Metodologia

De onde vêm estes números e o que eles não podem dizer

Esta biblioteca existe porque benchmarks viajam mal. Um número é citado sem o denominador, perde a coorte, muda de estatística e acaba comparado com algo com que não tem nada em comum. O que segue é como este dataset tenta não fazer isso.

Somente fontes primárias

Uma fonte só é usada quando o publicador tem acesso direto aos dados que reporta: infraestrutura de assinatura que processa as transações, um SDK de atribuição que observa as sessões, analytics de cobrança que vê as faturas. RevenueCat, Adapty e ChartMogul são as plataformas por onde o dinheiro passa. A Adjust vê as aberturas de app.

Artigos que citam números de outro publicador foram rejeitados mesmo quando os números estavam corretos, porque um número de segunda mão chega sem a metodologia e normalmente sem a estatística. Onde um artigo secundário era o único caminho até um número, o número ficou de fora.

A identidade de uma métrica é definicional, não lexical

Dois publicadores podem escrever «retenção D30» e querer dizer coisas diferentes. A Adjust quer dizer: de todos que instalaram, quem abriu o app no dia 30. A retenção da RevenueCat quer dizer: das assinaturas pagas, quais acumularam renovações suficientes para cobrir o tempo transcorrido. A primeira é uso do app por quem instalou; a segunda é sobrevivência de uma assinatura entre quem já pagou. Diferem em mais de uma ordem de magnitude e nenhuma está errada.

Por isso este dataset dá a elas entradas de métrica separadas, registra o denominador e a coorte em cada uma, e se recusa a compará-las. O mesmo vale para conversão de teste medida sobre instalações versus sobre inícios de teste, para taxas de renovação por ciclo versus retenção acumulada, e para receita por instalação versus valor de vida por pagante.

Estatísticas não são intercambiáveis

O desempenho de apps é fortemente assimétrico: um punhado de apps fica com a maior parte da receita. Nesse formato, uma média fica bem acima de uma mediana, então a estatística importa tanto quanto o segmento. A RevenueCat publica medianas e quartis entre apps. A Adapty agrega conversão como a média das taxas por app. A metodologia publicada da AppsFlyer descreve uma média truncada com os 10% superiores e inferiores removidos.

Essas três abordagens produzem números diferentes a partir da mesma realidade. Onde este dataset tem a mesma métrica de dois publicadores com estatísticas diferentes, o veredicto de comparabilidade é rebaixado e a razão é nomeada.

Faixas continuam faixas

Publicadores frequentemente reportam uma faixa entre categorias — «mediana 14–26%». Reduzi-la a um ponto médio imprimiria um número que ninguém publicou. Essas observações são armazenadas e exibidas como faixas, e um valor dentro de uma é reportado como dentro, não como acima ou abaixo.

Nenhuma média do setor

Nada neste site calcula médias entre fontes. A função que poderia combinar observações se recusa a menos que todos os pares sejam diretamente comparáveis, o que na prática quase nunca acontece entre publicadores, e não há nenhum código que faça média de números incomparáveis. Quando várias fontes medem a mesma coisa, elas aparecem lado a lado.

É isso que a biblioteca faz e um resultado de busca não faz. Um único número combinado é mais fácil de citar e diz menos.

O vocabulário não é normalizado

«APAC» da Adjust e «Asia-Pacific» da RevenueCat cobrem listas de países diferentes. «Social» da Adjust e «Social & Lifestyle» da RevenueCat cobrem conjuntos de apps diferentes. Renomear um para casar com o outro faria dois números incomparáveis parecerem duas leituras da mesma coisa, então os rótulos dos publicadores são mantidos exatamente como publicados e o motor de comparabilidade os trata como segmentos diferentes.

O mesmo raciocínio vale para categorias. «Productivity» da RevenueCat inclui Graphics & Design e ferramentas de desenvolvimento; outros publicadores traçam essa linha em outro lugar.

Edições, versões e rupturas

Cada edição de um relatório é uma fonte distinta. Observações antigas nunca são substituídas por novas, e uma métrica só é mostrada como série temporal quando o método permaneceu estável entre edições.

Vale dizer uma ruptura com clareza. A edição 2025 da RevenueCat reporta 44,1% de retenção mediana em um ano para planos anuais; a edição 2026 reporta 28% para a mesma métrica nominal. Um movimento de 16 pontos em um ano não é um evento de mercado, é uma mudança na forma de calcular. Os dois números estão neste dataset, sinalizados e deliberadamente não unidos por uma linha.

Achados sobre a qualidade dos dados

Dois achados da extração merecem registro, porque afetam o peso que os números podem sustentar. O artigo de retenção da Adjust usa «mediana» para os números por plataforma e «média» para os números por vertical sem explicar a mudança, então os números verticais estão marcados com qualidade de evidência menor. E as páginas de blog por categoria da Adapty citam três taxas globais diferentes de instalação para teste — 10,9%, 11,2% e 13,8% — para o mesmo relatório, então só a página do relatório é usada como fonte de valores.

Nenhum dos dois publicadores é descuidado com os dados subjacentes. Ambos ilustram a rapidez com que um número se degrada assim que sai do documento que o definiu.

O que este dataset não é

Não é completo. Cobre bem apps móveis de assinatura para consumidor, de forma aceitável a retenção por coorte de instalação, e de forma rasa o SaaS B2B. Vários publicadores sólidos colocam seus números atrás de um dashboard interativo ou de um formulário de e-mail, e ficaram de fora em vez de serem contornados.

Também não é um conselho. Um benchmark diz o que outros produtos reportaram em condições que nunca são exatamente as suas. Não pode dizer qual deveria ser o seu número.

Inventário de fontes

Todas as fontes aceitas, o que foi extraído de cada uma e o que a limita. Enquanto os dados eram extraídos, manteve-se um arquivo local de cada fonte, então qualquer número pode ser verificado contra o documento de onde foi lido.

RevenueCat
State of Subscription Apps 2026
Publicado
2026-03-19
Observações
164
Métricas
17
Arquivado
Sim
Acessado
2026-09-09
Amostra
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.
Agregação
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.
Limitações
- 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: Instalação → teste (30 dias) · Teste → pago · Instalação → pago (35 dias) · Retenção de assinaturas, 6 meses · Retenção de assinaturas, 12 meses · Taxa de renovação por ciclo · Taxa de renovação ativa · Taxa de reembolso · Cancelamentos por motivo · Quando os planos anuais são cancelados · Reativação em 12 meses · Receita por instalação, dia 14 · Receita por instalação, dia 60 · LTV realizado por pagante, 1 mês · LTV realizado por pagante, 1 ano · Crescimento de MRR ano a ano · Preço mediano de assinatura
RevenueCat
State of Subscription Apps 2025
Publicado
2025-04-01
Observações
15
Métricas
5
Arquivado
Sim
Acessado
2026-09-09
Amostra
Apps using RevenueCat for in-app subscription management, segmented by category, platform, region, price point and engagement strategy.
Agregação
App-level metrics reported as bottom quartile, median, upper quartile and top 10% of app performance.
Limitações
- 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: Teste → pago · Instalação → pago (35 dias) · Retenção de assinaturas, 12 meses · Taxa de reembolso · Receita por instalação, dia 60
RevenueCat
State of Subscription Apps 2024
Publicado
2024-04-01
Observações
19
Métricas
6
Arquivado
Sim
Acessado
2026-09-09
Amostra
Apps using RevenueCat for in-app subscription management, broken down by pricing, packaging, localisation, conversion and retention.
Agregação
App-level metrics reported as quartiles and medians across the app population.
Limitações
- 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: Instalação → pago (30 dias) · Teste → pago · Instalação → teste (30 dias) · Taxa de renovação por ciclo · Retenção de assinaturas, 12 meses · Cancelamentos por motivo
Adapty
State of In-App Subscriptions 2026
Publicado
2026-01-01
Observações
16
Métricas
7
Arquivado
Sim
Acessado
2026-09-09
Amostra
Subscription data from more than 16,000 apps representing $3 billion in subscription revenue.
Agregação
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.
Limitações
- 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: Instalação → teste (todas as durações) · Teste → pago · Retenção após a enésima renovação · Taxa de reembolso · Retenção de assinaturas, 12 meses · LTV de instalação, 12 meses · Preço mediano de assinatura
Adjust
Insights into what makes a good mobile app retention rate 2024
Publicado
2024-04-16
Observações
29
Métricas
4
Arquivado
Sim
Acessado
2026-09-09
Amostra
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.
Agregação
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.
Limitações
- 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: Retenção D1 (coorte de instalação) · Retenção D7 (coorte de instalação) · Retenção D14 (coorte de instalação) · Retenção D30 (coorte de instalação)
Adjust
Mobile app retention benchmarks for 2023 2023
Publicado
2023-01-01
Observações
20
Métricas
3
Arquivado
Sim
Acessado
2026-09-09
Amostra
Adjust measurement data covering calendar year 2022, reported globally and by region and vertical. No sample size stated.
Agregação
Explicitly stated as median global retention rates, with 2021 medians given for comparison.
Limitações
- No stated sample size.
- Reports D1, D14 and D30 but not D7 at the global level.
Métricas: Retenção D1 (coorte de instalação) · Retenção D14 (coorte de instalação) · Retenção D30 (coorte de instalação)
ChartMogul
SaaS Retention Report 2023
Publicado
2023-03-01
Observações
12
Métricas
3
Arquivado
Sim
Acessado
2026-09-09
Amostra
Anonymised, aggregated data from over 2,100 SaaS businesses using ChartMogul. Only companies active for the full twelve months are included in the aggregates.
Agregação
Benchmarks are reported as top-quartile values within ARR and ARPA bands, alongside the share of companies clearing a threshold. Company-level, equally weighted.
Limitações
- 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) · Retenção de clientes / logo retention (SaaS)

Fontes rejeitadas

Publicadores pesquisados e não utilizados. Listá-los importa: uma fonte ausente costuma ser um critério, não um descuido.

AppsFlyer — Industry Benchmarks
Metodologia publicada excelente, e o único destes publicadores a documentar explicitamente uma média truncada, mas os números carregam em um dashboard interativo e não aparecem na página. A metodologia é citada acima; nenhuma observação foi extraída.
Mixpanel — State of Digital Analytics 2026
Um dataset real (3,7 trilhões de eventos, mais de 12.000 empresas), mas o carrossel da página pública combina títulos de setor com legendas de gráfico que os contradizem — um título «Fintech» sobre um gráfico chamado «Blockchain & Crypto companies» — e repete cada valor com e sem sufixo de unidade. A atribuição por setor não pôde ser estabelecida com confiança, então nada foi extraído.
Amplitude — Benchmarks
2.600 empresas e uma abordagem estatística claramente descrita, mas os valores só estão disponíveis dentro da ferramenta interativa; a página em si não traz nenhum.
Superwall
Publica recursos de analytics de produto, não um dataset de benchmarks. Não há o que citar.
Adapty — artigos de benchmark por categoria
Essas páginas citam três números globais de instalação para teste mutuamente inconsistentes (10,9%, 11,2%, 13,8%) para o mesmo relatório. Usa-se a página do relatório em vez delas.
Business of Apps — App Subscription Trial Benchmarks
Cita o State of Subscription Apps da RevenueCat, que já está neste dataset como fonte primária. Uma cópia de segunda mão não acrescenta evidência.
CleverTap, Airship
Benchmarks de mensageria e campanhas push, e não das métricas de produto em questão, além de os números serem restritos.
Sensor Tower, data.ai
Estimativas de downloads e receita, e não taxas próprias de retenção ou conversão, e o relatório State of Mobile é restrito.
Artigos de SEO genéricos sobre benchmarks de retenção
Um grande número de páginas ranqueia para essas buscas repetindo os números da Adjust ou da AppsFlyer, frequentemente trocando a estatística, omitindo o ano ou atribuindo uma mediana a uma «média». Todas foram rejeitadas.

Nota sobre o idioma

A interface e as explicações são traduzidas. Citações das fontes, títulos de relatórios, descrições de amostra e rótulos de segmento dos publicadores não são: uma citação traduzida deixa de ser evidência, e traduzir «Asia-Pacific» para o equivalente regional de outro idioma implicaria uma equivalência com a região de outro publicador que não se sustenta. Os valores dos benchmarks são neutros quanto ao idioma e compartilhados por todas as versões.

Todos os benchmarks Comparar seu produto