Metodología

De dónde vienen estas cifras y qué no pueden decirte

Esta biblioteca existe porque los benchmarks viajan mal. Una cifra se cita sin su denominador, pierde su cohorte, cambia de estadístico y acaba comparada con algo con lo que no tiene nada en común. Lo que sigue es cómo este dataset intenta no hacer eso.

Solo fuentes primarias

Una fuente solo se usa cuando el editor tiene acceso directo a los datos que publica: infraestructura de suscripción que procesa las transacciones, un SDK de atribución que observa las sesiones, analítica de facturación que ve las facturas. RevenueCat, Adapty y ChartMogul son las plataformas por las que pasa el dinero. Adjust ve las aperturas de app.

Los artículos que citan cifras de otro editor se descartaron incluso cuando las cifras eran correctas, porque un número de segunda mano llega sin su metodología y normalmente sin su estadístico. Donde un artículo secundario era la única vía hacia una cifra, la cifra se dejó fuera.

La identidad de una métrica es definicional, no léxica

Dos editores pueden escribir «retención D30» y referirse a cosas distintas. Adjust quiere decir: de todos los que instalaron, quién abrió la app el día 30. La retención de RevenueCat quiere decir: de las suscripciones de pago, cuáles acumularon suficientes renovaciones para cubrir el tiempo transcurrido. La primera es uso de la app por parte de quienes la instalaron; la segunda es supervivencia de una suscripción entre quienes ya pagaron. Difieren en más de un orden de magnitud y ninguna es incorrecta.

Por eso este dataset les da entradas de métrica separadas, registra el denominador y la cohorte en cada una, y se niega a compararlas. Lo mismo se aplica a la conversión de prueba medida sobre instalaciones frente a sobre inicios de prueba, a las tasas de renovación por ciclo frente a la retención acumulada, y al ingreso por instalación frente al valor de vida por pagador.

Los estadísticos no son intercambiables

El rendimiento de las apps está muy sesgado: un puñado de apps se lleva la mayor parte del ingreso. Con esa forma, un promedio queda bastante por encima de una mediana, así que el estadístico importa tanto como el segmento. RevenueCat publica medianas y cuartiles entre apps. Adapty agrega la conversión como el promedio de las tasas por app. La metodología publicada de AppsFlyer describe una media truncada eliminando el 10% superior e inferior.

Esos tres enfoques producen cifras distintas a partir de la misma realidad. Donde este dataset tiene la misma métrica de dos editores con estadísticos distintos, el veredicto de comparabilidad se rebaja y se nombra la razón.

Los rangos siguen siendo rangos

Los editores suelen publicar una banda entre categorías: «mediana 14–26%». Reducirla a un punto medio imprimiría una cifra que nadie publicó. Esas observaciones se guardan y se muestran como rangos, y un valor dentro de uno se reporta como dentro, no como por encima o por debajo.

Ninguna media del sector

Nada en este sitio promedia entre fuentes. La función que podría combinar observaciones se niega salvo que todos los pares sean directamente comparables, lo que en la práctica casi nunca ocurre entre editores, y no hay ningún código que promedie cifras incomparables. Cuando varias fuentes miden lo mismo, se muestran juntas.

Esto es lo principal que hace la biblioteca y que no hace un resultado de búsqueda. Una sola cifra mezclada es más fácil de citar y dice menos.

El vocabulario no se normaliza

«APAC» de Adjust y «Asia-Pacific» de RevenueCat cubren listas de países distintas. «Social» de Adjust y «Social & Lifestyle» de RevenueCat cubren conjuntos de apps distintos. Renombrar uno para que coincida con el otro haría que dos cifras incomparables parecieran dos lecturas de lo mismo, así que las etiquetas de los editores se conservan exactamente como se publicaron y el motor de comparabilidad las trata como segmentos distintos.

El mismo razonamiento vale para las categorías. «Productivity» de RevenueCat incluye Graphics & Design y herramientas de desarrollo; otros editores trazan esa línea en otro sitio.

Ediciones, versiones y rupturas

Cada edición de un informe es una fuente distinta. Las observaciones antiguas nunca se sustituyen por nuevas, y una métrica solo se muestra como serie temporal cuando el método se mantuvo estable entre ediciones.

Vale la pena decir una ruptura con claridad. La edición 2025 de RevenueCat reporta un 44,1% de retención mediana a un año para planes anuales; la edición 2026 reporta un 28% para la misma métrica nominal. Un movimiento de 16 puntos en un año no es un acontecimiento de mercado, es un cambio en cómo se construye la cifra. Las dos cifras están en este dataset, señaladas y deliberadamente no unidas por una línea.

Hallazgos sobre la calidad de los datos

Dos hallazgos de la extracción merecen registrarse, porque afectan al peso que pueden soportar las cifras. El artículo de retención de Adjust usa «mediana» para sus cifras por plataforma y «promedio» para sus cifras por vertical sin explicar el cambio, así que las cifras verticales están marcadas con menor calidad de evidencia. Y las páginas de blog por categoría de Adapty citan tres tasas globales distintas de instalación a prueba — 10,9%, 11,2% y 13,8% — para el mismo informe, así que solo se usa la página del informe como fuente de valores.

Ninguno de los dos editores es descuidado con los datos subyacentes. Ambos ilustran lo rápido que se degrada una cifra en cuanto sale del documento que la definió.

Lo que este dataset no es

No es completo. Cubre bien las apps móviles de suscripción para consumidor, de forma aceptable la retención por cohorte de instalación, y de forma escasa el SaaS B2B. Varios editores sólidos ponen sus cifras detrás de un dashboard interactivo o de un formulario de correo, y se dejaron fuera en lugar de sortearlos.

Tampoco es un consejo. Un benchmark te dice qué reportaron otros productos en condiciones que nunca son del todo las tuyas. No puede decirte cuál debería ser tu cifra.

Inventario de fuentes

Todas las fuentes aceptadas, qué se tomó de cada una y qué la limita. Mientras se extraían los datos se mantuvo un archivo local de cada fuente, así que cualquier cifra puede verificarse contra el documento del que se leyó.

RevenueCat
State of Subscription Apps 2026
Publicado
2026-03-19
Observaciones
164
Métricas
17
Archivado
Sí
Consultado
2026-09-09
Muestra
Over 115,000 apps using RevenueCat for in-app subscription management, covering more than $16 billion in revenue and more than a billion transactions. Apps must have active subscription revenue and meet a minimum install or revenue threshold.
Agregación
App-level metrics aggregated across apps and reported as medians and quartiles (Q1/P25, median/P50, Q3/P75, P90). Each app is a data point regardless of size.
Limitaciones
- Covers only apps that chose RevenueCat, which skews toward independent and mid-size subscription developers rather than the largest publishers.
- Retention is measured at subscription level, not user level, so a user with two subscriptions counts twice.
- Two charts in the State of the Market chapter come from Appfigures rather than RevenueCat.
- Segments with too few apps are omitted or merged, so absent breakdowns are not the same as zero.
Métricas: Instalación → prueba (30 días) · Prueba → pago · Instalación → pago (35 días) · Retención de suscripciones, 6 meses · Retención de suscripciones, 12 meses · Tasa de renovación por ciclo · Tasa de renovación activa · Tasa de reembolso · Cancelaciones por motivo · Cuándo se cancelan los planes anuales · Reactivación en 12 meses · Ingreso por instalación, día 14 · Ingreso por instalación, día 60 · LTV realizado por pagador, 1 mes · LTV realizado por pagador, 1 año · Crecimiento de MRR interanual · Precio mediano de suscripción
RevenueCat
State of Subscription Apps 2025
Publicado
2025-04-01
Observaciones
15
Métricas
5
Archivado
Sí
Consultado
2026-09-09
Muestra
Apps using RevenueCat for in-app subscription management, segmented by category, platform, region, price point and engagement strategy.
Agregación
App-level metrics reported as bottom quartile, median, upper quartile and top 10% of app performance.
Limitaciones
- The published edition does not state a sample size, so the population behind each figure is unknown.
- Retention figures are markedly higher than the 2026 edition's for the same nominal metric, which indicates a definition or population change between editions rather than a real market move.
- Same RevenueCat-customer selection bias as later editions.
Métricas: Prueba → pago · Instalación → pago (35 días) · Retención de suscripciones, 12 meses · Tasa de reembolso · Ingreso por instalación, día 60
RevenueCat
State of Subscription Apps 2024
Publicado
2024-04-01
Observaciones
19
Métricas
6
Archivado
Sí
Consultado
2026-09-09
Muestra
Apps using RevenueCat for in-app subscription management, broken down by pricing, packaging, localisation, conversion and retention.
Agregación
App-level metrics reported as quartiles and medians across the app population.
Limitaciones
- No stated sample size.
- Download-to-paid is reported on a 30-day window here and a 35-day window in later editions, so the series is not continuous.
- Same RevenueCat-customer selection bias.
Métricas: Instalación → pago (30 días) · Prueba → pago · Instalación → prueba (30 días) · Tasa de renovación por ciclo · Retención de suscripciones, 12 meses · Cancelaciones por motivo
Adapty
State of In-App Subscriptions 2026
Publicado
2026-01-01
Observaciones
16
Métricas
7
Archivado
Sí
Consultado
2026-09-09
Muestra
Subscription data from more than 16,000 apps representing $3 billion in subscription revenue.
Agregación
Conversion benchmarks are computed as app-level rates (trials or purchases divided by installs) within a segment, then aggregated as the AVERAGE of per-app rates. Medians and percentiles are reported alongside averages on some charts.
Limitaciones
- Averages of per-app rates are pulled upward by high-performing outliers, so Adapty's conversion figures are not directly comparable with median-based figures from other publishers.
- Because plan duration is unknown at install, install-to-trial and install-to-paid are computed across all durations and the same value is repeated for every duration bucket — a duration-specific reading is unsupported.
- The renewal series is presented both as a 'user journey stage' funnel and as a table headed 'Global Average Retention'. This dataset reads it as cumulative retention because the series falls monotonically, but the publisher's own labelling is ambiguous.
- Adapty's category blog pages quote three mutually inconsistent global install-to-trial figures (10.9%, 11.2% and 13.8%) for the same report. Only figures from the report page itself are used here.
Métricas: Instalación → prueba (todas las duraciones) · Prueba → pago · Retención tras la enésima renovación · Tasa de reembolso · Retención de suscripciones, 12 meses · LTV de instalación, 12 meses · Precio mediano de suscripción
Adjust
Insights into what makes a good mobile app retention rate 2024
Publicado
2024-04-16
Observaciones
29
Métricas
4
Archivado
Sí
Consultado
2026-09-09
Muestra
Adjust's measurement data across its client apps, all verticals combined for the platform figures and broken out by vertical and region elsewhere. The published article does not state a sample size.
Agregación
Stated as median retention rates across verticals for the overall and platform figures. Vertical breakdowns are described in the article as 'average', so the statistic is not consistent throughout.
Limitaciones
- No stated sample size and no stated measurement window, so the figures cannot be pinned to a period.
- The article uses 'median' for platform-level figures and 'average' for vertical figures without explaining the change, so vertical numbers are recorded here at lower evidence quality.
- 'Day' is defined as a rolling 24-hour period from install, not a calendar day — this differs from tools that bucket by calendar date and reads slightly higher.
Métricas: Retención D1 (cohorte de instalación) · Retención D7 (cohorte de instalación) · Retención D14 (cohorte de instalación) · Retención D30 (cohorte de instalación)
Adjust
Mobile app retention benchmarks for 2023 2023
Publicado
2023-01-01
Observaciones
20
Métricas
3
Archivado
Sí
Consultado
2026-09-09
Muestra
Adjust measurement data covering calendar year 2022, reported globally and by region and vertical. No sample size stated.
Agregación
Explicitly stated as median global retention rates, with 2021 medians given for comparison.
Limitaciones
- No stated sample size.
- Reports D1, D14 and D30 but not D7 at the global level.
Métricas: Retención D1 (cohorte de instalación) · Retención D14 (cohorte de instalación) · Retención D30 (cohorte de instalación)
ChartMogul
SaaS Retention Report 2023
Publicado
2023-03-01
Observaciones
12
Métricas
3
Archivado
Sí
Consultado
2026-09-09
Muestra
Anonymised, aggregated data from over 2,100 SaaS businesses using ChartMogul. Only companies active for the full twelve months are included in the aggregates.
Agregación
Benchmarks are reported as top-quartile values within ARR and ARPA bands, alongside the share of companies clearing a threshold. Company-level, equally weighted.
Limitaciones
- Most headline figures are top-quartile rather than median, so they describe good performance, not typical performance.
- Data is now several years old; SaaS retention fell broadly in 2022 and has not been re-benchmarked here.
- Growth-rate comparisons exclude companies below $3m ARR, so those cuts describe post-product-market-fit companies only.
- B2C figures are inferred from low-ARPA bands rather than measured as a separate population.
Métricas: Net revenue retention (SaaS) · Gross revenue retention (SaaS) · Retención de clientes / logo retention (SaaS)

Fuentes descartadas

Editores investigados y no utilizados. Enumerarlos importa: una fuente ausente suele ser un criterio, no un descuido.

AppsFlyer — Industry Benchmarks
Metodología publicada excelente, y el único de estos editores que documenta explícitamente una media truncada, pero las cifras se cargan en un dashboard interactivo y no aparecen en la página. Su metodología se cita arriba; no se tomaron observaciones.
Mixpanel — State of Digital Analytics 2026
Un dataset real (3,7 billones de eventos, más de 12.000 empresas), pero el carrusel de la página pública empareja encabezados de sector con títulos de gráfico que los contradicen — un encabezado «Fintech» sobre un gráfico titulado «Blockchain & Crypto companies» — y repite cada valor con y sin sufijo de unidad. No se pudo establecer con confianza la atribución sectorial, así que no se extrajo nada.
Amplitude — Benchmarks
2.600 empresas y un enfoque estadístico claramente descrito, pero los valores solo están disponibles dentro de la herramienta interactiva; la página en sí no incluye ninguno.
Superwall
Publica funcionalidades de analítica de producto, no un dataset de benchmarks. No hay nada que citar.
Adapty — artículos de benchmark por categoría
Estas páginas citan tres cifras globales de instalación a prueba mutuamente inconsistentes (10,9%, 11,2%, 13,8%) para el mismo informe. Se usa la página del informe en su lugar.
Business of Apps — App Subscription Trial Benchmarks
Cita el State of Subscription Apps de RevenueCat, que ya está en este dataset como fuente primaria. Una copia de segunda mano no añade evidencia.
CleverTap, Airship
Benchmarks de mensajería y campañas push más que de las métricas de producto en cuestión, y las cifras están restringidas.
Sensor Tower, data.ai
Estimaciones de descargas e ingresos más que tasas propias de retención o conversión, y el informe State of Mobile está restringido.
Artículos SEO generales sobre benchmarks de retención
Muchísimas páginas posicionan para estas búsquedas repitiendo las cifras de Adjust o AppsFlyer, con frecuencia cambiando el estadístico, omitiendo el año o atribuyendo una mediana a un «promedio». Todas se descartaron.

Nota sobre el idioma

La interfaz y las explicaciones están traducidas. Las citas de las fuentes, los títulos de los informes, las descripciones de muestra y las etiquetas de segmento de los editores no lo están: una cita traducida deja de ser evidencia, y traducir «Asia-Pacific» al equivalente regional de otro idioma implicaría una equivalencia con la región de otro editor que no se sostiene. Los valores de los benchmarks son neutros respecto al idioma y compartidos por todas las versiones.

Todos los benchmarks Comparar tu producto