Tasa de retención de apps móviles: cómo calcularla y leer los benchmarks
Cómo calcular la retención de una app móvil en los días 1, 7 y 30, por qué los benchmarks no coinciden y por qué una app de suscripción mira la facturación.

La tasa de retención de una app móvil es la parte de los usuarios de una cohorte de instalación que vuelven a la app en un día determinado después de instalarla. Toma los usuarios de la cohorte que vuelven según la regla que elijas, divídelos entre el tamaño original de la cohorte y multiplica por 100. Léela como una curva con tres puntos de referencia, el Día 1, el Día 7 y el Día 30, y no como una medalla que se gana o se pierde.
Imagina una app de fitness que consigue 84 miembros nuevos en enero. Al final de la segunda semana, 39 siguen abriéndola. En la cuarta semana, 22. En la octava, 11. Esa secuencia dice mucho más del negocio que cualquier cifra aislada. La mayoría de los equipos de apps lo aprende por las malas: abren el panel de retención, ven una cifra del Día 30 de un solo dígito y pasan un trimestre discutiendo si es “buena”. La discusión no va al fondo.
¿Qué significa la tasa de retención de una app móvil?
Dos apps pueden indicar una retención del 8% en el Día 30 y querer decir cosas distintas. Una cuenta a cualquiera que abrió la app al menos una vez a partir del día 30. La otra cuenta solo a quienes la abrieron el propio día 30. Una mezcla iOS y Android, instalaciones nuevas y usuarios antiguos. Mismo titular, medición distinta.
La fórmula es sencilla: usuarios de la cohorte que vuelven según tu regla ÷ tamaño original de la cohorte × 100. Lo difícil es ponerse de acuerdo en los datos de entrada antes de que aparezcan las cifras.
La cohorte es lo que mantiene honesta la métrica. Funciona como la lista de una clase: 84 alumnos se inscriben en la primera lección, y sigues cuántos vuelven a la segunda, quién sigue asistiendo después de una semana y quién sigue en la revisión de las cuatro semanas. Nunca añadirías los alumnos nuevos de esta semana a la asistencia del mes pasado para decir que la clase está estable. La misma lógica vale para los suscriptores; consulta la tasa de retención de clientes.
¿Hacia dónde va la curva?
La retención cae más rápido al principio, y ese patrón es normal. Los Mobile App Benchmarks de 2024 de OneSignal sitúan la retención media en el 28,29% el Día 1, el 17,86% el Día 7 y el 7,88% el Día 30, con resultados publicados para 12 categorías de apps. Menos de uno de cada tres usuarios volvió al día siguiente de instalar. Menos de uno de cada cinco pasó la primera semana. Al cumplirse el mes, quedaba menos de uno de cada doce.
El mismo benchmark muestra cifras aún más bajas para las apps de negocios: el 25,38% el Día 1, el 16,85% el Día 7 y el 6,94% el Día 30. La categoría cambia el nivel; la forma descendente sigue siendo la misma.
Cada punto de control responde a una pregunta distinta:
- El Día 1 refleja el onboarding: si el usuario llegó a un primer valor, si el canal de adquisición encajaba con el producto y si algo falló en la primera sesión.
- El Día 7 muestra si la app se ganó un sitio en la rutina a corto plazo de alguien.
- El Día 30 es la señal temprana más cercana de un uso duradero y, en las apps de suscripción, de si el producto puede mantener una relación de pago.
Así que la pregunta útil rara vez es “¿cuál es mi tasa de retención?”. Es dónde se aplana la curva y qué pasa con los usuarios que siguen ahí en ese punto.
El cambio práctico: lee la pendiente de cada tramo y después nombra el problema. Una caída entre el Día 1 y el Día 7 apunta a una formación de hábito débil. Una caída entre el Día 7 y el Día 30 apunta a un valor continuo poco profundo. Necesitan soluciones distintas.
En las apps de suscripción, la caída entre la instalación y el primer mes también explica por qué la retención de uso y la retención de facturación tienen que leerse juntas. Un usuario puede seguir abriendo la app mientras un pago fallido, una tarjeta que caduca o una cancelación silenciosa terminan con la relación de ingresos.
¿Cómo calculas tu propia tasa de retención?
- 01 Fijar la cohorte Un periodo de instalación, con su tamaño fijado antes de consultar
- 02 Definir el regreso Una apertura de la app o una acción clave, elegida antes de mirar
- 03 Elegir la regla de ventana Día exacto, un intervalo de días o en cualquier momento después
- 04 Dividir y repetir Usuarios que vuelven ÷ tamaño de la cohorte × 100, en el día 1, 7 y 30
Seis pasos, cada uno para evitar un error concreto.
- Fija la cohorte de instalación. Elige un grupo con un mismo inicio, como todos los que instalaron en la primera semana de marzo, y fija su tamaño antes de consultar nada. Sin un denominador fijo, la cifra se desvía a medida que llegan usuarios nuevos.
- Define el evento de vuelta antes de mirar los datos. Abrir la app es la opción habitual, pero para algunos productos es mejor una acción clave: registrar un entrenamiento, enviar una factura, conectar una cuenta bancaria. Elegir la definición después de ver las cifras es la forma en que los equipos acaban con una métrica que solo puede subir.
- Elige una regla de ventana. La retención del día exacto cuenta a un usuario solo si abre la app el propio día 7. Una ventana cuenta las aperturas en cualquier momento de los días 6 a 8. Una regla de “cualquier momento” cuenta a cualquiera que la abrió al menos una vez a partir del día 7. No dan la misma cifra, así que anota cuál usaste, siempre.
- Cuenta las coincidencias en cada punto de control. Día 1, Día 7 y Día 30, misma cohorte, misma regla.
- Divide entre el tamaño original de la cohorte y multiplica por 100. Ejemplo (cifras hipotéticas): 1.000 instalaciones, 260 abren el Día 1, así que un 26%. El Día 7 cuentas 130: un 13%. El Día 30 cuentas 45: un 4,5%. Tres cifras, una cohorte, una historia.
- Compara con el periodo anterior de la misma cohorte, no con una media del sector. La comparación que refleja tu trabajo es tu propia curva moviéndose, cohorte tras cohorte.
¿Qué dos errores estropean la cifra?
El primero es una cohorte con fugas. Si los usuarios que instalaron en marzo, abril y mayo acaban todos en un mismo grupo, el denominador no deja de crecer mientras el numerador mezcla versiones del producto. La retención parece estable cuando está empeorando.
El segundo es un desajuste de herramientas. Si tu recuento de instalaciones viene de un proveedor de atribución y tu recuento de sesiones de un SDK de analítica de producto, pueden no coincidir en la identidad del dispositivo, la zona horaria o lo que cuenta como sesión. Una tasa del Día 1 superior al 100% casi siempre viene de esto. Elige una única fuente de verdad para cada lado de la fracción y mantenla.
Acertar con la cohorte es la base de todo lo demás, y el mismo trabajo previo que necesitas para el análisis de retención por cohortes.
¿Por qué no coinciden los benchmarks de retención?
La definición que hay detrás de una cifra de retención puede mover el resultado más que la calidad de la app. Un usuario que tiene que abrir la app exactamente el día 7 se enfrenta a una prueba más estricta que uno que puede abrirla en cualquier momento entre el día 6 y el 8, o en cualquier momento después del día 7. Mismo comportamiento, tres veredictos distintos.
Poner nombre a los métodos: la versión estricta es la retención clásica, en la que un usuario tiene que volver ese día concreto. La más laxa es la retención rolling, en la que cuenta cualquier vuelta a partir del día 7. Cuando una cifra de retención llega sin su método, pregunta antes de comparar.
| Definición | Cuenta como retenido cuando | Efecto en la tasa indicada |
|---|---|---|
| Día exacto | El usuario abre la app el propio día 7 | La cifra más baja, la prueba más estricta |
| Ventana de tiempo | El usuario la abre en cualquier momento de los días 6 a 8 | Más alta, depende de la anchura de la ventana |
| Cualquier momento después | El usuario la abre al menos una vez a partir del día 7 | La más alta, oculta el abandono |
La retención rolling es la más favorecedora y la menos informativa: un usuario que volvió una vez en el primer mes y nunca más sigue contando como retenido.
La definición no es la única variable. La guía de Adjust sobre benchmarks de retención desglosa los resultados por región, y la categoría amplía aún más la dispersión, porque las apps basadas en hábitos diarios suelen retener a los usuarios más tiempo que las herramientas que solo se abren cuando hace falta.
¿Qué debes comprobar antes de comparar con un benchmark?
- Definición: clásica, ventana o rolling.
- Anchura de la ventana: día exacto o una franja de días.
- Mezcla de plataformas: iOS y Android por separado o mezclados.
- Geografía: qué mercados cubre el conjunto de datos.
- Canal de adquisición: pago, orgánico y referidos mezclados o separados.
- Categoría: tu subcategoría, no la media de todas las apps.
Si alguno de estos puntos difiere, las dos cifras no son directamente comparables, y una diferencia entre ellas no te dice nada sobre tu app.
Los negocios de suscripción también necesitan una segunda distinción: la retención de comportamiento por un lado, y la retención de pago, las renovaciones, el churn involuntario y la reactivación por otro. Un usuario puede dejar de abrir tu app y seguir pagando cada mes; otro puede seguir abriéndola a diario después de un pago fallido. Para la parte del churn, consulta los benchmarks de tasa de churn.
¿Cuáles son los benchmarks típicos del Día 1, el Día 7 y el Día 30?
La forma es la misma en todos los conjuntos de datos: una caída fuerte en la primera semana y un descenso más lento después. Las cifras cambian según la fuente.
| Benchmark | Día 1 | Día 7 | Día 30 |
|---|---|---|---|
| OneSignal 2024, todas las categorías publicadas | 28,29% | 17,86% | 7,88% |
| OneSignal 2024, apps de negocios | 25,38% | 16,85% | 6,94% |
| Mediana global de Adjust 2024, citada por RapidNative | 26% | 13% | 7% |
Las cifras de Adjust vienen del manual de retención de apps móviles de RapidNative, que las describe como el “benchmark global de Adjust de 2024” de retención mediana. OneSignal indica medias; Adjust, según la cita, medianas. Eso basta para que las dos filas difieran, y esa es la lección: citar “la media del sector” sin nombrar la fuente ni el método es como citar una temperatura sin decir en qué ciudad se tomó.
Elige la fila que corresponde a tu situación. Un equipo que lanza una herramienta B2B debería leer la fila de las apps de negocios de OneSignal (6,94% en el Día 30) y no la de todas las categorías (7,88%). Aquí la diferencia es pequeña, pero el hábito te protege de perseguir una media construida con apps que no se parecen en nada a la tuya. Después comprueba que la fuente usó la misma regla de ventana que tú.
Un límite más: todas las filas de arriba cuentan a un usuario como retenido cuando vuelve a abrir la app. Ninguna dice si ese usuario sigue pagando.
¿En qué se diferencia la retención de uso de la retención de suscripción?
- 01 Retención de uso Usuarios de una cohorte de instalación que vuelven a abrir la app. Fuente: analítica de producto.
- 02 Retención de suscripción Usuarios que siguen pagando: renovaciones, pagos fallidos, cancelaciones, recuperaciones. Fuente: facturación, App Store o Google Play.
Piensa en una app de suscripción con un uso estable: las aperturas semanales se mantienen en el 40% de la base, mes tras mes. Entonces los ingresos recurrentes mensuales empiezan a bajar, y nadie sabe explicarlo, porque el uso parece bien.
La explicación suele estar en el sistema de facturación, no en el producto. Una tarjeta caduca. Una renovación es rechazada. Un suscriptor toca cancelar y nunca te lo dice. Las métricas de uso no pueden ver nada de eso.
Los benchmarks públicos de apps cuentan a un usuario como retenido cuando vuelve a la app. La economía de las suscripciones depende de la conversión de las pruebas, el momento de las renovaciones, la duración del plan, los pagos fallidos, las cancelaciones y los win-backs. El resumen de Deck del State of Subscription Apps 2025 de RevenueCat es un lugar donde ver cómo varían el churn y la retención según la duración del plan y el precio. Una app puede tener una retención de uso modesta y producir ingresos duraderos, o un uso fuerte y perder suscriptores en cada fecha de facturación.
En el App Store y Google Play, las renovaciones fallidas pasan por los reintentos y los periodos de gracia de las propias tiendas; consulta billing retry y periodo de gracia del App Store y periodo de gracia y account hold de Google Play.
¿Cómo combinas cohortes de comportamiento y de facturación?
Asocia las señales de uso con los estados de facturación. Seis cohortes cubren la mayoría de los casos:
| Cohorte | Señal de uso | Señal de facturación | Acción probable |
|---|---|---|---|
| Activo pero impagado | La abre cada semana | Pago fallido | Aviso para actualizar el pago y reintentos bien calibrados |
| Paga pero inactivo | Sin aperturas en 14 días | Renovación próxima | Recordatorio del valor antes de la renovación |
| Prueba a punto de convertir | La abre a diario | La prueba termina en 3 días | Aviso de conversión con un beneficio claro |
| Renovación fallida | Sigue abriendo la app | Tarjeta rechazada | Reintentos de recuperación y un enlace de actualización |
| Canceló hace poco | Deja de abrirla | Cancelado | Mensajes de win-back a los 30, 60 y 90 días |
| Mucha antigüedad, poco uso | La abre cada mes | Precio completo, plan anual | Revisión del uso antes de la fecha de renovación |
La actividad de los días 1, 7 y 30 por sí sola no puede distinguir un uso bajo de la sensibilidad al precio, una tarjeta que caduca o una cancelación deliberada. Cada caso necesita una respuesta distinta, y enviar un descuento a alguien cuya tarjeta simplemente caducó desperdicia margen.
Una tarjeta eliminada antes de la renovación es una de las señales de alerta más claras. NoChurn da a cada cliente nuevo un churn score de 0 a 100 en el registro, basado en el método de pago, el origen del registro y los datos personalizados que envías, y lo sube cuando se elimina una tarjeta antes de la fecha de renovación, para que puedas actuar antes de que falle el pago.
Una advertencia sobre las muestras pequeñas: con una base de clientes modesta, las comparaciones de atributos son observaciones con muestras pequeñas. Trata un patrón de 40 clientes como una hipótesis que comprobar, no como una prueba.
Puedes enviar tus propios atributos, como la fecha de registro, el origen del registro, los puestos, el uso, el avance del onboarding o el NPS, en una sola llamada a la API, y comparar a los clientes que se fueron con los que se quedaron para ver qué atributos van con el churn (datos personalizados e IA). La vista de ingresos del mismo problema es la retención neta de ingresos: si la base de pago crece o se reduce después de subidas de plan, bajadas y cancelaciones.
¿Cómo fijas tu propia referencia?
Los benchmarks te dicen si estás más o menos en lo normal. Solo tu propia tendencia, cohorte tras cohorte, te dice si estás mejorando.
- Construye la referencia con tus tres últimas cohortes de instalación. Mide el Día 1, el Día 7 y el Día 30 de cada una, separadas por plataforma y canal de adquisición, con la regla de ventana que elegiste. Un 20% estable el Día 1 te dice menos que un 24% que bajó al 17% en dos cohortes.
- Compara con la fila de benchmark más cercana, no con la media global. Si la mayoría de tus usuarios están en Android en una categoría de nicho, la cifra mezclada es el espejo equivocado.
- Añade una capa de facturación si vendes suscripciones. Para cada cohorte, cuenta los usuarios del Día 30 que siguen pagando, los que están en estado de pago fallido o cancelado, y los que volvieron mediante el win-back.
- Dale a la revisión un ritmo y una nota al pie. Las revisiones mensuales por cohorte funcionan. Junto a cada cifra, escribe la definición, la plataforma, el canal y el rango de fechas, para que la comparación siga siendo honesta cuando alguien la lea dentro de seis meses.
- Prueba un solo cambio por cohorte. Los mensajes de win-back a los 30, 60 y 90 días después de la cancelación son una prueba limpia de una sola variable. Un cambio por ventana de cohorte, o no sabrás qué movió la cifra.
Antes de la próxima revisión, responde a una pregunta: ¿qué cohorte está perdiendo más valor y cuál es el primer cambio que vas a probar en ella?
Cómo ayuda NoChurn
Si tu curva de retención parece bien mientras los ingresos se desvían, el hueco suele estar en la facturación y no en el comportamiento, y esa es la capa en la que trabaja NoChurn. Se conecta a Stripe en un clic y funciona con Chargebee, Recurly, Paddle, el App Store, Google Play y otros, o con cualquier facturación mediante la API. En la facturación web, recupera los pagos fallidos con reintentos inteligentes y correos escritos por IA, gestiona un flujo de cancelación con ofertas ajustadas al motivo y la cancelación en un clic siempre visible, y envía mensajes de win-back a los 30, 60 y 90 días según el motivo de cancelación. En el App Store y Google Play, los reintentos de cobro y el botón de cancelar siguen en manos de Apple y Google; NoChurn lee los eventos de suscripción y se encarga del scoring y del win-back. El precio depende solo del MRR, gratis hasta 300 € de MRR y sin comisión (tu propio dominio para correos y páginas alojadas es un complemento de 14,99 € al mes en cualquier plan).