Taxa de retenção de apps mobile é a porcentagem de usuários que voltam a um app dentro de um período definido após a instalação, normalmente medida no dia 1, no dia 7 e no dia 30. Considerando todas as categorias, a retenção mediana fica em torno de 25% no dia 1, 8% no dia 7 e 4% no dia 30. Apps sociais são os que mais retêm usuários, e apps de ecommerce, os que menos retêm.
| Categoria do app | Mediana no dia 1 | Mediana no dia 7 | Mediana no dia 30 |
|---|---|---|---|
| Todas as categorias | 25% | 8% | 4% |
| Social | 40% | 18% | 12% |
| Produtividade | 30% | 15% | 8% |
| Fintech | 28% | 12% | 7% |
| Games | 32% | 8% | 3% |
| Ecommerce | 18% | 5% | 2% |
Benchmarks de retenção de apps mobile são os números que todo PM pesquisa no Google em algum momento, normalmente quando o CEO pergunta "nossa retenção é boa ou ruim?" e ele percebe que, na verdade, não sabe. A resposta honesta quase sempre é "depende de com o que você está comparando". Os dados de benchmark ajudam, mas só se você for honesto sobre o segmento em que o seu app se encaixa e sobre o que os números realmente significam.
A seguir estão os benchmarks de retenção de 2026 que eu uso quando oriento times de apps mobile, com as fontes de dados e a metodologia abertas para você conferir os números por conta própria.
A retenção no dia 30 varia muito de uma categoria para outra. Os apps de melhor desempenho chegam a 15-20% em social, 12-18% em produtividade, 10-15% em fintech, 5-8% em games e só 3-6% em ecommerce.
Os benchmarks deste guia foram compilados a partir de três fontes públicas e cruzados com padrões anonimizados da base de clientes da UXCam (mais de 37.000 produtos):
AppsFlyer State of App Marketing 2025 (publicado no primeiro trimestre de 2026, com dados do ano completo de 2025). O relatório anual da AppsFlyer reúne dados anonimizados de retenção de mais de 28 bilhões de instalações de apps. Usei os números de dia 1, dia 7 e dia 30 por categoria como base principal.
Adjust Mobile App Trends 2026 (publicado em fevereiro de 2026). O relatório da Adjust cobre tendências de instalação, benchmarks de retenção e dados de atribuição de mais de 100.000 apps. Usei os recortes de retenção por vertical para validar os números da AppsFlyer.
Sensor Tower State of Mobile 2026 (publicado em janeiro de 2026; a Sensor Tower comprou a data.ai, antiga App Annie, em 2024). O relatório anual da Sensor Tower traz o contexto de mercado sobre tendências de engajamento, receita e tempo de uso dos apps. Usei os dados de engajamento para contextualizar os benchmarks de retenção.
Dados anonimizados de produto da UXCam (atualizados continuamente). Os dados em nível de sessão da base de clientes da UXCam servem como checagem qualitativa dos padrões de retenção. Uso esses dados como direção (por exemplo, "padrões comuns que vejo nas gravações de sessão"), e não como benchmarks estatísticos precisos.
Quando as fontes divergem (e às vezes divergem em 3 a 5 pontos percentuais), usei o número da AppsFlyer como principal e indiquei a faixa. A coluna "alto desempenho" representa mais ou menos o percentil 75; "mediana" representa o percentil 50.
Retenção abaixo de 5% no dia 30 é a norma na maioria das categorias de apps mobile, o que serve como contexto de benchmark e também como lembrete de que reter usuários no mobile é difícil de verdade.
Não compare seu app com a "média do setor" se ele tem um caso de uso específico. Um app de fitness de nicho e um app de fitness mais amplo têm dinâmicas de retenção diferentes, mesmo dentro da mesma categoria.
A retenção por coorte importa mais do que a retenção agregada. Um número geral de retenção em alta pode esconder uma piora na retenção de cada coorte se o volume de usuários estiver crescendo, e vice-versa.
A métrica que melhor prevê a retenção no dia 30 é a taxa de conclusão de uma primeira ação relevante no dia 1. Apps que acertam a ativação na primeira sessão retêm de 2 a 3 vezes mais do que os que não acertam, seja qual for a categoria.
Tara, a analista de IA da UXCam, é especialmente útil para análise de retenção porque compara coortes automaticamente e mostra os comportamentos específicos que diferenciam os usuários que ficam dos que vão embora. Esse insight costuma valer mais do que uma tabela de benchmarks na hora de decidir o que corrigir.
Cada tabela abaixo traz dois números por categoria: o dos apps de alto desempenho (mais ou menos o percentil 75) e a mediana. Use a faixa de alto desempenho como meta a perseguir, não como uma média que você já deveria estar atingindo.
| Métrica | Alto desempenho (percentil 75) | Mediana |
|---|---|---|
| Retenção no dia 1 | 30-40% | 25% |
| Retenção no dia 7 | 10-15% | 8% |
| Retenção no dia 30 | 5-8% | 4% |
A retenção cai bruscamente na primeira semana, e depois a queda desacelera. Um app mobile típico perde 75% dos usuários nos três primeiros dias após a instalação. Depois do dia 30, a retenção semana a semana tende a se estabilizar em torno de 2-4%.
| Métrica | Alto desempenho | Mediana |
|---|---|---|
| Dia 1 | 50-60% | 40% |
| Dia 7 | 25-30% | 18% |
| Dia 30 | 15-20% | 12% |
Apps sociais têm as curvas de retenção mais fortes porque os efeitos de rede se acumulam: quanto mais amigos o usuário tem no app, mais difícil é sair. WhatsApp, Messenger e Instagram ficam bem acima desses números. Apps sociais que estouram de repente (BeReal, Threads, Bluesky) disparam no começo e muitas vezes voltam para perto da mediana ao longo de um ano.
| Métrica | Alto desempenho | Mediana |
|---|---|---|
| Dia 1 | 25-30% | 18% |
| Dia 7 | 8-12% | 5% |
| Dia 30 | 3-6% | 2% |
As curvas de retenção de ecommerce oscilam mais do que as da maioria das categorias porque o comportamento de compra é episódico. Um usuário pode "dar churn" por 30 dias e depois fazer uma compra grande no dia 45. Aqui, DAU/MAU é uma métrica menos útil do que compradores ativos por mês ou a taxa de recompra em 90 dias.
| Métrica | Alto desempenho | Mediana |
|---|---|---|
| Dia 1 | 35-45% | 28% |
| Dia 7 | 18-25% | 12% |
| Dia 30 | 10-15% | 7% |
A retenção em fintech depende muito de consultas por hábito (saldo, transações, gastos), e não de compras grandes. Bancos digitais e apps de investimento retêm melhor do que apps de pagamento de uso pontual. Observação: os números de retenção em fintech mudaram bastante depois do App Tracking Transparency da Apple, porque a atribuição ficou mais difícil. Por isso, benchmarks de fintech de 2020-2022 não são diretamente comparáveis aos de hoje.
| Métrica | Alto desempenho | Mediana |
|---|---|---|
| Dia 1 | 40-50% | 32% |
| Dia 7 | 12-18% | 8% |
| Dia 30 | 5-8% | 3% |
Games têm a queda mais acentuada entre o dia 1 e o dia 7, porque a maioria dos jogadores abandona o jogo depois de terminar o conteúdo inicial (ou de se cansar dele). Os 10% melhores jogos têm uma retenção de cauda bem longa, porque a monetização depende das "baleias" que continuam engajadas por meses. A retenção mediana em games é menor do que na maioria das outras categorias por causa dessa distribuição bimodal.
| Métrica | Alto desempenho | Mediana |
|---|---|---|
| Dia 1 | 40-50% | 30% |
| Dia 7 | 22-28% | 15% |
| Dia 30 | 12-18% | 8% |
Apps de produtividade têm algumas das curvas de retenção mais duradouras porque passam a fazer parte do fluxo de trabalho dos usuários. Apps no estilo de Notion, Todoist e Evernote que ficam acima dessa faixa combinam uma ativação forte na primeira semana com um padrão que cria hábito (registro diário, lembretes recorrentes, integração com outras ferramentas).
| Métrica | Alto desempenho | Mediana |
|---|---|---|
| Dia 1 | 35-45% | 25% |
| Dia 7 | 15-22% | 10% |
| Dia 30 | 8-12% | 5% |
Apps de fitness têm a maior variação sazonal (pico em janeiro, alta no verão, queda no outono). Benchmarks anuais de retenção muitas vezes escondem essa sazonalidade. Compare sempre a retenção de fitness coorte a coorte dentro do mesmo trimestre, e não agregados de um ano contra o outro.
| Métrica | Alto desempenho | Mediana |
|---|---|---|
| Dia 1 | 45-55% | 35% |
| Dia 7 | 20-28% | 15% |
| Dia 30 | 10-15% | 7% |
A retenção em streaming depende do conteúdo: o quanto os usuários querem assistir e se os novos lançamentos dão motivos para eles voltarem. Os benchmarks aqui mudam bastante conforme o modelo de assinatura (gratuito com anúncios ou pago).
Benchmarks externos são um ponto de partida. O seu benchmark precisa ser calibrado para a sua coorte, a sua origem de aquisição e a maturidade do seu produto.
O seu melhor benchmark é o seu próprio desempenho passado. Se a retenção no dia 30 no último trimestre foi de 6%, a meta é superar 6%, não a mediana do setor. Comece por aí.
Coortes de aquisição paga retêm pior do que as orgânicas. Usuários que chegam por indicação são os que mais retêm. Misturar tudo em um número geral de retenção esconde o que está acontecendo de fato. No mínimo, eu segmento por origem.
O Retention Analytics da UXCam permite comparar a retenção de coortes lado a lado, filtrar por origem de aquisição e tipo de dispositivo e ir direto de uma queda de retenção para as gravações de sessão dos usuários que abandonaram o app naquela semana. Esse é o fluxo de diagnóstico que transforma a distância em relação ao benchmark em uma ação concreta.
Ferramentas como o Sensor Tower (que comprou a data.ai em 2024) estimam a retenção dos concorrentes, mas os números são modelados, não reais. Use esses dados como direção, não como metas precisas.
"Fintech" abrange apps tão diferentes quanto um banco digital e uma corretora de criptomoedas. Ajuste seus benchmarks à subcategoria específica (banco de varejo, investimentos, orçamento pessoal, pagamentos, crédito), porque a dinâmica de retenção muda bastante entre elas.
A retenção agregada pode subir porque você está adquirindo mais usuários, mesmo quando cada coorte, individualmente, retém pior. Olhe sempre a retenção por coorte semanal ou mensal de instalação.
Quando tiver dados de concorrentes, compare coisas equivalentes: mesmo canal de aquisição, maturidade de produto parecida, mesmo mercado geográfico. Comparar o app que você acabou de lançar no mercado indiano com a retenção global do Instagram não é um benchmark útil.
Retenção de apps mobile é a proporção de usuários que voltam a um app ao longo de um período definido após a instalação. Normalmente é medida nos marcos de dia 1, dia 7 e dia 30, e cada janela diz algo diferente: o dia 1 mostra a qualidade da primeira sessão, o dia 7 mostra a formação de hábito e o dia 30 mostra um product-market fit duradouro.
A retenção tem efeito composto. Se você melhora a retenção no dia 30 de 5% para 7%, não ganhou só 2 pontos percentuais de retenção. Você aumentou sua base de usuários ativos em 40%, o que significa 40% mais receita ao longo do ciclo de vida, 40% mais indicações boca a boca e um custo efetivo de aquisição cerca de 29% menor por usuário retido.
É por causa desse efeito composto que a retenção é a métrica mais importante para a maioria dos apps mobile, mais do que os números de aquisição ou até a receita por usuário. Uma empresa com retenção medíocre e aquisição forte vai estagnar. Uma empresa com retenção forte e aquisição medíocre cresce de forma composta.
Os benchmarks dão contexto para saber se a sua retenção é "boa" em relação à categoria. Mas também ajudam no alinhamento interno: quando o time de produto diz "nossa retenção está ok" e o marketing diz "está ruim", um número externo confiável encerra o debate e deixa vocês focarem na pergunta mais difícil (o que fazer a respeito).
Cinco padrões que vejo com frequência em apps que retêm acima do benchmark da categoria.
Acerte a ativação na primeira sessão. Usuários que concluem uma ação relevante na primeira sessão retêm de 2 a 3 vezes mais do que os que não concluem. Para a maioria dos apps, esse é o investimento em retenção com maior retorno.
Crie um motivo para voltar em até 24 horas. Notificações push, lembretes in-app, sequências de uso (streaks), lançamentos de conteúdo programados. O formato varia por categoria, mas todos os apps acima da mediana de retenção têm alguma mecânica intencional que traz os usuários de volta no dia 2.
Remova o atrito que você ainda não percebeu. Gravações de sessão de usuários que abandonaram o app revelam bugs e problemas de UX específicos que não aparecem em nenhum dashboard. As 3 maiores vitórias de retenção que ajudei times a entregar este ano vieram todas de assistir a sessões, não de analisar números.
Personalize com base no comportamento. Usuários se comportam como outros usuários que se comportaram como eles. Segmente por comportamento (quais funcionalidades usam, com que frequência, com que profundidade) e adapte a experiência.
Meça a retenção por coorte toda semana. Os apps que lideram acompanham a retenção semanal por coorte como traders acompanham cotações. A cadência semanal permite pegar regressões a tempo de corrigi-las.
A UXCam é uma plataforma de análise de produto para apps mobile e sites que captura automaticamente cada interação dos usuários, sem marcação manual de eventos. O Retention Analytics mede a retenção por coorte ao longo do tempo, enquanto a gravação de sessão mostra o que os usuários que abandonaram o app viveram de fato. A Tara, a analista de IA da UXCam, compara automaticamente as coortes que ficam com as que deram churn e mostra as diferenças de comportamento, para que os times saibam o que corrigir sem revisar centenas de sessões manualmente.
Quando uma coorte retém pior do que a anterior, a Tara mostra o que esses usuários fizeram de diferente na primeira sessão, o que quase sempre aponta para um ponto de atrito específico e corrigível. Toda métrica na UXCam tem sessões reais de usuários por trás: viu uma queda de retenção, clique nas sessões que a explicam.
O SDK mobile da UXCam está instalado em mais de 37.000 produtos. Solicite uma demo para ver como funciona no seu app.
Perguntas frequentes
Depende da sua categoria. Retenção acima de 5% no dia 30 é saudável para a maioria dos apps B2C; acima de 15% é excelente para apps sociais, e acima de 10% para fintech. A mediana de todas as categorias mobile fica em torno de 4%. Use benchmarks específicos da sua categoria em vez de uma média geral, porque a dinâmica de retenção muda bastante de um setor para outro.
A retenção no dia N é a porcentagem de usuários de uma coorte de instalação que voltam ao app no dia N. Fórmula: (usuários únicos que abriram o app no dia N) / (total de usuários da coorte de instalação) × 100. Acompanhe esse número coorte a coorte, e não como um agregado de todos os usuários, para ver se cada nova leva de usuários está retendo melhor ou pior do que a anterior.
A retenção mede se o usuário volta. O engajamento mede o que ele faz quando está no app. Dá para ter retenção forte com engajamento fraco (os usuários abrem o app, mas não fazem nada relevante) ou engajamento forte com retenção fraca (um grupo pequeno usa muito, mas a maioria some). Apps com retenção e engajamento fortes crescem de forma composta. Todo o resto estagna.
A retenção no dia 1 depende quase inteiramente da qualidade da primeira sessão. Assista às gravações de sessão de usuários que deram churn no primeiro dia. Procure atritos específicos: pedidos de permissão que aparecem cedo demais, um onboarding confuso, uma tela sem saída, um crash. Corrija primeiro o maior ponto de atrito. A maioria dos times encontra de 3 a 5 problemas específicos que, juntos, respondem por 30-50% do churn no dia 1.
O DAU mede os usuários ativos de hoje. A retenção mede se os usuários de uma coorte passada voltam. Um DAU estável com retenção por coorte em queda é um padrão instável (usuários novos substituindo usuários antigos que estão indo embora). Olhe sempre os dois juntos. As curvas de retenção de coortes de instalação específicas mostram se o produto está de fato criando mais hábito.
Para dados de benchmark, AppsFlyer, Adjust e Sensor Tower (que comprou a data.ai em 2024) publicam relatórios anuais. Para analisar a sua própria retenção, use a sua plataforma de análise de produto (UXCam, Amplitude ou Mixpanel para coortes de retenção) junto com uma ferramenta de gravação de sessão para diagnosticar por que as coortes que deram churn foram embora. A combinação é o que importa: os dashboards mostram que a retenção mudou. As gravações mostram por quê.
Silvanus Alt, PhD, is the Co-Founder & CEO of UXCam and a expert in AI-powered product intelligence. Trained at the Max Planck Institute for the Physics of Complex Systems, he built Tara, the AI Product Analyst that not only analyzes user behavior but recommends clear next steps for better products.
Métricas de analytics de apps são os sinais quantitativos que as equipes de produto usam para medir performance, engajamento e...
Founder & CEO | UXCam
Sentry vs Datadog comparados lado a lado em funcionalidades, preço e os stacks de produção em que cada um se...
Founder & CEO | UXCam
Desempenho de aplicativo móvel na perspectiva do usuário. Como medir o que realmente importa (sessões sem crash, frame rate, rage taps), o que...
Founder & CEO | UXCam
