Quali coorti di acquisizione di un'app stanno davvero ripagando? Confrontale a parità di età, sui proceeds.

Prendi due settimane di install della stessa campagna, con 10.000 $ di spesa e 2.000 install ciascuna. La settimana più vecchia mostra un ROAS del 78% a oggi e quella più giovane del 57%. Una dashboard che si ferma lì legge la settimana più giovane come quella da tagliare. A ogni età che entrambe hanno raggiunto, la più giovane è avanti di circa il 30%. La revenue a oggi ti ha detto quanto era vecchia ogni coorte. Non ti ha detto quale fosse la migliore.

Leggo le coorti paid in tre modi. A parità di età. Sui proceeds, dopo lo store, le tasse e i rimborsi. In celle con abbastanza acquisti da avere un significato. Le cifre di account qui sotto vengono da studi che ho pubblicato, ognuno su un solo account. Ogni numero dell’esempio svolto è un calcolo su un’ipotesi dichiarata.

Perché la revenue a oggi è fuorviante?

La revenue si accumula nel tempo. Una coorte installata 56 giorni fa ha avuto 56 giorni per pagare, rinnovare e guardare gli annunci. Una installata 14 giorni fa ne ha avuti 14. Se confronti i totali, hai mischiato l’età con la performance. La soluzione è indicizzare ogni coorte per giorni dall’install e confrontare solo alle età che entrambe hanno raggiunto.

Gli strumenti funzionano già così, ed è per questo che diffido di qualsiasi report che non lo fa. App Store Connect Analytics di Apple riporta il download to paid a Day 1, Day 7 e Day 35 per ogni coorte di download. La dashboard delle coorti di AppsFlyer raggruppa gli utenti per data di acquisizione, conta quella data come giorno 0 e basa i giorni di coorte sui giorni di calendario, non sul timestamp dell’install. Un utente che installa alle 23:50 ha quindi dieci minuti di giorno 0. Due strumenti possono non coincidere sulla revenue D0 solo per questo motivo.

I checkpoint sono convenzioni. Apple ha scelto 35 giorni, SKAN si ferma a 35, molti team usano 28. Quello che non è una convenzione è la regola che sta sotto. Stessa età, oppure nessun confronto. La mia routine è D0 e D7 per la lettura precoce e D28 per la decisione, nel report di coorte dell’MMP. D28 è l’età su cui ho verificato il giorno 0 nello studio da 606K $, dove il ROAS al giorno 0 ha classificato 38 campagne Meta quasi allo stesso modo del giorno 28, con una correlazione di rango di +0,96, in parte scontata in partenza, dato che la revenue al giorno 0 fa parte di quella al giorno 28. Quindi mi fido del D0 per classificare le coorti l’una rispetto all’altra, e aspetto il D28 per il numero assoluto che si confronta con il target.

Che aspetto ha un confronto a parità di età?

A parità di età, la settimana di install più giovane è avanti di circa il 30% a ogni checkpoint che ha raggiunto, anche se la sua revenue a oggi sembra peggiore. Ogni numero di questa sezione è illustrativo. Due settimane di install della stessa campagna, con 10.000 $ di spesa e 2.000 install ciascuna, quindi un CPI da 5,00 $. La Settimana A oggi ha 56 giorni e la Settimana B ne ha 14. Le celle sono proceeds cumulati per install, dopo commissione dello store, tasse e rimborsi.

La lettura sbagliata è quella dell’ultima colonna. La Settimana A ha restituito 7.800 $ contro i 5.700 $ della Settimana B, quindi la A sembra avere il targeting migliore o le creative migliori, e la B sembra una candidata al taglio. La Settimana A ha avuto quattro volte il tempo per guadagnare.

La lettura giusta è una qualsiasi colonna che entrambe le settimane hanno compilato. A D0, la B è avanti del 33%. A D7, del 31%. A D14, 2,85 $ contro 2,20 $, avanti del 30%, cioè un ROAS del 57% contro il 44%. La Settimana B è la coorte migliore a ogni età che ha raggiunto, e la lettura ingenua aveva il verdetto al contrario.

Coorti illustrative della tabella qui sopra, CPI da 5,00 $. Il grafico a sinistra mischia età e performance. Quello a destra confronta solo la performance.

La Settimana B ha 14 giorni e la mia età di decisione è 28, quindi c’è una seconda domanda. Che ne faccio della sua spesa per due settimane? La proietto dalle coorti più vecchie. La Settimana A è passata da 2,20 $ a D14 a 3,00 $ a D28, un moltiplicatore di 1,36. Applicato ai 2,85 $ della Settimana B, dà circa 3,89 $ per install a D28, cioè un ROAS del 78%. Una sola coorte più vecchia vuol dire tirare a indovinare, quindi prendo l’intervallo di quel moltiplicatore da D14 a D28 su più coorti più vecchie. Usa coorti con un mix simile di paesi e di creative. Supponi che l’intervallo vada da 1,25 a 1,45. La Settimana B arriva allora tra 3,56 $ e 4,13 $, tra il 71% e l’83% di ROAS a D28.

Che quella banda decida qualcosa dipende dal target. Se il target a D28 è il 70%, entrambi gli estremi lo superano e la Settimana B può scalare subito. Se è il 75%, la banda sta a cavallo della linea, la Settimana B resta in osservazione a spesa invariata e la rileggo a D28. I moltiplicatori valgono solo finché prodotto, prezzi, paywall e mix di canali restano vicini a quelli delle coorti più vecchie. Dopo un test del paywall o un nuovo mercato, ricostruisci l’intervallo da capo.

Quale revenue è il denaro?

Misura le coorti sui proceeds per ogni decisione di redditività o di payback, cioè su quello che ti arriva dopo la commissione dello store, le tasse e i rimborsi. Per il denaro uso i proceeds di RevenueCat. Per la ripartizione per campagna uso la revenue dell’MMP, e la tratto come un numero gross per classificare, mai come cassa.

Apple definisce le Sales come l’importo totale fatturato ai clienti e i Proceeds come l’importo che ricevi, avverte che i proceeds in Sales and Trends non sono definitivi e stima gli importi in dollari USA con i tassi di cambio del mese precedente. Il divario tra i due è la commissione e le tasse dove il prezzo le include, e i rimborsi si tolgono da entrambi. Ho spiegato come commissione dello store, tasse e rimborsi incidono ciascuno sui proceeds nell’articolo sul tetto di CPA. La commissione è del 30%, del 26%, del 15%, oppure del 10% più una commissione di billing del 5%, a seconda di store, programma, regione e anzianità dell’abbonato, e la tabella delle commissioni di Google Play del 2026 ha allargato la forbice.

RevenueCat tiene separati i livelli. Il suo grafico della revenue sottrae prima i rimborsi e poi stima tasse e commissione per arrivare ai proceeds, e la sua guida alla riconciliazione collega il prezzo al cliente di Apple alla sua cifra di revenue e la quota partner di Apple ai suoi proceeds. Due avvertenze. Tasse e commissione sono stime di RevenueCat, non il rendiconto dello store. E Charts v3 sottrae un rimborso nel giorno in cui avviene, mentre una lettura per coorti richiede che sia riassegnato all’acquisto che ha annullato, quindi sposta i rimborsi alla loro coorte originale prima di confrontare le settimane.

Il numero dell’MMP è un’altra cosa. Adjust e AppsFlyer riportano la revenue che l’SDK o il server hanno inviato, gross o net a seconda del tuo setup, e la tratto come gross. La riportano dentro le proprie regole e finestre di attribution. Confrontare un LTV di RevenueCat con un ROAS di Adjust vuol dire confrontare due basi insieme. Ho scritto i tre confronti tra Meta, RevenueCat e Adjust e i controlli che rendono affidabile un divario. Per questo articolo la regola è una sola base, una sola valuta, un solo calendario, a ogni livello dell’analisi.

Quanto piccola può essere una cella prima che il numero non significhi più niente?

Prima di leggere una cella voglio 50 acquisti, perché ogni suddivisione che aggiungi moltiplica le celle e divide gli utenti in ciascuna. Una campagna con 2.000 install su 10 paesi, 2 store e 5 creative fa 100 celle da 20 install. Con un tasso di paganti del 3%, sono meno di un pagante per cella.

Ho preso il numero da un account che ho misurato, 1,2M $ in 22 settimane, dove il ROAS di un ad in una settimana ha predetto meglio il ROAS della settimana successiva quando l’ad aveva 50 o più acquisti in quella settimana, e anche allora la correlazione era 0,44. Sotto 50 non leggo la cella. La accorpo, unendo le settimane o unendo i paesi in tier, finché non supera la soglia.

La statistica dice la stessa cosa in un’altra lingua. Un tasso di paganti è una proporzione, e la formula standard per il suo margine di errore si comporta male con conteggi bassi, motivo per cui Brown, Cai e DasGupta raccomandano al suo posto l’intervallo di Wilson. Un tasso di paganti del 3% su 1.000 install, cioè 30 paganti, ha un intervallo di Wilson al 95% da circa il 2,1% al 4,3%. Lo stesso 3% su 100 install, 3 paganti, va da circa l’1,0% all’8,5%. La seconda cella non sa distinguere un paese forte da uno debole, e fissarla più a lungo non cambia nulla.

Altre due abitudini impediscono alle celle piccole di mentirti. Fissa l’età di decisione prima di guardare, perché controllare ogni giorno e agire la prima volta che una coorte supera la linea è il problema dell’optional stopping che chi fa A/B test conosce già. E tratta un vincitore a sorpresa in una cella piccola come un’ipotesi. Gelman e Loken chiamano questo problema il giardino dei sentieri che si biforcano. Con abbastanza suddivisioni, qualche cella avrà un ottimo risultato per puro caso, e un altro dataset ne avrebbe fatta brillare un’altra. Il risultato di un sottogruppo conta quando si ripete nella settimana di coorte indipendente successiva.

Come faccio un’analisi di coorte fatta bene?

Parti dall’intero business per settimana di install, poi scendi nel dettaglio solo finché la cella ha ancora 50 o più acquisti.

1. L’intero business, proceeds per settimana di install, a parità di età. Riconcilia prima con i totali dello store e di RevenueCat.
2. Per store. Tabelle delle commissioni, regimi di attribution e regole sui rimborsi sono diversi, quindi leggi iOS e Android prima di mescolarli.
3. Per canale, sulla base dell’MMP, seguendo il rapporto tra il numero della piattaforma e quello dell’MMP come fattore di calibrazione.
4. Per campagna dentro il canale.
5. Per paese dentro la campagna, solo dove il paese supera la soglia.
6. Per creative, il livello più rumoroso. Leggilo come indicazione di direzione e aggrega le settimane.

Come confronto il ROAS tra paesi in modo equo?

Confronta i paesi alla stessa età di coorte, sui proceeds per install, dentro un solo store, con il tasso di paganti e il suo intervallo accanto, perché i paesi differiscono per quanto vale un pagante prima ancora di qualsiasi differenza nell’efficacia degli annunci. Apple fissa prezzi comparabili su 175 storefront con tasse e tassi di cambio incorporati, e gli sviluppatori possono sovrascrivere a mano qualsiasi prezzo. Dove il prezzo include l’IVA, la commissione si calcola dopo le tasse. La commissione dello store può cambiare per regione. Il mix di piani cambia, quindi i proceeds per pagante cambiano anche a parità di prezzo.

Poi c’è il mix. Due campagne possono classificarsi in un modo dentro ogni paese e nel modo opposto in blended, ed è il paradosso di Simpson, che prende il nome dall’articolo del 1951 di Edward Simpson, applicato a un media plan. Illustrativo: la Campagna X gira al 70% di ROAS nel Tier 1 con 8.000 $ e al 130% nel Tier 3 con 2.000 $, per un blended dell’82%. La Campagna Y gira al 60% nel Tier 1 con 2.000 $ e al 120% nel Tier 3 con 8.000 $, per un blended del 108%. X batte Y in ogni tier e perde sul blended, solo in base a dove è andata la spesa. Il confronto giusto dipende da quale mix puoi davvero comprare su larga scala, e lo scopri solo guardando all’interno.

Nel mio audit da 383K $ di spesa tROAS su Meta, un paese aveva girato al 28% di ROAS per tre mesi dentro una campagna che stampava il 70% blended, e a livello di campagna non si è mosso niente. Ho assegnato a ogni paese un punteggio su D0 e All ROAS rispetto al target della campagna stessa, ho aspettato tre mesi prima di escludere qualcosa e ho fissato prima una soglia minima di spesa, perché un paese con 80 $ dietro ha un ROAS rumoroso, non un verdetto. Quell’audit mostra il problema del mix a livello di paese. La regola della stessa età e la soglia sono ciò che aggiunge questo articolo.

Che dire della revenue che l’MMP chiama organica?

Una parte è revenue paid che l’MMP non è riuscito a tracciare. Sotto ATT, una quota della revenue paid iOS non ha nessun click da tracciare, quindi finisce nell’organico, e una tabella di coorti mostra solo la revenue che hai potuto attribuire. Negli install organici e paid iOS di un account in 103 giorni, nei giorni con 100 install paid iOS in più sono comparsi circa 28 install organici iOS in più, una pendenza di 0,277 su iOS contro 0,059 su Android, dove l’install referrer funziona ancora. Le coorti paid iOS in quell’account sembravano un pavimento, e il divario tra le due pendenze è la parte da dimensionare con un holdout.

SKAN abbassa il pavimento e lo fa arrivare più tardi. Con SKAN 4 una campagna riceve al massimo tre postback, che coprono i giorni da 0 a 2, da 3 a 7 e da 8 a 35, il fine conversion value arriva solo nel primo, e al tier più basso di crowd anonymity non arriva alcun valore. Qualsiasi revenue oltre il giorno 35 che una dashboard assegna a una campagna iOS è modellata. Il reporting di Meta lavora con finestre proprie, e la sua documentazione per sviluppatori dice che Facebook in genere ha una finestra di attribution più ampia della maggior parte dei mobile measurement partner. Quindi tieni separati tre livelli invece di comprimerli in un solo ROAS. Proceeds attribuiti in modo deterministico, il pavimento per il paid. Proceeds modellati o probabilistici, etichettati con il metodo. Proceeds non attribuiti, riportati a parte e assegnati al paid solo attraverso un’ipotesi dichiarata, come un alone misurato o il risultato di un holdout.

Neanche la direzione dell’interazione con l’organico è assodata, e non la darei per scontata a tuo favore. Su eBay, Blake, Nosko e Tadelis hanno trovato ritorni dalla ricerca a pagamento pari a una frazione di quanto indicava l’attribuzione, con gli annunci su parole chiave di brand che non mostravano alcun beneficio misurabile nel breve periodo. Presso un grande sviluppatore di giochi mobile statunitense, Ju, Zhao e Aral hanno trovato il segno opposto. Spegnere i suoi annunci in tutto il mondo ha ridotto gli install organici tra il 20% e il 30%, e ogni 100 $ di spesa si accompagnavano a circa 32 install paid e 2 organici, un effetto che fanno risalire agli install paid che migliorano la posizione nelle classifiche degli store. È un preprint basato su una sola azienda, rivisto a luglio 2026, e le cifre sono cambiate tra una versione e l’altra. Canale diverso, prodotto diverso, risposta diversa. Il tuo account ha il suo numero, e i due report nel mio articolo sull’organico iOS sono il modo in cui comincio a cercarlo.

Quando una coorte è abbastanza vecchia per essere giudicata?

Tre test, e una coorte deve superarli tutti.

Le finestre si sono chiuse. La finestra SKAN di 35 giorni più il ritardo dei postback, la finestra di attribution della piattaforma, la principale esposizione ai rimborsi e la finalizzazione dei proceeds da parte dello store. Prima di allora, una parte del numero sta ancora arrivando.

Gli eventi di revenue hanno avuto il tempo di accadere. Un piano annuale è leggibile poco dopo che il trial converte, e la prossima incognita è il rinnovo tra un anno. Un piano mensile non si sarà ancora rinnovato a D28, quindi prendo quella revenue dalla curva delle coorti più vecchie e lascio decidere alla banda qui sotto. I giochi con acquisti e pubblicità continuano a guadagnare, quindi la maturità è una questione di giudizio, e il terzo test qui sotto è il punto in cui lo esprimo. Per quanto tempo puoi aspettare è compito del tetto, e il tetto si fissa prima che la coorte esista.

La revenue successiva non cambierebbe la decisione. La banda dell’esempio svolto. Se il moltiplicatore basso e quello alto delle coorti più vecchie portano la coorte giovane dallo stesso lato del target, la decisione è presa, e aspettare aggiunge precisione a un verdetto che non cambierà. Se stanno a cavallo del target, la coorte resta in osservazione.

Cosa non può dirti una tabella di coorti?

Non può dirti cosa ha causato la spesa. L’attribuzione è un registro di chi è stato abbinato a cosa, secondo le regole di un solo sistema. Gordon, Zettelmeyer, Bhargava e Chapsky hanno confrontato 15 esperimenti pubblicitari su Facebook, 1,6 miliardi di impression, con i metodi osservazionali che i team usano ogni giorno, e hanno trovato che quei metodi spesso non riuscivano a recuperare ciò che gli esperimenti misuravano, anche con un ampio condizionamento. Due degli autori lavoravano per Facebook, i dati sono di Facebook, e gli esperimenti erano campagne Facebook del 2015 negli USA, non install di app, il che è un motivo per leggere lo studio con attenzione, non per scartarlo. Solo un holdout o un esperimento geografico risponde alla domanda causale, e anche questi sono rumorosi. Lewis e Rao hanno mostrato su 25 esperimenti sul campo che i singoli acquisti sono così volatili rispetto al costo degli annunci che per ottenere intervalli informativi servono campioni enormi. Ho spiegato come eseguirei il test per un network nel pezzo sull’incrementalità di AppLovin.

Non può dirti la fonte della revenue SKAN oltre il giorno 35 o sotto la soglia di crowd anonymity. Non può dirti cosa farà una coorte dopo un cambio di prezzo, un nuovo paywall, un nuovo mercato o una nuova tabella delle commissioni, perché i moltiplicatori assumono che il futuro somigli alle coorti più vecchie. E la riconciliazione tra sistemi spiega i divari tra di loro senza dirti quale sistema abbia l’attribuzione giusta. Ognuno è quello giusto per una domanda diversa: lo store per la cassa, RevenueCat per lo stato degli abbonamenti, l’MMP per il credito tra i network, l’ad platform per il proprio segnale di ottimizzazione. E se la domanda è perché una coorte è peggiorata e non quale sia la migliore, quella è la mia diagnostica per CPI in aumento e ROAS fermo, e parte dal change log, non dalla tabella di coorti.

Cosa dovresti controllare prima di dire che una coorte è redditizia?

1. Stessa età. Ogni confronto a un giorno che entrambe le coorti hanno raggiunto, D0 e D7 per classificare, D28 per decidere.
2. Proceeds. Dopo commissione, tasse e rimborsi, con i rimborsi spostati sulla coorte da cui provengono, in una sola valuta e un solo calendario.
3. La soglia. 50 acquisti nella cella, oppure accorpala.
4. Store prima del blend. iOS e Android letti separatamente prima di qualsiasi numero combinato.
5. Il controllo del mix. Il vincitore vince ancora dentro ogni tier di paesi?
6. Replicazione. Una cella sorprendente deve ripetersi nella settimana di coorte successiva.
7. La banda. Per le coorti giovani, un moltiplicatore basso e uno alto dalle coorti più vecchie, e una decisione solo quando entrambi finiscono dallo stesso lato del target.
8. Il livello organico. Proceeds deterministici, modellati e non attribuiti tenuti separati.

Se non riesci a compilare queste otto righe per il tuo account, nel growth audit leggo io le coorti e applico le soglie per un account, e puoi prenotarlo da solo a qualsiasi livello di spesa.

Fonti e ambito

Tutte verificate il 5 ottobre 2026. La documentazione delle piattaforme cambia senza preavviso, quindi controlla la data prima di citare una finestra o una commissione. L’esempio svolto, l’illustrazione del paradosso di Simpson e gli intervalli di Wilson sono calcoli su ipotesi dichiarate, non un account. Le cifre di account a cui rimando riguardano un solo account ciascuna, osservate e non sperimentali.

• Apple, Analytics dashboard, App Store Connect Analytics Help
• Apple, View units, proceeds, sales, and pre-orders, App Store Connect Help
• Apple, Manage pricing for auto renewable subscriptions, App Store Connect Help
• AppsFlyer, Cohort and retention dashboard, AppsFlyer Help Center
• Adjust, How SKAdNetwork 4 works, Adjust Help Center
• Apple, Changes for apps in the European Union, aggiornato il 18 agosto 2026, per la commissione del 26% nell’App Store
• Google, Service fees, Play Console Help
• Meta, App Events API, Meta for Developers
• RevenueCat, Revenue chart, Charts v3 e Reconciling with App Store Financial Reports, RevenueCat Docs
• Brown, Cai e DasGupta, Interval Estimation for a Binomial Proportion, Statistical Science 16(2), 2001
• Gelman e Loken, The Statistical Crisis in Science, American Scientist 102(6), 2014
• Simpson, The Interpretation of Interaction in Contingency Tables, Journal of the Royal Statistical Society, Series B 13(2), 1951
• Stanford Encyclopedia of Philosophy, Simpson’s Paradox, come testo esplicativo
• Gordon, Zettelmeyer, Bhargava e Chapsky, A Comparison of Approaches to Advertising Measurement, Marketing Science 38(2), 2019, 15 esperimenti Facebook negli USA, due autori di Facebook
• Blake, Nosko e Tadelis, Consumer Heterogeneity and Paid Search Effectiveness, Econometrica 83(1), 2015, eBay, autori affiliati a eBay all’epoca
• Ju, Zhao e Aral, Advertising Spillovers in Mobile Apps: Evidence from Ad Shutoffs and Store Rankings, preprint su arXiv, inviato ad aprile 2025 e rivisto a luglio 2026, un solo sviluppatore di giochi statunitense
• Lewis e Rao, The Unfavorable Economics of Measuring the Returns to Advertising, Quarterly Journal of Economics 130(4), 2015