин. Push-повідомлення — другий фактор: грамотні повідомлення підвищують Day 7 retention на 15-30%. Третій фактор — продуктивність: додаток, який завантажується довше 3 секунд, втрачає 30% користувачів уже на Day 1. Четвертий — відповідність очікуванням, створеним рекламою або сторами.

Як покращити Retention Rate у мобільному додатку?

Покращення Retention Rate — системна робота, що потребує змін у продукті, онбордингу та комунікації з користувачем. Розглянемо перевірені стратегії, які допомагають мобільним командам підвищувати утримання користувачів на всіх етапах життєвого циклу.

Оптимізація онбордингу: перші 3 хвилини

Онбординг має показати цінність продукту, а не список функцій. Дослідження показують, що користувачі проходять не більше 3-4 екранів онбордингу. Найкраща практика — інтерактивний онбординг: дати користувачеві одразу здійснити ключову дію (наприклад, створити перший проєкт). Додатки з інтерактивним онбордингом показують Day 1 retention на 20-30% вищий, ніж з пасивними екранами-інструкціями.

Персоналізація та рекомендації

Персоналізація контенту на основі поведінки користувача — один із найефективніших способів підвищити retention. Netflix, Spotify та TikTok побудували свої продукти на персоналізації. Для мобільних додатків це може означати: рекомендацію товарів на основі переглядів, персоналізовану стрічку контенту або добірку функцій на основі дій користувача. Персоналізація підвищує Day 7 retention в середньому на 15-25%.

Прогресивні engagement-механіки

Streaks (серії), badge-системи та прогрес-бари створюють звичку повертатися. Duolingo використовує streaks як основний драйвер retention: користувачі не хочуть втрачати багатоденну серію. Важливо: механіка має бути пов'язана з core loop додатка, а не бути штучною. Для фітнес-додатків streaks працюють чудово, для банківських — можуть виглядати нав'язливо.

-- 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;