Taux de rétention d’une app mobile : le calculer et lire les repères

Le taux de rétention d’une app mobile est la part des utilisateurs d’une cohorte d’installation qui reviennent dans l’app un jour donné après l’installation. Prenez les utilisateurs de la cohorte qui reviennent selon la règle choisie, divisez par la taille d’origine de la cohorte et multipliez par 100. Lisez-le comme une courbe avec trois points de passage, J1, J7 et J30, plutôt que comme un badge unique qu’on obtient ou qu’on rate.

Imaginez une app de fitness qui gagne 84 nouveaux membres en janvier. À la fin de la deuxième semaine, 39 l’ouvrent encore. À la quatrième semaine, 22. À la huitième, 11. Cette suite en dit bien plus sur le business qu’un seul chiffre ne le pourrait. La plupart des équipes d’app l’apprennent à leurs dépens : elles ouvrent le tableau de bord de rétention, voient un chiffre à J30 sous les 10 %, et passent un trimestre à débattre pour savoir s’il est « bon ». Le débat passe à côté de l’essentiel.

Que veut dire le taux de rétention d’une app mobile ?

Deux apps peuvent toutes deux annoncer une rétention de 8 % à J30 et ne pas parler de la même chose. L’une compte toute personne qui a ouvert l’app au moins une fois à partir du jour 30. L’autre ne compte que les personnes qui l’ont ouverte le jour 30 lui-même. L’une mélange iOS et Android, nouvelles installations et utilisateurs anciens. Même titre, mesure différente.

La formule est simple : utilisateurs de la cohorte qui reviennent selon votre règle ÷ taille d’origine de la cohorte × 100. Le plus dur, c’est de s’accorder sur les données d’entrée avant que les chiffres apparaissent.

C’est la cohorte qui garde la métrique honnête. Elle fonctionne comme un registre de classe : 84 élèves s’inscrivent au premier cours, et vous suivez combien reviennent au deuxième, qui assiste encore après une semaine, et qui est toujours là au bilan de la quatrième semaine. Vous n’ajouteriez jamais les nouveaux élèves de cette semaine à la présence du mois dernier pour dire que la classe est stable. La même logique vaut pour les abonnés ; voir le taux de rétention client.

Où va la courbe ?

La rétention chute le plus vite au début, et ce profil est normal. Les Mobile App Benchmarks 2024 de OneSignal situent la rétention moyenne à 28,29 % à J1, 17,86 % à J7 et 7,88 % à J30, avec des résultats publiés pour 12 catégories d’apps. Moins d’un utilisateur sur trois est revenu le lendemain de l’installation. Moins d’un sur cinq a passé la première semaine. Au bout d’un mois, il en restait moins d’un sur douze.

Le même repère montre des apps professionnelles encore plus bas : 25,38 % à J1, 16,85 % à J7 et 6,94 % à J30. La catégorie déplace le niveau ; la forme descendante reste la même.

Chaque point de contrôle répond à une question différente :

• J1 reflète l’onboarding : l’utilisateur a-t-il atteint une première valeur, le canal d’acquisition correspondait-il au produit, et quelque chose a-t-il cassé pendant la première session.
• J7 montre si l’app a gagné une place dans la routine de quelqu’un à court terme.
• J30 est le signal précoce le plus proche d’un engagement durable et, pour les apps à abonnement, de la capacité du produit à tenir une relation payante.

La question utile est donc rarement « quel est mon taux de rétention ? ». C’est de savoir où la courbe s’aplatit, et ce qui arrive aux utilisateurs encore là à ce moment.

Le changement pratique : lisez la pente de chaque segment, puis nommez le problème. Une chute de J1 à J7 indique une habitude qui ne se forme pas. Une chute de J7 à J30 indique une valeur continue trop faible. Elles demandent des corrections différentes.

Pour les apps à abonnement, la chute entre l’installation et le premier mois explique aussi pourquoi rétention d’engagement et rétention de facturation doivent se lire ensemble. Un utilisateur peut encore ouvrir l’app pendant qu’un paiement échoué, une carte qui expire ou une résiliation silencieuse met fin à la relation de revenu.

Comment calculer votre propre taux de rétention ?

1. 01 Fixer la cohorte Une période d’installation, taille figée avant la requête
2. 02 Définir le retour Une ouverture ou une action clé, choisie avant de regarder
3. 03 Choisir la fenêtre Jour exact, plage de jours ou n’importe quand ensuite
4. 04 Diviser et répéter Utilisateurs revenus ÷ taille de la cohorte × 100, à J1, J7 et J30

Six étapes, chacune là pour empêcher une erreur précise.

1. Fixez la cohorte d’installation. Choisissez un groupe avec un départ commun, comme tous ceux qui ont installé l’app la première semaine de mars, et figez sa taille avant toute requête. Sans dénominateur fixe, le chiffre dérive à mesure que de nouveaux utilisateurs arrivent.
2. Définissez l’événement de retour avant de regarder les données. Ouvrir l’app est le choix habituel, mais pour certains produits une action clé est meilleure : enregistrer une séance, envoyer une facture, connecter un compte bancaire. Choisir la définition après avoir vu les chiffres, c’est ainsi que des équipes finissent avec une métrique qui ne peut que monter.
3. Choisissez une règle de fenêtre. La rétention au jour exact ne compte un utilisateur que s’il ouvre l’app le jour 7 lui-même. Une fenêtre compte les ouvertures n’importe quand entre les jours 6 et 8. Une règle « à tout moment » compte quiconque l’a ouverte au moins une fois à partir du jour 7. Elles ne donnent pas le même chiffre : notez laquelle vous avez utilisée, à chaque fois.
4. Comptez les correspondances à chaque point de contrôle. J1, J7 et J30, même cohorte, même règle.
5. Divisez par la taille d’origine de la cohorte et multipliez par 100. Exemple (chiffres fictifs) : 1 000 installations, 260 ouvertures à J1, soit 26 %. À J7, vous en comptez 130 : 13 %. À J30, vous en comptez 45 : 4,5 %. Trois chiffres, une cohorte, une histoire.
6. Comparez avec la période précédente de la même cohorte, pas avec une moyenne du secteur. La comparaison qui reflète votre travail, c’est votre propre courbe qui bouge, cohorte après cohorte.

Quelles sont les deux erreurs qui faussent le chiffre ?

La première est une cohorte qui fuit. Si les utilisateurs installés en mars, avril et mai tombent tous dans un même groupe, le dénominateur ne cesse de grossir pendant que le numérateur mélange des versions du produit. La rétention semble stable alors qu’elle se dégrade.

La deuxième est un décalage d’outils. Si le nombre d’installations vient d’un fournisseur d’attribution et le nombre de sessions d’un SDK d’analytics produit, les deux peuvent diverger sur l’identité de l’appareil, le fuseau horaire ou ce qui compte comme une session. Un taux à J1 au-dessus de 100 % vient presque toujours de là. Choisissez une seule source de vérité pour chaque côté de la fraction et gardez-la.

Bien définir la cohorte est la base de tout le reste, et le même travail préparatoire que pour l’analyse de rétention par cohorte.

Pourquoi les repères de rétention divergent-ils ?

La définition derrière un chiffre de rétention peut faire bouger le résultat plus que la qualité de l’app. Un utilisateur qui doit ouvrir l’app exactement le jour 7 passe un test plus strict qu’un utilisateur qui peut l’ouvrir n’importe quand entre les jours 6 et 8, ou n’importe quand après le jour 7. Même comportement, trois verdicts différents.

Nommer les méthodes : la version stricte est la rétention classique, où l’utilisateur doit revenir ce jour précis. La plus large est la rétention glissante (rolling retention), où tout retour à partir du jour 7 compte. Quand un chiffre de rétention arrive sans sa méthode, demandez-la avant de comparer.

Définition	Compté comme retenu quand	Effet sur le taux annoncé
Jour exact	L’utilisateur ouvre l’app le jour 7 lui-même	Chiffre le plus bas, test le plus strict
Fenêtre de temps	L’utilisateur l’ouvre n’importe quand entre les jours 6 et 8	Plus élevé, dépend de la largeur de la fenêtre
À tout moment ensuite	L’utilisateur l’ouvre au moins une fois à partir du jour 7	Le plus élevé, masque les abandons

La rétention glissante est la plus flatteuse et la moins informative : un utilisateur revenu une fois pendant le premier mois et plus jamais ensuite compte quand même comme retenu.

La définition n’est pas la seule variable. Les conseils d’Adjust sur les repères de rétention détaillent les résultats par région, et la catégorie élargit encore l’écart, parce que les apps construites autour d’habitudes quotidiennes tendent à garder les utilisateurs plus longtemps que les outils ouverts seulement en cas de besoin.

Que vérifier avant de comparer avec un repère ?

• Définition : classique, fenêtre ou glissante.
• Largeur de fenêtre : jour exact, ou plage de jours.
• Répartition des plateformes : iOS et Android publiés séparément ou mélangés.
• Géographie : les marchés couverts par les données.
• Canal d’acquisition : payant, organique et parrainage mélangés ou séparés.
• Catégorie : votre sous-catégorie, pas la moyenne toutes apps confondues.

Si l’un de ces points diffère, les deux chiffres ne sont pas directement comparables, et l’écart entre eux ne vous dit rien sur votre app.

Les business d’abonnement ont aussi besoin d’une seconde distinction : la rétention comportementale d’un côté, la rétention payante, les renouvellements, le churn involontaire et la réactivation de l’autre. Un utilisateur peut cesser d’ouvrir votre app tout en étant facturé chaque mois ; un autre peut continuer de l’ouvrir chaque jour après un échec de paiement. Pour le côté churn, voir les repères de taux de churn.

Quels sont les repères typiques à J1, J7 et J30 ?

La forme est la même d’un jeu de données à l’autre : une chute forte la première semaine, un déclin plus lent ensuite. Les chiffres diffèrent selon la source.

Repère	J1	J7	J30
OneSignal 2024, toutes catégories publiées	28,29 %	17,86 %	7,88 %
OneSignal 2024, apps professionnelles	25,38 %	16,85 %	6,94 %
Médiane mondiale Adjust 2024, citée par RapidNative	26 %	13 %	7 %

Les chiffres d’Adjust viennent du guide de rétention des apps mobiles de RapidNative, qui les présente comme « le benchmark mondial 2024 d’Adjust » de rétention médiane. OneSignal publie des moyennes ; Adjust, tel que cité, des médianes. Cela suffit à faire différer les deux lignes, et c’est la leçon : citer « la moyenne du secteur » sans nommer la source et la méthode, c’est comme citer une température sans dire dans quelle ville elle a été relevée.

Choisissez la ligne qui correspond à votre situation. Une équipe qui livre un outil B2B devrait lire la ligne OneSignal des apps professionnelles (6,94 % à J30) plutôt que celle de toutes les catégories (7,88 %). L’écart est faible ici, mais l’habitude vous évite de courir après une moyenne construite à partir d’apps qui ne ressemblent pas à la vôtre. Vérifiez ensuite que la source a utilisé la même règle de fenêtre que vous.

Une dernière limite : chaque ligne ci-dessus compte un utilisateur comme retenu quand il rouvre l’app. Aucune ne dit si cet utilisateur paie encore.

En quoi la rétention d’engagement diffère-t-elle de la rétention d’abonnement ?

1. 01 Rétention d’usage Utilisateurs d’une cohorte d’installation qui rouvrent l’app. Source : analytique produit.
2. 02 Rétention d’abonnement Utilisateurs qui paient encore : renouvellements, paiements échoués, résiliations, reconquêtes. Source : facturation, App Store ou Google Play.

Prenez une app à abonnement à l’usage stable : les ouvertures hebdomadaires restent à 40 % de la base, mois après mois. Puis le revenu récurrent mensuel s’infléchit vers le bas, et personne ne sait l’expliquer, parce que l’engagement semble bon.

L’explication se trouve en général dans le système de facturation, pas dans le produit. Une carte expire. Un renouvellement est refusé. Un abonné touche « annuler » et ne vous dit jamais rien. Les métriques d’usage ne voient rien de tout cela.

Les repères publics des apps comptent un utilisateur comme retenu quand il revient dans l’app. L’économie de l’abonnement dépend de la conversion des essais, du moment des renouvellements, de la durée des offres, des échecs de paiement, des résiliations et des reconquêtes. Le résumé par Deck du State of Subscription Apps 2025 de RevenueCat est un endroit où voir comment le churn et la rétention varient selon la durée de l’offre et le prix. Une app peut garder une rétention d’usage modeste tout en produisant un revenu durable, ou un usage fort tout en perdant des abonnés à chaque date de facturation.

Sur l’App Store et Google Play, les renouvellements échoués passent par les nouvelles tentatives et les périodes de grâce des stores eux-mêmes ; voir nouvelles tentatives de facturation et période de grâce de l’App Store et période de grâce et suspension de compte sur Google Play.

Comment combiner cohortes comportementales et cohortes de facturation ?

Associez les signaux d’engagement aux états de facturation. Six cohortes couvrent la plupart des cas :

Cohorte	Signal d’engagement	Signal de facturation	Action probable
Actif mais impayé	Ouvre chaque semaine	Paiement échoué	Invitation à mettre à jour le paiement et nouvelles tentatives programmées
Payant mais inactif	Aucune ouverture depuis 14 jours	Renouvellement proche	Rappel de la valeur avant le renouvellement
Essai proche de la conversion	Ouvre chaque jour	L’essai finit dans les 3 jours	Invitation à convertir avec un bénéfice clair
Renouvellement échoué	Ouvre toujours l’app	Carte refusée	Nouvelles tentatives de récupération et lien de mise à jour
Résilié récemment	N’ouvre plus	Résilié	Messages de reconquête à 30, 60 et 90 jours
Ancien, peu d’usage	Ouvre chaque mois	Plein tarif, offre annuelle	Point sur l’usage avant la date de renouvellement

L’activité à J1, J7 et J30 seule ne permet pas de distinguer un engagement faible d’une sensibilité au prix, d’une carte qui expire ou d’une résiliation délibérée. Chacun demande une réponse différente, et envoyer une remise à quelqu’un dont la carte a simplement expiré gaspille de la marge.

Une carte retirée avant le renouvellement est l’un des signaux d’alerte les plus clairs. NoChurn donne à chaque nouveau client un score de churn de 0 à 100 à l’inscription, à partir du moyen de paiement, de la source d’inscription et des données personnalisées que vous envoyez, et le relève quand une carte est retirée avant la date de renouvellement, pour que vous puissiez agir avant l’échec du paiement.

Une prudence sur les petits échantillons : avec une base de clients modeste, les comparaisons d’attributs sont des observations sur de petits échantillons. Traitez un motif tiré de 40 clients comme une hypothèse à tester, pas comme une preuve.

Vous pouvez envoyer vos propres attributs, comme la date d’inscription, la source d’inscription, le nombre de sièges, l’usage, l’avancée de l’onboarding ou le NPS, en un appel d’API, et comparer les clients partis à ceux qui sont restés pour voir quels attributs vont avec le churn (données perso et IA). La vue revenu du même problème est la rétention nette du revenu : la base payante grandit-elle ou rétrécit-elle après les montées en gamme, les descentes en gamme et les résiliations.

Comment fixer votre propre référence ?

Les repères vous disent si vous êtes à peu près dans la norme. Seule votre propre tendance, cohorte après cohorte, vous dit si vous progressez.

1. Construisez la référence à partir de vos trois dernières cohortes d’installation. Mesurez J1, J7 et J30 pour chacune, séparés par plateforme et par canal d’acquisition, avec la règle de fenêtre choisie. Un J1 stable à 20 % vous en dit moins qu’un 24 % qui a glissé à 17 % en deux cohortes.
2. Comparez avec la ligne de repère la plus proche, pas avec la moyenne mondiale. Si la plupart de vos utilisateurs sont sur Android dans une catégorie de niche, le chiffre mélangé est le mauvais miroir.
3. Ajoutez une couche facturation si vous vendez des abonnements. Pour chaque cohorte, comptez les utilisateurs de J30 qui paient encore, ceux en paiement échoué ou résiliés, et ceux revenus grâce à la reconquête.
4. Donnez un rythme et une note de bas de page à la revue. Une revue mensuelle des cohortes fonctionne. À côté de chaque chiffre, écrivez la définition, la plateforme, le canal et la période, pour que la comparaison reste honnête quand quelqu’un la lira dans six mois.
5. Testez un seul changement par cohorte. Des messages de reconquête à 30, 60 et 90 jours après la résiliation font un test propre à une seule variable. Un changement par fenêtre de cohorte, sinon vous ne saurez pas ce qui a fait bouger le chiffre.

Avant la prochaine revue, répondez à une question : quelle cohorte perd le plus de valeur, et quel est le premier changement que vous testerez sur elle ?

Comment NoChurn aide

Si votre courbe de rétention semble correcte alors que le revenu dérive, l’écart est en général dans la facturation plutôt que dans le comportement, et c’est la couche sur laquelle NoChurn travaille. Il se connecte à Stripe en un clic et fonctionne avec Chargebee, Recurly, Paddle, l’App Store, Google Play et d’autres, ou avec toute facturation par l’API. Sur la facturation web, il récupère les paiements échoués avec des relances intelligentes et des emails rédigés par l’IA, fait tourner un parcours d’annulation avec des offres adaptées à la raison et l’annulation en un clic toujours visible, et envoie des messages de reconquête à 30, 60 et 90 jours selon la raison de la résiliation. Sur l’App Store et Google Play, les nouvelles tentatives de facturation et le bouton d’annulation restent chez Apple et Google ; NoChurn lit les événements d’abonnement et s’occupe du score et de la reconquête. Le prix ne dépend que du MRR, gratuit jusqu’à 300 $ de MRR et sans commission (un domaine d’envoi personnalisé demande une offre payante, dès 9 $).