Retention ist der Prozentsatz der Nutzer einer Kohorte, die N Tage nach ihrem Install zur App zurückkehren. D1 = Tag-1-Retention (am Tag nach dem Install zurückgekehrt), D7 = 7-Tage, D30 = 30-Tage. Es ist die Leck-Eimer-Kennzahl – ein Produkt mit guter Akquise und schlechter Retention verbrennt die Zielgruppe schneller, als es sie auffüllen kann, während ein Produkt mit solider Akquise und guter Retention kumuliert. Nach dem Install-Volumen ist Retention die mit Abstand wichtigste Nicht-Umsatz-Kennzahl im Mobile-Bereich.
Diese Verteilung ist die Wahrheit, die die meisten Retention-Artikel verschleiern. Die durchschnittliche Katalog-App hält bis Tag 30 weniger als 4% der Installs – die meisten "guten Benchmark"-Zahlen, die in Branchenbeiträgen kursieren, beschreiben Top-Dezil- oder Top-Quartil-Ergebnisse, nicht den tatsächlichen Mittelwert. Wenn Ihr D30 im Bereich 5–10% liegt, befinden Sie sich bereits im Top-Quartil. Wenn Sie über 10% liegen, sind Sie im Top-Dezil-Bereich, in dem Consumer-Social-, Produktivitäts- und Finanz-Apps angesiedelt sind.
Branchen-Benchmarks nach Kategorie (grobe Richtwerte 2026):
- Messaging / Banking / Habit-Apps: D1 50–70%, D7 30–50%, D30 25–50%. Langzeit-Tail durch strukturellen täglichen Bedarf verankert.
- Consumer-Social / Produktivität: D1 40–50%, D7 20–30%, D30 10–15%.
- Streaming / Medien: D1 35–45%, D7 15–25%, D30 8–15%.
- Casual Games: D1 35–45%, D7 12–20%, D30 5–10%.
- Hyper-Casual Games: D1 25–35%, D7 5–10%, D30 1–3%. Auf schnelle Monetarisierung ausgelegt, nicht auf Retention.
- Utilities: enorme Bandbreite – aufgabenspezifisch (Taschenrechner, Taschenlampe): D30 < 5%; wiederkehrend (Periodentracker, Wetter): D30 > 30%.
Vergleichen Sie mit Ihrer eigenen Kategorie und Ihrer eigenen historischen Baseline. Kategorieübergreifende Vergleiche sind irreführend.
Retentionskurven folgen einer universellen Form: steiler Abfall in der ersten Woche (die meisten Installs wandern schnell ab), langsamerer Rückgang über Wochen 2–4, dann ein nahezu flacher Langzeit-Tail. Die mathematische Form ist "Exponentialabfall + Asymptote" – die Asymptote ist der Anteil der Nutzer, die zu "dauerhaften" Nutzern werden, die noch Monate oder Jahre nach dem Install aktiv sind. Die Asymptote ist die Zahl, die wirklich kumuliert. Ein Produkt, das 10% der Installs dauerhaft bindet, skaliert grundlegend anders als eines, das 3% bindet – über die Zeit akkumuliert sich die dauerhafte Nutzerbasis aus jeder Kohorte, und dieses Kumulieren ist der Motor des organischen Wachstums.
Die obige Verteilung ist stark rechtsschiefend: Zehntausende von Katalog-Apps clustern zwischen 1–5% D30, ein langer Tail starker Apps überschreitet 10%, und ein kleines Tier sehr starker Apps überquert 20%. Die Implikation für Produktteams: D30 = 5% fühlt sich mittelmäßig an verglichen mit Blog-Post-Benchmarks, ist aber tatsächlich Top-Quartil über den messbaren Markt hinweg. Vergleichen Sie mit dem Median Ihrer Kategorie in der untenstehenden Tabelle, nicht mit Schlagzeilenzahlen aus Messaging- oder Banking-Fallstudien.
D30-Retention-Rechner
Geben Sie ein, wie viele Nutzer einer Install-Kohorte an Tag 30 noch aktiv waren, um Ihre D30-Retentionsrate zu ermitteln und zu sehen, wo Sie im Vergleich stehen.
Enter your numbers to see your result and how it compares to the catalog.
Benchmarks: MWM-Daten, USA, Apps mit ≥1.000 D30-Downloads. Vergleichen Sie auch mit dem Median Ihrer Kategorie.
Drei Retention-Messmethoden, die Sie kennen sollten:
- N-Tage-Retention (klassisch): Der Nutzer ist GENAU an Tag N zurückgekehrt. Streng, niedrige Zahl, einfach zu berechnen. Standard für D1 / D7 / D30-Benchmarks.
- Rolling Retention (weicher): Der Nutzer ist an Tag N oder an einem beliebigen Tag DANACH zurückgekehrt. Höhere Zahl, glattere Kurve, nützlich für Produkte mit geringer Nutzungsfrequenz.
- Bereichsretention: Der Nutzer ist mindestens einmal während eines Fensters von Tag N bis Tag N+M zurückgekehrt. Verwendet, wenn die tägliche Granularität zu rauschbehaftet ist.
Verschiedene Produkte verwenden unterschiedliche Standards – entscheidend ist die Konsistenz. Ausgereifte Analytics-Plattformen (Amplitude, Mixpanel) bieten alle drei Varianten an und lassen Sie wählen.
Hebel, die Retention bewegen (in grober Reihenfolge nach Wirkung):
- Onboarding-Abschlussrate – Nutzer, die das Onboarding abschließen, haben eine 2–3× höhere Retention als jene, die es nicht tun. Der größte einzelne D1-Hebel.
- Tag-1-zu-Tag-2-Reaktivierung – Push-Benachrichtigung, E-Mail, In-App-Hinweis, der darauf ausgelegt ist, den Nutzer innerhalb von 24 Stunden zurückzubringen. Hebt D7 erheblich an.
- Habit-Loop-Mechaniken – tägliche Streak, täglicher Content-Drop, Integration in die tägliche Routine. Treibt die Langzeit-Asymptote an.
- Product-Market-Fit – auf Makroebene ist Retention der wahrhaftigste Ausdruck von Fit. Wenn Retention strukturell schwach über alle Kohorten ist, liegt die Antwort meist im Produkt, nicht im Marketing.
D1 / D7 / D30 Retention-Benchmarks nach Kategorie (2026)
| Kategorie | D1 | D7 | D30 |
|---|---|---|---|
| Messaging / Banking / Habit-Apps | 50-70% | 30-50% | 25-50% |
| Consumer-Social / Produktivität | 40-50% | 20-30% | 10-15% |
| Streaming / Medien | 35-45% | 15-25% | 8-15% |
| Casual Games | 35-45% | 12-20% | 5-10% |
| Hyper-Casual Games | 25-35% | 5-10% | 1-3% |
| Utilities (aufgabenspezifisch) | 15-30% | <5% | <5% |
Die Asymptote – die langfristige flache Retentionsrate, die über D90 hinaus bestehen bleibt – ist wichtiger für den LTV als jede einzelne D1/D7/D30-Zahl. Ein Produkt, das 10% der Installs dauerhaft bindet, skaliert grundlegend anders als eines, das 3% bindet.
Median D1 / D7 / D30 retention by category (US, Q3 2025, MWM)
| Category | D1 | D7 | D30 |
|---|---|---|---|
| Social & Communication | 31.9% | 12.3% | 5.9% |
| Lifestyle & Well-being | 23.6% | 9.6% | 4.8% |
| Productivity & Tools | 23.0% | 8.9% | 4.5% |
| Education & Knowledge | 24.9% | 8.6% | 3.6% |
| Media & Entertainment | 24.9% | 8.0% | 3.4% |
| Game | 36.6% | 9.3% | 2.9% |
Zwei Fakten, die die Kategorietabelle deutlich macht. Games haben die höchste D1-Retention im Katalog, aber die niedrigste D30 – die klassische Abfallkurve, bei der ein spektakuläres Onboarding Tag 1 gewinnt, aber Habit-Loop-Mechaniken bis Monat 1 versagen. Social & Communication führt über alle Zeithorizonte – die Langzeit-Asymptote ist dort, wo strukturelle Netzwerkprodukte dominieren. Wenn Ihre Retentionskurve wie die Games-Zeile aussieht (hohes D1, kollabierendes D30), ist der Hebel Mid-Funnel-Re-Engagement; wenn sie wie die Education-Zeile aussieht (moderates D1, stetiger Rückgang), ist der Hebel Wertdichte und Fortschrittstiefe.
Variiert Retention je nach Land?
Gängige Annahme: Retention ist in Schwellenmärkten strukturell niedriger, weil Nutzer eine geringere Kaufabsicht haben, mehr Speicherplatzdruck und aggressiveren App-Wechsel aufweisen. Die Katalogdaten widerlegen diesen Mythos.
Median D1 / D7 / D30 retention by country — Tier-1 vs emerging markets (Q3 2025, MWM)
| Country | D1 | D7 | D30 |
|---|---|---|---|
| United States | 27.3% | 9.2% | 3.9% |
| United Kingdom | 27.2% | 9.0% | 3.9% |
| Germany | 27.4% | 9.0% | 3.8% |
| France | 27.3% | 9.0% | 3.8% |
| Japan | 27.4% | 9.1% | 3.9% |
| South Korea | 27.4% | 9.0% | 3.8% |
| Brazil | 27.1% | 8.9% | 3.8% |
| India | 27.5% | 9.1% | 3.7% |
Die mediane D1/D7/D30-Retention ist über wichtige Märkte hinweg im Wesentlichen gleich. Innerhalb eines halben Prozentpunkts der US-Baseline finden sich UK, Deutschland, Frankreich, Japan, Südkorea, Brasilien, Indien. Die Erzählung "Apps in Schwellenmärkten wandern schneller ab" hält nicht stand – beim Median ist die Retentionsform über Geographien hinweg strukturell ähnlich. Die Variation zwischen MÄRKTEN wird bei Weitem von der Variation zwischen Apps innerhalb eines einzelnen Marktes übertroffen. Lokalisierung, Sprachabdeckung und Content-Rhythmus bewegen die Retention stärker als der Ländermix.
Häufige Retention-Fehler
Die meisten Retention-Probleme sind keine Messprobleme – sie sind vorhersehbare Fehlinterpretationen der Kurve. Die wiederkehrenden Fehler:
- D1 optimieren, während die D30-Asymptote verfällt – ein spektakuläres Onboarding kann Tag 1 aufblähen, ohne den Habit-Loop zu etablieren, der die Langzeit-Rate treibt. D1 sieht im Dashboard gut aus; die Asymptote ist das, was sich im LTV kumuliert.
- Retention als Re-Engagement-Problem behandeln, wenn es ein Produktproblem ist – wenn Retention strukturell schwach über *jede* Kohorte und jeden Kanal hinweg ist, behebt keine Menge an Push oder E-Mail das Problem. Schwache Retention überall ist das wahrhaftigste Signal für fehlenden Product-Market-Fit.
- Gemischte Retention statt Kohorten lesen – eine gemischte Kurve verbirgt, welcher Akquisekanal, welche Plattform oder welche Onboarding-Variante undicht ist. Die gemischte Zahl kann stabil bleiben, während ein bezahlter Kanal darunter still kollabiert.
- Übermäßige Benachrichtigungen zur D7-Steigerung – Nutzer mit Push-Benachrichtigungen zu bombardieren, um sie zurückzubringen, hebt kurzfristige Retention an, erzeugt aber Benachrichtigungsmüdigkeit und Deinstallationen und schadet der Asymptote, die man eigentlich ausbauen möchte. Frequenzdisziplin schlägt Volumen.
- Benchmarking gegen die falsche Kategorie – das D30 eines Casual Game mit dem einer Messaging-App zu vergleichen ist bedeutungslos (der Katalog reicht von 1% bis 50%+). Vergleichen Sie mit dem Median Ihrer Kategorie und vor allem mit Ihrer eigenen historischen Baseline.
Das klassische positive Gegenbeispiel ist die Streak-plus-Erinnerung-Schleife (Duolingo als kanonischer Fall): ein Tagesrückkehr-Mechanismus mit sichtbaren Kosten für das Unterbrechen, unterstützt durch gut getimtes Re-Engagement – was die Langzeit-Asymptote aufbaut statt nur die Zahlen der ersten Woche.