La rétention est le pourcentage d'utilisateurs d'une cohorte qui reviennent dans l'application N jours après leur installation. J1 = rétention au jour 1 (revenus le lendemain de l'installation), J7 = au 7e jour, J30 = au 30e jour. C'est la métrique du « seau percé » — un produit avec une excellente acquisition mais une rétention médiocre brûle son audience plus vite qu'il ne peut la renouveler, tandis qu'un produit avec une acquisition correcte et une excellente rétention crée des effets cumulatifs. Après le volume d'installations, la rétention est la métrique non-revenus la plus importante dans le mobile.
Cette distribution est la vérité que la plupart des articles sur la rétention occultent. L'application médiane du catalogue retient moins de 4 % de ses installations au bout de 30 jours — la plupart des « bons benchmarks » cités dans les publications sectorielles décrivent les performances du premier décile ou du premier quartile, pas la réalité du milieu de marché. Si votre J30 se situe dans la fourchette 5-10 %, vous êtes déjà dans le premier quartile. Au-delà de 10 %, vous rejoignez le premier décile où évoluent les réseaux sociaux grand public, les apps de productivité et les apps de finance.
Benchmarks sectoriels par catégorie (repères approximatifs 2026) :
- Messagerie / banque / applications d'habitudes : J1 50-70 %, J7 30-50 %, J30 25-50 %. Longue traîne ancrée par un besoin quotidien structurel.
- Réseaux sociaux grand public / productivité : J1 40-50 %, J7 20-30 %, J30 10-15 %.
- Streaming / médias : J1 35-45 %, J7 15-25 %, J30 8-15 %.
- Jeux casual : J1 35-45 %, J7 12-20 %, J30 5-10 %.
- Jeux hyper-casual : J1 25-35 %, J7 5-10 %, J30 1-3 %. Conçus pour une monétisation rapide, pas pour la rétention.
- Utilitaires : répartition très large — tâche spécifique (calculatrice, lampe torche) : J30 < 5 % ; usage récurrent (suivi du cycle, météo) : J30 > 30 %.
Comparez à votre propre catégorie et à votre référentiel historique. Les comparaisons inter-catégories sont trompeuses.
Les courbes de rétention suivent une forme universelle : chute brutale au cours de la première semaine (la majorité des installations se désengagent rapidement), décroissance plus lente sur les semaines 2 à 4, puis une longue traîne quasi-stable. La forme mathématique est « décroissance exponentielle + asymptote » — l'asymptote est la fraction d'utilisateurs qui deviennent des utilisateurs « permanents », actifs des mois ou des années après l'installation. L'asymptote est le chiffre qui crée vraiment des effets composés. Un produit qui retient 10 % de ses installations indéfiniment évolue de façon fondamentalement différente de celui qui en retient 3 % — au fil du temps, la base d'utilisateurs permanents s'accumule à chaque cohorte, et cet effet cumulatif est le moteur de la croissance organique.
La distribution ci-dessus présente une forte asymétrie à droite : des dizaines de milliers d'applications du catalogue se regroupent entre 1-5 % de J30, une longue traîne d'applications performantes dépasse 10 %, et un petit groupe d'applications d'élite franchit les 20 %. L'implication pour les équipes produit : un J30 à 5 % peut paraître médiocre comparé aux benchmarks des articles de blog, mais représente en réalité le premier quartile de l'ensemble du marché mesurable. Comparez au médian de votre catégorie dans le tableau ci-dessous, pas aux chiffres vedettes des études de cas en messagerie ou banque.
Calculateur de rétention J30
Saisissez combien d'utilisateurs d'une cohorte d'installation étaient encore actifs au 30e jour pour obtenir votre taux de rétention J30, puis voyez où vous vous situez.
Enter your numbers to see your result and how it compares to the catalog.
Benchmarks : données MWM, États-Unis, applications avec ≥ 1 000 téléchargements au J30. Comparez également au médian de votre catégorie.
Trois méthodes de mesure de la rétention à connaître :
- Rétention N-jour (classique) : l'utilisateur est revenu EXACTEMENT le jour N. Mesure stricte, chiffre bas, facile à calculer. Standard pour les benchmarks J1 / J7 / J30.
- Rétention glissante (plus souple) : l'utilisateur est revenu le jour N ou n'importe quel jour APRÈS le jour N. Chiffre plus élevé, courbe plus lisse, utile pour les produits à faible fréquence.
- Rétention par plage : l'utilisateur est revenu au moins une fois dans une fenêtre allant du jour N au jour N+M. Utilisée quand la granularité quotidienne est trop bruitée.
Les différents produits utilisent des valeurs par défaut différentes — ce qui compte, c'est la cohérence. Les plateformes d'analyse matures (Amplitude, Mixpanel) exposent les trois méthodes et vous laissent choisir.
Leviers qui améliorent la rétention (par ordre d'impact approximatif) :
- Taux de complétion de l'onboarding — les utilisateurs qui terminent l'onboarding ont une rétention 2 à 3 fois supérieure à ceux qui ne le font pas. Principal levier J1.
- Réactivation du jour 1 au jour 2 — notification push, e-mail, message in-app programmé pour ramener l'utilisateur dans les 24 heures. Améliore sensiblement le J7.
- Mécaniques de boucle d'habitude — série quotidienne, contenu quotidien, intégration dans la routine quotidienne. Tire vers le haut l'asymptote de longue traîne.
- Adéquation produit-marché — au niveau macro, la rétention est l'expression la plus fidèle de l'adéquation. Si la rétention est structurellement faible sur toutes les cohortes, la réponse est généralement le produit, pas le marketing.
Benchmarks de rétention J1 / J7 / J30 par catégorie (2026)
| Catégorie | J1 | J7 | J30 |
|---|---|---|---|
| Messagerie / banque / applications d'habitudes | 50-70% | 30-50% | 25-50% |
| Réseaux sociaux grand public / productivité | 40-50% | 20-30% | 10-15% |
| Streaming / médias | 35-45% | 15-25% | 8-15% |
| Jeux casual | 35-45% | 12-20% | 5-10% |
| Jeux hyper-casual | 25-35% | 5-10% | 1-3% |
| Utilitaires (tâche spécifique) | 15-30% | <5% | <5% |
L'asymptote — le taux de rétention stable à long terme qui subsiste au-delà du J90 — importe davantage pour la LTV que n'importe quel chiffre J1/J7/J30 isolé. Un produit qui retient 10 % de ses installations indéfiniment évolue de façon fondamentalement différente de celui qui en retient 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% |
Deux faits que le tableau par catégorie met clairement en évidence. Les jeux affichent la rétention J1 la plus élevée du catalogue, mais le J30 le plus bas — la courbe de décroissance classique, où un onboarding spectaculaire gagne le jour 1 mais où les mécaniques de boucle d'habitude échouent dès le premier mois. Social & Communication domine à tous les horizons — l'asymptote de longue traîne est là où les produits à réseau structurel s'imposent. Si votre courbe ressemble à la ligne Jeux (J1 élevé, J30 effondré), le levier est le réengagement en milieu de parcours ; si elle ressemble à la ligne Éducation (J1 modeste, décroissance régulière), le levier est la densité de valeur et la profondeur de la progression.
La rétention varie-t-elle selon les pays ?
Idée reçue courante : la rétention serait structurellement plus faible dans les marchés émergents car les utilisateurs y ont une intention plus faible, une contrainte de stockage plus forte et un désengagement applicatif plus agressif. Les données du catalogue contredisent ce mythe.
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 rétention médiane J1/J7/J30 est essentiellement identique sur les grands marchés. À moins d'un demi-point du niveau de référence américain, on trouve le Royaume-Uni, l'Allemagne, la France, le Japon, la Corée du Sud, le Brésil et l'Inde. Le récit selon lequel « les applications se désengagent plus vite dans les marchés émergents » ne tient pas — au niveau médian, la structure de la courbe de rétention est similaire d'une géographie à l'autre. La variation entre les MARCHÉS est bien moindre que la variation entre les applications au sein d'un même marché. La localisation, la couverture linguistique et la cadence de contenu influencent davantage la rétention que la composition géographique.
Erreurs fréquentes en matière de rétention
La plupart des problèmes de rétention ne sont pas des problèmes de mesure — ce sont des mauvaises lectures prévisibles de la courbe. Les plus récurrents :
- Optimiser le J1 pendant que l'asymptote J30 se dégrade — un onboarding spectaculaire peut gonfler le jour 1 sans construire la boucle d'habitude qui tire vers le haut le taux de longue traîne. Le J1 est flatteur dans le tableau de bord ; c'est l'asymptote qui se cumule en LTV.
- Traiter la rétention comme un problème de réengagement alors que c'est un problème produit — si la rétention est structurellement faible sur *chaque* cohorte et canal, aucune quantité de push ou d'e-mail n'y remédiera. Une rétention faible partout est le signal le plus fiable d'une absence d'adéquation produit-marché.
- Lire la rétention agrégée plutôt que par cohortes — une courbe agrégée masque quelle source d'acquisition, quelle plateforme ou quelle variante d'onboarding perd des utilisateurs. Le chiffre agrégé peut rester stable pendant qu'un canal payant s'effondre discrètement en dessous.
- Sur-notifier pour booster le J7 — bombarder les utilisateurs de pushs pour les faire revenir améliore la rétention à court terme mais génère de la fatigue aux notifications et des désinstallations, nuisant à l'asymptote même que vous cherchez à développer. La discipline de fréquence prime sur le volume.
- Se comparer à la mauvaise catégorie — comparer le J30 d'un jeu casual à celui d'une application de messagerie n'a aucun sens (le catalogue va de 1 % à 50 %+). Comparez au médian de votre catégorie, et surtout à votre propre référentiel historique.
L'exemple positif de référence est la boucle série-plus-rappel (Duolingo étant le cas canonique) : une mécanique de retour quotidien avec un coût visible à l'interruption, soutenue par un réengagement bien rythmé — ce qui construit l'asymptote de longue traîne plutôt que simplement les chiffres de la première semaine.