La retención es el porcentaje de usuarios de una cohorte que vuelven a la app N días después de su instalación. D1 = retención en el día 1 (volvieron al día siguiente de instalar), D7 = a los 7 días, D30 = a los 30 días. Es la métrica del cubo con fugas — un producto con gran adquisición y pésima retención quema la audiencia más rápido de lo que puede reponerla, mientras que un producto con adquisición moderada y gran retención genera efectos compuestos. Después del volumen de instalaciones, la retención es la métrica no relacionada con ingresos más importante en el móvil.
Esa distribución es la realidad que la mayoría de los artículos sobre retención ocultan. La mediana del catálogo de apps retiene menos del 4% de las instalaciones en el día 30 — la mayoría de los «buenos benchmarks» que circulan en publicaciones del sector describen el rendimiento del decil superior o del cuartil superior, no la mediana real. Si tu D30 está en el rango del 5-10%, ya estás en el cuartil superior. Si superas el 10%, estás en la banda del decil superior, donde viven las apps de social de consumo, productividad y finanzas.
Benchmarks del sector por categoría (referencias aproximadas para 2026):
- Mensajería / banca / apps de hábitos: D1 50-70%, D7 30-50%, D30 25-50%. Cola larga sustentada por una necesidad diaria estructural.
- Social de consumo / productividad: D1 40-50%, D7 20-30%, D30 10-15%.
- Streaming / medios: D1 35-45%, D7 15-25%, D30 8-15%.
- Juegos casuales: D1 35-45%, D7 12-20%, D30 5-10%.
- Juegos hipercasuales: D1 25-35%, D7 5-10%, D30 1-3%. Diseñados para monetización rápida, no retención.
- Utilidades: enorme dispersión — específicas de tarea (calculadora, linterna): D30 < 5%; recurrentes (seguimiento menstrual, tiempo): D30 > 30%.
Compara con tu propia categoría y con tu propia línea base histórica. Las comparaciones entre categorías llevan a conclusiones erróneas.
Las curvas de retención siguen una forma universal: caída pronunciada en la primera semana (la mayoría de las instalaciones abandonan rápidamente), decaimiento más lento durante las semanas 2-4, y luego una cola larga casi plana. La forma matemática es «decaimiento exponencial + asíntota» — la asíntota es la fracción de usuarios que se convierten en usuarios «permanentes», que seguirán activos meses o años después de la instalación. La asíntota es el número que realmente genera efectos compuestos. Un producto que retiene el 10% de las instalaciones indefinidamente escala de forma fundamentalmente distinta a uno que retiene el 3% — con el tiempo, la base de usuarios permanentes se acumula cohorte a cohorte, y esa acumulación es el motor del crecimiento orgánico.
La distribución anterior está fuertemente sesgada hacia la derecha: decenas de miles de apps del catálogo se agrupan entre el 1-5% D30, una larga cola de apps sólidas supera el 10%, y un pequeño grupo de élite cruza el 20%. La implicación para los equipos de producto: un D30 = 5% se siente mediocre frente a los benchmarks de los blogs, pero en realidad es el cuartil superior del mercado medible. Compara con la mediana de tu categoría en la tabla a continuación, no con los números de titulares de casos de estudio de mensajería o banca.
Calculadora de retención D30
Introduce cuántos usuarios de una cohorte de instalación seguían activos en el día 30 para obtener tu tasa de retención D30 y ver en qué posición te sitúas.
Enter your numbers to see your result and how it compares to the catalog.
Benchmarks: datos de MWM, EE. UU., apps con ≥1.000 descargas en d30. Compara también con la mediana de tu categoría.
Tres métodos de medición de la retención que conviene conocer:
- Retención en el día N (clásica): el usuario volvió EXACTAMENTE el día N. Estricta, número bajo, fácil de calcular. Estándar para los benchmarks D1 / D7 / D30.
- Retención acumulada (más flexible): el usuario volvió el día N o cualquier día POSTERIOR a N. Número más alto, curva más suave, útil para productos de baja frecuencia.
- Retención por rango: el usuario volvió al menos una vez durante una ventana del día N al día N+M. Se usa cuando la granularidad diaria genera demasiado ruido.
Distintos productos utilizan distintos valores predeterminados — lo que importa es la consistencia. Las plataformas de analítica maduras (Amplitude, Mixpanel) ofrecen las tres opciones y te permiten elegir.
Palancas que mueven la retención (en orden aproximado de impacto):
- Tasa de finalización del onboarding — los usuarios que completan el onboarding retienen entre 2-3× más que los que no lo hacen. La palanca más importante para el D1.
- Reactivación del día 1 al día 2 — notificación push, email, mensaje in-app programado para devolver al usuario en las primeras 24 horas. Eleva sustancialmente el D7.
- Mecánicas de bucle de hábito — racha diaria, publicación de contenido diario, integración en la rutina diaria. Impulsa la asíntota de la cola larga.
- Encaje producto-mercado — a nivel macro, la retención es la expresión más fiel del encaje. Si la retención es estructuralmente débil en todas las cohortes, la respuesta suele estar en el producto, no en el marketing.
Benchmarks de retención D1 / D7 / D30 por categoría (2026)
| Categoría | D1 | D7 | D30 |
|---|---|---|---|
| Mensajería / banca / apps de hábitos | 50-70% | 30-50% | 25-50% |
| Social de consumo / productividad | 40-50% | 20-30% | 10-15% |
| Streaming / medios | 35-45% | 15-25% | 8-15% |
| Juegos casuales | 35-45% | 12-20% | 5-10% |
| Juegos hipercasuales | 25-35% | 5-10% | 1-3% |
| Utilidades (específicas de tarea) | 15-30% | <5% | <5% |
La asíntota — la tasa de retención plana a largo plazo que sobrevive más allá del D90 — importa más para el LTV que cualquier número individual de D1/D7/D30. Un producto que retiene el 10% de las instalaciones indefinidamente escala de forma fundamentalmente distinta a uno que retiene el 3%.
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% |
La tabla por categoría pone de manifiesto dos hechos. Los juegos tienen la mayor retención D1 del catálogo pero la menor D30 — la curva de decaimiento clásica, donde un onboarding llamativo gana el día 1 pero las mecánicas de bucle de hábito fallan en el mes 1. Social y comunicación lidera en todos los horizontes — la asíntota de la cola larga es donde dominan los productos con redes estructurales. Si tu curva de retención se parece a la fila de Juegos (D1 alto, D30 en caída), la palanca es la reactivación en el embudo intermedio; si se parece a la fila de Educación (D1 moderado, decaimiento constante), la palanca es la densidad de valor y la profundidad de la progresión.
¿Varía la retención según el país?
Suposición habitual: la retención es estructuralmente más baja en mercados emergentes porque los usuarios tienen menor intención, más presión de almacenamiento y un abandono de apps más agresivo. Los datos del catálogo contradicen este mito.
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% |
La retención mediana D1/D7/D30 es esencialmente plana entre los principales mercados. A menos de medio punto de la línea base de EE. UU. se encuentran el Reino Unido, Alemania, Francia, Japón, Corea del Sur, Brasil e India. La narrativa de que «las apps en mercados emergentes abandonan más rápido» no se sostiene — en la mediana, la forma de la curva de retención es estructuralmente similar entre geografías. La variación entre MERCADOS queda eclipsada por la variación entre apps dentro de cualquier mercado individual. La localización, la cobertura de idiomas y la cadencia de contenido mueven la retención más que la composición geográfica.
Errores habituales en retención
La mayoría de los problemas de retención no son problemas de medición — son malinterpretaciones predecibles de la curva. Las recurrentes:
- Perseguir el D1 mientras la asíntota del D30 se deteriora — un onboarding llamativo puede inflar el día 1 sin construir el bucle de hábito que impulsa la tasa a largo plazo. El D1 se ve bien en el dashboard; la asíntota es lo que se acumula en LTV.
- Tratar la retención como un problema de reactivación cuando es un problema de producto — si la retención es estructuralmente débil en *todas* las cohortes y canales, ninguna cantidad de push o email lo arregla. Una retención débil en todas partes es la señal más clara de falta de encaje producto-mercado.
- Leer la retención combinada en lugar de cohortes — una curva combinada oculta qué fuente de adquisición, plataforma o variante de onboarding está perdiendo usuarios. El número combinado puede mantenerse estable mientras un canal de pago se hunde silenciosamente por debajo.
- Sobrenotificar para inflar el D7 — bombardear a los usuarios con push para traerlos de vuelta eleva la retención a corto plazo pero provoca fatiga con las notificaciones y desinstalaciones, perjudicando la misma asíntota que intentas aumentar. La disciplina en la frecuencia supera al volumen.
- Hacer benchmarking con la categoría incorrecta — comparar el D30 de un juego casual con el de una app de mensajería no tiene sentido (el catálogo abarca del 1% al 50%+). Compara con la mediana de tu categoría y, sobre todo, con tu propia línea base histórica.
El contraejemplo positivo del manual es el bucle de racha más recordatorio (Duolingo es el caso canónico): una mecánica de retorno diario con un coste visible por romperla, respaldada por reactivación bien programada — que construye la asíntota de la cola larga en lugar de limitarse a los números de la primera semana.