La retention è la percentuale di utenti di una coorte che torna sull'app N giorni dopo l'installazione. D1 = retention al giorno 1 (tornati il giorno successivo all'installazione), D7 = a 7 giorni, D30 = a 30 giorni. È la metrica del secchio bucato — un prodotto con un'ottima acquisizione e una retention pessima brucia il pubblico più velocemente di quanto riesca a ricostituirlo, mentre un prodotto con un'acquisizione discreta e un'ottima retention produce effetto composto. Dopo il volume di installazioni, la retention è la metrica non-revenue più importante nel mobile.
Questa distribuzione è la verità che la maggior parte degli articoli sulla retention oscura. La mediana delle app nel catalogo trattiene meno del 4% delle installazioni al giorno 30 — la maggior parte dei numeri "buoni come benchmark" citati nei post di settore descrive la performance del primo decile o del primo quartile, non la reale fascia centrale. Se il tuo D30 si trova nella fascia 5-10%, sei già nel primo quartile. Sopra il 10%, sei nella fascia del primo decile dove vivono le app social per consumatori, di produttività e finance.
Benchmark di settore per categoria (riferimenti indicativi 2026):
- Messaggistica / banking / app basate su abitudini: D1 50-70%, D7 30-50%, D30 25-50%. Coda lunga ancorata da un bisogno strutturale quotidiano.
- Social per consumatori / produttività: D1 40-50%, D7 20-30%, D30 10-15%.
- Streaming / media: 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%. Progettate per una monetizzazione rapida, non per la retention.
- Utility: spread enorme — task-specific (calcolatrice, torcia): D30 < 5%; a uso ricorrente (ciclo mestruale, meteo): D30 > 30%.
Confronta con la tua categoria e con la tua baseline storica. I confronti tra categorie diverse sono fuorvianti.
Le curve di retention seguono una forma universale: calo ripido nella prima settimana (la maggior parte delle installazioni abbandona rapidamente), decadimento più lento nelle settimane 2-4, poi una coda lunga quasi piatta. La forma matematica è "decadimento esponenziale + asintoto" — l'asintoto è la frazione di utenti che diventano utenti "permanenti", attivi mesi o anni dopo l'installazione. L'asintoto è il numero che si accumula davvero. Un prodotto che trattiene il 10% delle installazioni indefinitamente scala in modo fondamentalmente diverso rispetto a uno che ne trattiene il 3% — nel tempo, la base di utenti permanenti si accumula da ogni coorte, e questo effetto composto è il motore della crescita organica.
La distribuzione sopra è fortemente asimmetrica verso destra: decine di migliaia di app del catalogo si raggruppano tra 1-5% D30, una lunga coda di app forti supera il 10%, e un piccolo gruppo di app d'élite oltrepassa il 20%. L'implicazione per i team di prodotto: D30 = 5% sembra mediocre rispetto ai benchmark dei blog, ma è in realtà nel primo quartile del mercato misurabile. Confronta con la mediana della tua categoria nella tabella qui sotto, non con i numeri di punta dei case study di messaggistica o banking.
Calcolatore di retention D30
Inserisci quanti utenti di una coorte di installazione erano ancora attivi al giorno 30 per ottenere il tuo tasso di retention D30, poi scopri dove ti posizioni.
Enter your numbers to see your result and how it compares to the catalog.
Benchmark: dati MWM, USA, app con ≥1.000 download al d30. Confronta anche con la mediana della tua categoria.
Tre metodi di misurazione della retention da conoscere:
- Retention N-day (classica): l'utente è tornato ESATTAMENTE il giorno N. Rigorosa, numero basso, facile da calcolare. Standard per i benchmark D1 / D7 / D30.
- Rolling retention (più permissiva): l'utente è tornato il giorno N o in qualsiasi giorno SUCCESSIVO. Numero più alto, curva più uniforme, utile per prodotti a bassa frequenza d'uso.
- Range retention: l'utente è tornato almeno una volta in una finestra da giorno N a giorno N+M. Usata quando la granularità giornaliera è troppo rumorosa.
Prodotti diversi usano impostazioni predefinite diverse — ciò che conta è la coerenza. Le piattaforme di analytics mature (Amplitude, Mixpanel) le espongono tutte e tre e ti permettono di scegliere.
Leve che influenzano la retention (in ordine approssimativo di impatto):
- Tasso di completamento dell'onboarding — gli utenti che completano l'onboarding hanno una retention 2-3× superiore rispetto a chi non lo completa. La leva singola più importante per il D1.
- Riattivazione dal giorno 1 al giorno 2 — notifica push, email, prompt in-app calibrato per riportare l'utente entro 24 ore. Aumenta significativamente il D7.
- Meccaniche di habit loop — streak giornaliero, rilascio di contenuti quotidiani, integrazione nella routine quotidiana. Guida l'asintoto della coda lunga.
- Product-market fit — a livello macro, la retention è l'espressione più autentica del fit. Se la retention è strutturalmente debole su tutte le coorti, la risposta è di solito il prodotto, non il marketing.
Benchmark di retention D1 / D7 / D30 per categoria (2026)
| Categoria | D1 | D7 | D30 |
|---|---|---|---|
| Messaggistica / banking / app basate su abitudini | 50-70% | 30-50% | 25-50% |
| Social per consumatori / produttività | 40-50% | 20-30% | 10-15% |
| Streaming / media | 35-45% | 15-25% | 8-15% |
| Casual games | 35-45% | 12-20% | 5-10% |
| Hyper-casual games | 25-35% | 5-10% | 1-3% |
| Utility (task-specific) | 15-30% | <5% | <5% |
L'asintoto — il tasso di retention piatto sulla coda lunga che sopravvive oltre il D90 — conta più per l'LTV di qualsiasi singolo numero D1/D7/D30. Un prodotto che trattiene il 10% delle installazioni indefinitamente scala in modo fondamentalmente diverso rispetto a uno che ne trattiene il 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% |
Due fatti che la tabella per categoria rende evidenti. I giochi hanno la retention D1 più alta del catalogo ma la D30 più bassa — la classica curva di decadimento, dove un onboarding accattivante vince il giorno 1 ma le meccaniche di habit loop falliscono entro il primo mese. Social e Comunicazione guida a ogni orizzonte temporale — l'asintoto della coda lunga è dove dominano i prodotti con una rete strutturale. Se la tua curva di retention assomiglia alla riga Games (D1 alta, D30 in crollo), la leva è il re-engagement a metà funnel; se assomiglia alla riga Education (D1 modesta, decadimento costante), la leva è la densità di valore e la profondità della progressione.
La retention varia in base al paese?
Assunzione comune: la retention è strutturalmente più bassa nei mercati emergenti perché gli utenti hanno un'intenzione più debole, più pressione sulla memoria del dispositivo e un abbandono delle app più aggressivo. I dati del catalogo contraddicono questo 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 retention mediana D1/D7/D30 è essenzialmente uniforme tra i principali mercati. A meno di mezzo punto dalla baseline degli USA si trovano UK, Germania, Francia, Giappone, Corea del Sud, Brasile, India. La narrativa secondo cui "le app nei mercati emergenti abbandonano più rapidamente" non regge — alla mediana, la forma della retention è strutturalmente simile tra le aree geografiche. La variazione tra MERCATI è eclissata dalla variazione tra app all'interno di qualsiasi singolo mercato. La localizzazione, la copertura linguistica e il ritmo dei contenuti influenzano la retention più del mix geografico.
Errori comuni sulla retention
La maggior parte dei problemi di retention non sono problemi di misurazione — sono interpretazioni errate prevedibili della curva. Quelli ricorrenti:
- Inseguire il D1 mentre l'asintoto del D30 si deteriora — un onboarding accattivante può gonfiare il giorno 1 senza costruire l'habit loop che guida il tasso sulla coda lunga. Il D1 sembra buono nel dashboard; l'asintoto è ciò che si accumula in LTV.
- Trattare la retention come un problema di re-engagement quando è un problema di prodotto — se la retention è strutturalmente debole su *ogni* coorte e canale, nessuna quantità di push o email la risolve. Una retention debole ovunque è il segnale più autentico di un product-market fit mancante.
- Leggere la retention aggregata invece delle coorti — una curva aggregata nasconde quale fonte di acquisizione, piattaforma o variante di onboarding stia perdendo utenti. Il numero aggregato può restare stabile mentre un canale a pagamento crolla silenziosamente al di sotto.
- Sovra-notificare per gonfiare il D7 — bombardare gli utenti di push per trascinarli indietro aumenta la retention a breve termine ma provoca stanchezza da notifiche e disinstallazioni, danneggiando proprio l'asintoto che stai cercando di far crescere. La disciplina sulla frequenza batte il volume.
- Confrontarsi con la categoria sbagliata — paragonare il D30 di un casual game a quello di un'app di messaggistica non ha senso (il catalogo va da 1% a 50%+). Confronta con la mediana della tua categoria, e soprattutto con la tua baseline storica.
Il classico contro-esempio positivo è il ciclo streak-più-reminder (Duolingo è il caso canonico): una meccanica di ritorno quotidiano con un costo visibile nel romperla, supportata da un re-engagement ben calibrato — che costruisce l'asintoto della coda lunga anziché limitarsi ai numeri della prima settimana.