Retention-Rate mobiler Apps: berechnen und Benchmarks lesen

Die Retention-Rate einer mobilen App ist der Anteil der Nutzer aus einer Installationskohorte, die an einem festgelegten Tag nach der Installation in die App zurückkehren. Nehmen Sie die Nutzer der Kohorte, die nach Ihrer gewählten Regel zurückkommen, teilen Sie durch die ursprüngliche Größe der Kohorte und multiplizieren Sie mit 100. Lesen Sie das Ergebnis als Kurve mit drei Wegpunkten, Tag 1, Tag 7 und Tag 30, statt als einzelnes Abzeichen, das man bekommt oder verfehlt.

Stellen Sie sich eine Fitness-App vor, die im Januar 84 neue Mitglieder gewinnt. Am Ende der zweiten Woche öffnen sie noch 39. Nach Woche vier 22. Nach Woche acht 11. Diese Folge sagt viel mehr über das Geschäft als jede einzelne Zahl. Die meisten App-Teams lernen das auf die harte Tour: Sie öffnen das Retention-Dashboard, sehen an Tag 30 einen einstelligen Wert und streiten ein Quartal lang darüber, ob er „gut“ ist. Der Streit geht am Kern vorbei.

Was bedeutet die Retention-Rate einer mobilen App?

Zwei Apps können beide eine Retention-Rate von 8 % an Tag 30 melden und Verschiedenes meinen. Die eine zählt alle, die die App ab Tag 30 mindestens einmal geöffnet haben. Die andere zählt nur Personen, die sie genau an Tag 30 geöffnet haben. Die eine mischt iOS und Android, neue Installationen und langjährige Nutzer. Gleiche Schlagzeile, andere Messung.

Die Formel ist einfach: Nutzer der Kohorte, die nach Ihrer Regel zurückkehren ÷ ursprüngliche Größe der Kohorte × 100. Schwierig ist, sich auf die Eingaben zu einigen, bevor die Zahlen erscheinen.

Die Kohorte hält die Kennzahl ehrlich. Sie funktioniert wie eine Anwesenheitsliste: 84 Schüler melden sich zur ersten Stunde an, und Sie verfolgen, wie viele zur zweiten Stunde wiederkommen, wer nach einer Woche noch dabei ist und wer bei der Bilanz nach vier Wochen bleibt. Sie würden nie die neuen Schüler dieser Woche zur Anwesenheit des letzten Monats addieren und die Klasse stabil nennen. Dieselbe Logik gilt für Abonnenten; siehe Kundenbindungsrate.

Wohin verläuft die Kurve?

Die Retention fällt am Anfang am schnellsten, und dieses Muster ist normal. OneSignals Mobile App Benchmarks of 2024 beziffern die durchschnittliche Retention auf 28,29 % an Tag 1, 17,86 % an Tag 7 und 7,88 % an Tag 30, mit Ergebnissen für 12 App-Kategorien. Weniger als einer von drei Nutzern kam am Tag nach der Installation zurück. Weniger als einer von fünf überstand die erste Woche. Nach einem Monat war weniger als einer von zwölf übrig.

Derselbe Benchmark zeigt Business-Apps noch niedriger: 25,38 % an Tag 1, 16,85 % an Tag 7 und 6,94 % an Tag 30. Die Kategorie verschiebt das Niveau; die abfallende Form bleibt vertraut.

Jeder Messpunkt beantwortet eine andere Frage:

• Tag 1 spiegelt das Onboarding: ob der Nutzer einen ersten Nutzen erreicht hat, wie gut der Akquisitionskanal zum Produkt passte und ob in der ersten Sitzung etwas kaputtging.
• Tag 7 zeigt, ob sich die App einen Platz in der kurzfristigen Routine erarbeitet hat.
• Tag 30 ist das früheste Signal, das dauerhaftem Engagement am nächsten kommt, und bei Abo-Apps dafür, ob das Produkt eine zahlende Beziehung halten kann.

Die nützliche Frage ist also selten „Wie hoch ist meine Retention-Rate?“. Sie lautet: Wo flacht die Kurve ab, und was passiert mit den Nutzern, die an diesem Punkt noch da sind?

Der praktische Wechsel: Lesen Sie die Steilheit jedes Abschnitts und benennen Sie dann das Problem. Ein Abfall von Tag 1 zu Tag 7 deutet auf schwache Gewohnheitsbildung. Ein Abfall von Tag 7 zu Tag 30 deutet auf einen dünnen fortlaufenden Nutzen. Beide brauchen unterschiedliche Lösungen.

Bei Abo-Apps erklärt der Abfall zwischen Installation und erstem Monat auch, warum Engagement-Retention und Abrechnungs-Retention zusammen gelesen werden müssen. Ein Nutzer kann die App noch öffnen, während eine fehlgeschlagene Zahlung, eine ablaufende Karte oder eine stille Kündigung die Umsatzbeziehung beendet.

Wie berechnen Sie Ihre eigene Retention-Rate?

1. 01 Kohorte festlegen Ein Installationszeitraum, Größe vor der Abfrage fixiert
2. 02 Rückkehr definieren App-Start oder Kernaktion, vor dem Blick auf die Daten gewählt
3. 03 Zeitfensterregel wählen Genauer Tag, mehrere Tage oder jederzeit danach
4. 04 Teilen und wiederholen Rückkehrer ÷ Kohortengröße × 100, an Tag 1, 7 und 30

Sechs Schritte, jeder da, um einen bestimmten Fehler zu verhindern.

1. Legen Sie die Installationskohorte fest. Wählen Sie eine Gruppe mit gemeinsamem Start, etwa alle, die in der ersten Märzwoche installiert haben, und fixieren Sie ihre Größe, bevor Sie etwas abfragen. Ohne festen Nenner verschiebt sich die Zahl, wenn neue Nutzer hinzukommen.
2. Definieren Sie das Rückkehrereignis, bevor Sie die Daten ansehen. Das Öffnen der App ist die übliche Wahl, aber für manche Produkte ist eine Kernaktion besser: ein Training erfassen, eine Rechnung senden, ein Bankkonto verbinden. Die Definition erst nach dem Blick auf die Zahlen zu wählen ist der Weg, auf dem Teams bei einer Kennzahl landen, die nur steigen kann.
3. Wählen Sie eine Fensterregel. Retention am exakten Tag zählt einen Nutzer nur, wenn er die App genau an Tag 7 öffnet. Ein Fenster zählt Öffnungen irgendwann an den Tagen 6 bis 8. Eine Ab-irgendwann-Regel zählt alle, die die App ab Tag 7 mindestens einmal geöffnet haben. Sie ergeben nicht dieselbe Zahl, notieren Sie also jedes Mal, welche Sie verwendet haben.
4. Zählen Sie die Treffer an jedem Messpunkt. Tag 1, Tag 7 und Tag 30, gleiche Kohorte, gleiche Regel.
5. Teilen Sie durch die ursprüngliche Größe der Kohorte und multiplizieren Sie mit 100. Beispiel (hypothetische Zahlen): 1.000 Installationen, 260 öffnen an Tag 1, also 26 %. An Tag 7 zählen Sie 130: 13 %. An Tag 30 zählen Sie 45: 4,5 %. Drei Zahlen, eine Kohorte, eine Geschichte.
6. Vergleichen Sie mit dem vorigen Zeitraum derselben Kohorte, nicht mit einem Branchendurchschnitt. Der Vergleich, der Ihre Arbeit widerspiegelt, ist Ihre eigene Kurve, die sich von Kohorte zu Kohorte bewegt.

Welche zwei Fehler machen die Zahl kaputt?

Der erste ist eine undichte Kohorte. Wenn Nutzer, die im März, April und Mai installiert haben, alle in einem Topf landen, wächst der Nenner ständig, während der Zähler Produktversionen mischt. Die Retention wirkt flach, obwohl sie schlechter wird.

Der zweite ist ein Tool-Widerspruch. Wenn Ihre Installationszahl von einem Attributionsanbieter kommt und Ihre Sitzungszahl von einem Produktanalyse-SDK, können beide bei Geräteidentität, Zeitzone oder dem, was als Sitzung zählt, voneinander abweichen. Eine Rate an Tag 1 über 100 % kommt fast immer daher. Wählen Sie für jede Seite des Bruchs eine einzige verlässliche Quelle und bleiben Sie dabei.

Die richtige Kohorte ist die Basis für alles andere und dieselbe Grundlage, die Sie für die Kohortenanalyse der Retention brauchen.

Warum gehen Retention-Benchmarks auseinander?

Die Definition hinter einer Retention-Zahl kann das Ergebnis stärker bewegen als die Qualität der App. Ein Nutzer, der die App genau an Tag 7 öffnen muss, besteht einen strengeren Test als einer, der sie irgendwann zwischen Tag 6 und Tag 8 oder irgendwann nach Tag 7 öffnen darf. Gleiches Verhalten, drei verschiedene Urteile.

Die Methoden benennen: Die strenge Version ist die klassische Retention, bei der ein Nutzer an genau diesem Tag zurückkehren muss. Die lockerste ist die Rolling Retention, bei der jede Rückkehr ab Tag 7 zählt. Wenn eine Retention-Zahl ohne Methode kommt, fragen Sie nach, bevor Sie vergleichen.

Definition	Gilt als gehalten, wenn	Wirkung auf die gemeldete Rate
Exakter Tag	Der Nutzer öffnet die App genau an Tag 7	Niedrigster Wert, strengster Test
Zeitfenster	Der Nutzer öffnet sie irgendwann an den Tagen 6 bis 8	Höher, hängt von der Fensterbreite ab
Irgendwann danach	Der Nutzer öffnet sie ab Tag 7 mindestens einmal	Höchster Wert, verdeckt Abwanderung

Rolling Retention ist die schmeichelhafteste und die am wenigsten aussagekräftige: Ein Nutzer, der im ersten Monat einmal zurückkam und nie wieder, zählt trotzdem als gehalten.

Die Definition ist nicht die einzige Variable. Adjusts Hinweise zu Retention-Benchmarks schlüsseln Ergebnisse nach Region auf, und die Kategorie vergrößert die Spanne weiter, weil Apps, die auf tägliche Gewohnheiten setzen, Nutzer tendenziell länger halten als Tools, die nur bei Bedarf geöffnet werden.

Was sollten Sie vor einem Vergleich mit einem Benchmark prüfen?

• Definition: klassisch, Fenster oder rolling.
• Fensterbreite: exakter Tag oder eine Spanne von Tagen.
• Plattform-Mix: iOS und Android getrennt oder gemischt gemeldet.
• Geografie: welche Märkte der Datensatz abdeckt.
• Akquisitionskanal: bezahlt, organisch und Empfehlung gemischt oder getrennt.
• Kategorie: Ihre Unterkategorie, nicht der Durchschnitt aller Apps.

Wenn einer dieser Punkte abweicht, sind die beiden Zahlen nicht direkt vergleichbar, und ein Abstand zwischen ihnen sagt nichts über Ihre App.

Abo-Unternehmen brauchen außerdem eine zweite Unterscheidung: Verhaltens-Retention auf der einen Seite, bezahlte Retention, Verlängerungen, unfreiwilliger Churn und Reaktivierung auf der anderen. Ein Nutzer kann aufhören, Ihre App zu öffnen, und trotzdem jeden Monat belastet werden; ein anderer kann sie nach einer fehlgeschlagenen Zahlung weiter täglich öffnen. Zur Churn-Seite siehe Churn-Rate-Benchmarks.

Was sind typische Benchmarks an Tag 1, Tag 7 und Tag 30?

Die Form ist über Datensätze hinweg gleich: ein steiler Abfall in der ersten Woche, danach ein langsamerer Rückgang. Die Zahlen unterscheiden sich je nach Quelle.

Benchmark	Tag 1	Tag 7	Tag 30
OneSignal 2024, alle veröffentlichten Kategorien	28,29 %	17,86 %	7,88 %
OneSignal 2024, Business-Apps	25,38 %	16,85 %	6,94 %
Adjust 2024, globaler Median, zitiert von RapidNative	26 %	13 %	7 %

Die Adjust-Zahlen stammen aus RapidNatives Playbook zur Retention mobiler Apps, das sie als „Adjusts globalen Benchmark 2024“ der Median-Retention beschreibt. OneSignal meldet Durchschnittswerte; Adjust, wie zitiert, Mediane. Das allein reicht, damit sich die beiden Zeilen unterscheiden, und genau das ist die Lehre: „den Branchendurchschnitt“ zu zitieren, ohne Quelle und Methode zu nennen, ist wie eine Temperatur anzugeben, ohne zu sagen, in welcher Stadt sie gemessen wurde.

Wählen Sie die Zeile, die zu Ihrer Lage passt. Ein Team mit einem B2B-Tool sollte die OneSignal-Zeile für Business-Apps lesen (6,94 % an Tag 30) statt der Zeile für alle Kategorien (7,88 %). Der Unterschied ist hier klein, aber die Gewohnheit schützt Sie davor, einem Durchschnitt nachzujagen, der aus Apps gebildet wurde, die Ihrer gar nicht ähneln. Prüfen Sie dann, ob die Quelle dieselbe Fensterregel wie Sie verwendet hat.

Noch eine Grenze: Jede Zeile oben zählt einen Nutzer als gehalten, wenn er die App erneut öffnet. Keine sagt, ob dieser Nutzer noch zahlt.

Wie unterscheidet sich Engagement-Retention von Abo-Retention?

1. 01 Nutzungs-Retention Nutzer einer Installationskohorte, die die App erneut öffnen. Quelle: Produktanalyse.
2. 02 Abo-Retention Nutzer, die noch zahlen: Verlängerungen, fehlgeschlagene Zahlungen, Kündigungen, Rückgewinnungen. Quelle: Abrechnung, App Store oder Google Play.

Nehmen Sie eine Abo-App mit stabiler Nutzung: Wöchentliche Öffnungen halten sich Monat für Monat bei 40 % des Bestands. Dann knickt der monatlich wiederkehrende Umsatz nach unten ab, und niemand kann es erklären, weil das Engagement gut aussieht.

Die Erklärung liegt meist im Abrechnungssystem, nicht im Produkt. Eine Karte läuft ab. Eine Verlängerung wird abgelehnt. Ein Abonnent tippt auf Kündigen und sagt es Ihnen nie. Nutzungskennzahlen sehen nichts davon.

Öffentliche App-Benchmarks zählen einen Nutzer als gehalten, wenn er in die App zurückkehrt. Die Wirtschaftlichkeit eines Abos hängt von der Umwandlung der Testphase, dem Zeitpunkt der Verlängerung, der Laufzeit, fehlgeschlagenen Zahlungen, Kündigungen und Win-backs ab. Decks Zusammenfassung von RevenueCats State of Subscription Apps 2025 ist ein Ort, um zu sehen, wie Churn und Retention je nach Laufzeit und Preis schwanken. Eine App kann eine mäßige Nutzungs-Retention halten und dabei dauerhaften Umsatz erzeugen, oder eine starke Nutzung haben und an jedem Abrechnungstermin Abonnenten verlieren.

Im App Store und bei Google Play durchlaufen fehlgeschlagene Verlängerungen die eigenen Retry- und Kulanzfristen der Stores; siehe Billing Retry und Kulanzfrist im App Store und Kulanzfrist und Kontosperre bei Google Play.

Wie kombinieren Sie Verhaltens- und Abrechnungskohorten?

Verbinden Sie Engagement-Signale mit Abrechnungszuständen. Sechs Kohorten decken die meisten Fälle ab:

Kohorte	Engagement-Signal	Abrechnungssignal	Wahrscheinliche Aktion
Aktiv, aber unbezahlt	Öffnet wöchentlich	Zahlung fehlgeschlagen	Aufforderung zur Aktualisierung der Zahlung und zeitlich geplante Retries
Bezahlt, aber inaktiv	Seit 14 Tagen keine Öffnung	Verlängerung naht	Erinnerung an den Nutzen vor der Verlängerung
Testphase kurz vor Umwandlung	Öffnet täglich	Testphase endet in 3 Tagen	Aufforderung zum Abschluss mit einem klaren Vorteil
Fehlgeschlagene Verlängerung	Öffnet die App noch	Karte abgelehnt	Retries zur Rückgewinnung und ein Link zur Aktualisierung
Kürzlich gekündigt	Öffnet nicht mehr	Gekündigt	Win-back-Nachrichten nach 30, 60 und 90 Tagen
Lange dabei, wenig Nutzung	Öffnet monatlich	Voller Preis, Jahresplan	Kurzer Nutzungs-Check vor dem Verlängerungsdatum

Aktivität an Tag 1, Tag 7 und Tag 30 allein kann geringes Engagement nicht von Preissensibilität, einer ablaufenden Karte oder einer bewussten Kündigung unterscheiden. Jedes braucht eine andere Antwort, und einen Rabatt an jemanden zu senden, dessen Karte einfach abgelaufen ist, verschwendet Marge.

Eine vor der Verlängerung entfernte Karte ist eines der deutlichsten Warnzeichen. NoChurn gibt jedem neuen Kunden bei der Anmeldung einen Churn-Score von 0 bis 100, basierend auf der Zahlungsmethode, der Anmeldequelle und den eigenen Daten, die Sie senden, und hebt ihn an, wenn eine Karte vor dem Verlängerungsdatum entfernt wird, damit Sie handeln können, bevor die Zahlung fehlschlägt.

Vorsicht bei kleinen Stichproben: Bei einem überschaubaren Kundenstamm sind Vergleiche von Attributen Beobachtungen an kleinen Stichproben. Behandeln Sie ein Muster aus 40 Kunden als Hypothese, die Sie testen, nicht als Beweis.

Sie können Ihre eigenen Attribute, etwa Anmeldedatum, Anmeldequelle, Plätze, Nutzung, Onboarding-Fortschritt oder NPS, mit einem API-Aufruf senden und Kunden, die gegangen sind, mit denen vergleichen, die geblieben sind, um zu sehen, welche Attribute mit Churn einhergehen (eigene Daten und KI). Die Umsatzsicht auf dasselbe Problem ist die Net Revenue Retention: ob der zahlende Bestand nach Upgrades, Downgrades und Kündigungen wächst oder schrumpft.

Wie legen Sie Ihren eigenen Ausgangswert fest?

Benchmarks sagen Ihnen, ob Sie ungefähr im normalen Bereich liegen. Nur Ihr eigener Trend von Kohorte zu Kohorte sagt Ihnen, ob Sie besser werden.

1. Bilden Sie den Ausgangswert aus Ihren letzten drei Installationskohorten. Messen Sie für jede Tag 1, Tag 7 und Tag 30, getrennt nach Plattform und Akquisitionskanal, mit der gewählten Fensterregel. Gleichbleibende 20 % an Tag 1 sagen Ihnen weniger als 24 %, die über zwei Kohorten auf 17 % gerutscht sind.
2. Vergleichen Sie mit der nächstliegenden Benchmark-Zeile, nicht mit dem globalen Durchschnitt. Wenn die meisten Ihrer Nutzer in einer Nischenkategorie auf Android sind, ist der gemischte Wert der falsche Spiegel.
3. Ergänzen Sie eine Abrechnungsebene, wenn Sie Abos verkaufen. Zählen Sie für jede Kohorte die Nutzer an Tag 30, die noch zahlen, die im Zustand fehlgeschlagene Zahlung oder gekündigt sind, und die über Win-back zurückkamen.
4. Geben Sie der Auswertung einen Rhythmus und eine Fußnote. Monatliche Kohortenauswertungen funktionieren. Schreiben Sie neben jede Zahl Definition, Plattform, Kanal und Zeitraum, damit der Vergleich ehrlich bleibt, wenn jemand ihn in sechs Monaten liest.
5. Testen Sie eine Änderung pro Kohorte. Win-back-Nachrichten 30, 60 und 90 Tage nach der Kündigung ergeben einen sauberen Test mit einer einzigen Variablen. Eine Änderung pro Kohortenfenster, sonst wissen Sie nicht, was die Zahl bewegt hat.

Beantworten Sie vor der nächsten Auswertung eine Frage: Welche Kohorte verliert den meisten Wert, und welche Änderung testen Sie als Erstes an ihr?

Wie NoChurn hilft

Wenn Ihre Retention-Kurve gut aussieht, während der Umsatz abdriftet, liegt die Lücke meist in der Abrechnung statt im Verhalten, und genau auf dieser Ebene arbeitet NoChurn. Es verbindet sich mit einem Klick mit Stripe und arbeitet mit Chargebee, Recurly, Paddle, dem App Store, Google Play und anderen oder mit jeder Abrechnung über die API. Bei Web-Abrechnung holt es fehlgeschlagene Zahlungen mit intelligenten Retries und KI-geschriebenen E-Mails zurück, betreibt einen Kündigungsflow mit Angeboten passend zum Grund und dem immer sichtbaren Kündigen per Klick und sendet Win-back-Nachrichten nach 30, 60 und 90 Tagen je nach Kündigungsgrund. Im App Store und bei Google Play bleiben Billing Retries und der Kündigen-Button bei Apple und Google; NoChurn liest die Abo-Ereignisse und übernimmt Scoring und Win-back. Der Preis hängt nur vom MRR ab, kostenlos bis 300 $ MRR und ohne Provision (eine eigene Versanddomain braucht einen bezahlten Plan, ab 9 $).