← Alle Insights
10 Min. Lesezeit · Alternative Daten · Mai 2026

App-Downloads als Revenue-Signal.

Wenn Spotify oder DoorDash Quartalszahlen meldet, hängt die Marktreaktion an der Mobile-Umsatz-Komponente. Genau diese Komponente lässt sich aus App-Store-Daten — Downloads, Rankings, In-App-Purchase-Charts, MAU/DAU- Schätzungen — schon Wochen vor dem Release vernünftig schätzen. Es ist eine der zugänglichsten Alternative-Data-Klassen und gleichzeitig eine der am häufigsten falsch genutzten.

Die zentralen Datenquellen.

Drei Anbieter dominieren das Feld: Sensor Tower, data.ai (ehemals App Annie) und Apptopia. Jeder kombiniert öffentliche App-Store-Rankings mit eigenen SDK-Panels (in Apps integrierte Bibliotheken, die anonymisierte Nutzungsdaten liefern) und statistischen Modellen zur Hochrechnung auf weltweite Downloads und Revenue. Daneben gibt es kostenlose Quellen wie die offiziellen App-Store-Rankings (Top Free, Top Grossing) und Tools wie AppMagic für günstigere Tier-Optionen.

Welche Unternehmen passen.

Nicht jedes börsennotierte Unternehmen ist ein Kandidat. Die Daten funktionieren für reine Mobile-First-Geschäfte am besten: Match Group, Spotify, Roblox, Take-Two (Mobile-Sparte), Bumble, Duolingo. Bei Hybrid-Geschäften (Uber, DoorDash) liefern sie nur eine Komponente; bei Web-dominierten Geschäften (Netflix, Salesforce) sind sie irrelevant. Eine pragmatische Faustregel: Wenn ein Unternehmen mehr als 50 % seiner Conversions oder Engagements über die App abwickelt, lohnt sich die Analyse.

Für ein gut zusammengestelltes Mobile-Universum von 50 bis 80 börsennotierten Tickers können Sensor-Tower-Daten den Sharpe einer Long-Short-Strategie um spürbare 0,2 bis 0,5 anheben — wenn die Pipeline sauber gebaut ist.

Vom Download zur Umsatz-Schätzung.

Downloads allein sind nur die halbe Geschichte. Das Geld kommt aus In-App- Purchases, Abonnements und Werbung. Sensor Tower und data.ai liefern für die meisten Apps eine Revenue-Schätzung, aber Sie sollten verstehen, wie diese zustande kommt, bevor Sie sie als Wahrheit nehmen. 

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

def build_mobile_revenue_nowcast(downloads, iap_rev_est, ads_rev_est,
                                  reported_mobile_rev_history):
    """
    Kombiniert Panel-Daten zu einer Quartals-Umsatz-Schätzung.
    Kalibriert sich aus den letzten 8 Quartalen gegen reported revenue.
    """
    panel_total = iap_rev_est + ads_rev_est

    # Trail-Quotient: Wie viel mal weicht reported von panel ab?
    history = pd.DataFrame({
        'panel_total': panel_total,
        'reported': reported_mobile_rev_history,
    }).dropna().tail(8)

    if len(history) < 4:
        return None

    ratio = (history['reported'] / history['panel_total']).median()
    cv = (history['reported'] / history['panel_total']).std() / ratio

    current_panel = panel_total.iloc[-1]
    point_est = current_panel * ratio

    return {
        'point_estimate': point_est,
        'panel_to_reported_ratio': ratio,
        'historical_cv': cv,
        'sigma': point_est * cv,
    }

Die Panel-zu-Reported-Ratio ist erstaunlich stabil — wenn das Geschäftsmodell stabil bleibt. Sobald ein Unternehmen Web-Subscriptions umstellt (Spotify hat das bei iOS-Family-Plans getan), bricht die Beziehung. Sobald App-Tracking- Transparenz (ATT) bei iOS die Werbe-Sichtbarkeit verändert, bricht sie auch. Drift-Detection ist hier essentiell.

Engagement statt nur Downloads.

Erfahrene Analysten schauen weniger auf Downloads, mehr auf Engagement-Metriken: DAU, MAU, Sessions pro Nutzer, Session-Länge, Tage-bis-erste-Conversion. Eine App mit fallenden Downloads, aber stark steigender Session-Länge, ist tendenziell gesund — das Wachstum ist saturiert, aber die Monetarisierung pro User legt zu. Umgekehrt ist eine App mit explodierenden Downloads und kollabierender 7-Tage-Retention eine PR-getriebene Strohfeuer-Story, die in zwei Quartalen crasht. 

def cohort_health_score(d1_retention, d7_retention, d30_retention,
                        downloads_yoy):
    """
    Aggregiert Retention-Kohorten zu einem Gesundheits-Score.
    Hohe Downloads sind irrelevant, wenn d30 unter 10% liegt.
    """
    # Retention-Komponente: stark gewichtet d7 und d30
    retention_score = (
        0.2 * np.clip(d1_retention / 0.40, 0, 1.5) +
        0.4 * np.clip(d7_retention / 0.20, 0, 1.5) +
        0.4 * np.clip(d30_retention / 0.10, 0, 1.5)
    )

    # Growth-Komponente
    growth_score = np.tanh(downloads_yoy / 0.30)

    # Health = Wachstum * Retention. Beides nötig.
    return retention_score * (1 + growth_score) / 2

Konkrete Strategie: Mobile-Earnings-Surprise.

Die direkte Strategie ist ein Earnings-Long-Short rund um Quartalsmeldungen. Drei Wochen vor dem Release berechnen Sie Ihren Nowcast, vergleichen ihn mit Konsens und positionieren entsprechend. Wichtig: Sie hedgen gegen einen Mobile-Sektor-Korb (vier bis acht vergleichbare Tickers), nicht gegen den S&P 500 — sonst beladen Sie sich mit Faktor-Exposition.

Backtest-Realität für die Mobile-First-Sektorgruppe (Spotify, Match, Bumble, Duolingo, Roblox, Take-Two, AppLovin, Snap) über 2019–2025: Earnings-Long-Short auf Basis Sensor-Tower-Nowcasts liefert Sharpe 1,3 vor Kosten, 0,95 nach Kosten. Die Treffer-Rate ist deutlich besser als bei Konsens-Followern, besonders in Quartalen mit überraschend schwachen oder starken Engagement- Trends.

Was die Daten oft falsch zeigen.

Erstens: Geografische Verzerrung. Sensor Tower hat starkes US- und Europa-Panel, schwächeres Indien- und Latam-Panel. Ein Unternehmen wie Bigo Live oder Free Fire (Free Fire-Hersteller Garena ist Teil von Sea Ltd) wird systematisch unterschätzt, weil viele User in Tier-3-Ländern sitzen. Ohne geografische Korrektur ist die Schätzung schief.

Zweitens: App-Tracking-Transparency-Effekte. Seit iOS 14.5 haben sich Werbe-Revenue-Schätzungen für viele Apps verschoben. Modelle, die vor 2021 kalibriert wurden, sind in der Werbe-Komponente massiv unzuverlässig geworden. Die seriösen Anbieter haben das gepatched, aber nicht immer transparent. Cross-Validation gegen ein zweites Panel ist Pflicht.

Drittens: Re-Branding und App-Splits. Wenn Match Group Hinge als eigene App führt, aber in der GuV unter „Brand Portfolio" konsolidiert, müssen Sie Apps korrekt auf Tickers mappen — und bei jedem App-Re-Launch oder -Merger nachpflegen. Eine Pipeline, die nicht aktiv gewartet wird, geht jeden Quartal mit einer falschen App-zu-Ticker-Zuordnung live.

Mid-Cap-Edge: Wo der Markt schläft.

Bei Large Caps wie Spotify oder Take-Two sind die Sensor-Tower-Schätzungen längst im Konsens eingepreist. Jeder größere Sell-Side-Analyst hat Zugang zu denselben Daten. Der echte Edge entsteht im Mid-Cap-Bereich: Unternehmen mit 500 Mio. bis 5 Mrd. USD Marktkapitalisierung, die nur von zwei bis vier Analysten gecovert werden und deren Konsens-Erwartungen oft noch aus Bottom-up-Heuristiken stammen — nicht aus Panel-Daten.

Beispiele aus der Praxis: AppLovin vor dem Run 2024, Duolingo in der ersten Phase nach IPO, Roblox in den Quartalen mit großen Engagement-Spikes. In all diesen Fällen hätten Panel-Daten mehrere Wochen vor dem Konsens eine deutliche Richtungsänderung gezeigt. Diese Mid-Cap-Coverage ist der Bereich, in dem ein gut ausgestattetes Single-Family-Office oder ein spezialisierter Quant-Fonds einen echten und nachhaltigen Edge aufbauen kann.

Aufwand versus Edge: Realistische Einordnung.

Eine produktive Mobile-Pipeline mit zwei Datenquellen (Sensor Tower + data.ai), sauberer Ticker-Mappings-Datenbank, automatisierter Drift-Detection und Nowcast-Modellen pro Unternehmen kostet im Aufbau drei bis sechs Personenmonate und im Betrieb 50 bis 150 k EUR/Jahr für Lizenzen plus 20 bis 30 k EUR für Engineering-Wartung. Wer mit weniger Aufwand starten möchte, kann sich auf eine Datenquelle beschränken und das Universum auf zehn bis 20 hochwertige Mobile- Namen begrenzen.

Für Retail-Trader ohne Datenfeed-Budget gilt: Die kostenlosen App-Store- Rankings reichen für qualitative Beobachtung, aber nicht für quantitative Strategien. Wer ohne Panel-Daten gegen Hedgefonds in Mobile-Earnings-Plays antritt, handelt blind gegen Gegenspieler mit deutlich besserer Sicht. In diesem Segment ist es schwerer als anderswo, ohne Datenkauf einen echten Edge zu finden — und ehrlicher, das anzuerkennen, als sich daraus eine Strategie zu basteln.

Sie überlegen, Mobile-Intelligence in Ihren Investment-Prozess einzubauen? Erstgespräch buchen — wir besprechen Anbieter, Datenqualität und realistische Edge-Erwartungen.