Tienes 10,000 usuarios. El mes pasado se fueron 800. Este mes se fueron 850. Tu equipo dice "es normal, es el mercado".
Mentira.
No tienes un problema de retención. Tienes un problema de diagnóstico. Estás viendo el síntoma (se van) sin ver la causa (quiénes, cuándo, por qué).
El análisis de cohortes es la diferencia entre "perdemos clientes" y "los usuarios que entraron en febrero por la campaña de Google Ads tienen un 40% más de churn en el mes 3 porque no completan el onboarding".
Uno es un lamento. El otro es un plan de acción.
Tabla de contenido
- Qué es el análisis de cohortes (sin la definición aburrida de siempre)
- Por qué las métricas agregadas te están mintiendo
- Los dos tipos de cohortes que necesitas conocer
- Paso 1: Define qué carajo quieres medir
- Paso 2: Elige el intervalo correcto (spoiler: depende de tu negocio)
- Paso 3: Construye tu tabla de cohortes
- Paso 4: Interpreta los datos como un profesional
- Paso 5: Toma decisiones (no solo hagas reportes bonitos)
- Errores comunes que arruinan tu análisis
- Herramientas para hacer análisis de cohortes
- Preguntas frecuentes
Qué es el análisis de cohortes (sin la definición aburrida de siempre)
Una cohorte es un grupo de usuarios que comparten una característica común en un período de tiempo específico.
El usuario que se registró en enero junto con otros 500 usuarios forman una cohorte. Los usuarios que llegaron por una campaña específica de LinkedIn son otra cohorte. Los que compraron tu plan premium en el primer mes son otra.
El análisis de cohortes es seguir a estos grupos a lo largo del tiempo para entender cómo se comportan. No cómo se comportan "los usuarios" en general—eso es ruido. Cómo se comportan usuarios específicos que entraron en un momento específico.
Según Amplitude, una retención de cohorte alta es señal clara de product-market fit y usuarios satisfechos. Y lo más importante: reduce tus costos de adquisición porque no estás constantemente reemplazando a los que se van.
Por qué las métricas agregadas te están mintiendo
Tu dashboard dice: "Retención mensual: 65%".
Genial. Pero ese número no te dice nada útil.
¿Es 65% porque tus usuarios de hace 6 meses son súper leales y compensan la basura de retención de los usuarios nuevos? ¿O es 65% porque todos se comportan igual?
La respuesta cambia completamente tu estrategia.
Netflix aprendió esto de la manera difícil. Su retención "promedio" de 85% ocultaba que usuarios de ciertas regiones tenían 40% de churn. El agregado les costó millones en estrategias mal dirigidas antes de que empezaran a segmentar por cohortes geográficas.
Una investigación de IEBS Business School lo confirma: los promedios generales ocultan información crítica. Si miras solo el agregado, podrías pensar que todo está bien cuando en realidad hay una cohorte completa desangrándose.
El análisis de cohortes te permite identificar:
- Cuándo exactamente pierdes usuarios (mes 1, mes 3, mes 6)
- Quiénes son esos usuarios (de qué canal, qué plan, qué comportamiento inicial)
- Por qué se van (al correlacionar con eventos específicos)
Los dos tipos de cohortes que necesitas conocer
Cohortes de adquisición
Agrupas usuarios por cuándo llegaron. Es el tipo más común y el punto de partida para la mayoría.
- Usuarios que se registraron en enero 2025
- Usuarios que hicieron su primera compra en Q1
- Usuarios que descargaron la app la semana del lanzamiento
Cohortes de comportamiento
Agrupas usuarios por lo que hicieron, no por cuándo llegaron.
- Usuarios que completaron el onboarding en los primeros 7 días
- Usuarios que invitaron a un colega
- Usuarios que usaron la feature X antes del día 30
Si los usuarios que invitan a un colega tienen 3x mejor retención, ya sabes qué optimizar.
Paso 1: Define qué carajo quieres medir
Antes de tocar una sola celda de Excel, responde esta pregunta: ¿Qué decisión vas a tomar con este análisis?
Si la respuesta es "quiero ver los datos" o "mi jefe lo pidió", detente. Estás a punto de perder tiempo.
Buenos objetivos:
- "Quiero saber si los usuarios de la campaña de Meta de noviembre tienen mejor LTV que los de Google Ads"
- "Quiero identificar en qué mes específico perdemos más usuarios para rediseñar el journey"
- "Quiero medir si el nuevo onboarding mejoró la retención vs. el anterior"
Malos objetivos:
- "Quiero hacer un análisis de cohortes" (eso no es un objetivo, es una actividad)
- "Quiero entender mejor a mis usuarios" (demasiado vago)
Una vez que tienes el objetivo, elige una métrica principal:
| Objetivo | Métrica principal | Trampa común |
|---|---|---|
| Entender cuándo se van | Retention rate por mes | Medir solo el primer mes cuando el churn real viene después |
| Comparar calidad de canales | LTV por cohorte | Comparar LTV antes del mes 12 cuando tu ciclo típico es 18 meses |
| Evaluar cambios de producto | Feature adoption rate | Asumir que adopción = retención sin validar correlación |
| Medir monetización | Revenue per user por cohorte | Ignorar que el revenue inicial no predice el lifetime |
Userpilot recomienda enfocarse en no más de 3 métricas por análisis. Más que eso y empiezas a buscar patrones donde no los hay.
Paso 2: Elige el intervalo correcto (spoiler: depende de tu negocio)
El intervalo es cada cuánto mides a tus cohortes. Y sí, importa mucho.
Apps móviles de consumo: Intervalos diarios o semanales. Los usuarios deciden rápido si se quedan.
SaaS B2B con contratos mensuales: Intervalos mensuales. Es el estándar.
E-commerce: Intervalos trimestrales o anuales. La recompra no es tan frecuente.
Growth MarketingTodo lo que publico aquí es gratis. Implementarlo contigo tiene precio.
Si algo de lo que leíste te hizo pensar "esto me está pasando", hablemos. Te respondo el mismo día.
Agendar 30 min →SaaS con contratos anuales: Aquí es donde la gente la caga. Si mides retención mensual en contratos anuales, el mes 11 mostrará retención artificial del 95% porque nadie puede cancelar aún. El mes 13 te golpeará con el churn real de todo el año comprimido. Next Scenario tiene un análisis detallado de esta trampa.
Un error común es usar intervalos muy cortos para negocios donde el ciclo de decisión es largo. Si vendes software enterprise, medir retención diaria es ruido puro.
Paso 3: Construye tu tabla de cohortes
Aquí es donde la mayoría se complica más de lo necesario. La estructura básica de una tabla de cohortes es:
- Filas: Cada cohorte (generalmente por mes de adquisición)
- Columnas: Períodos desde la adquisición (Mes 0, Mes 1, Mes 2...)
- Celdas: La métrica que estás midiendo (usuarios activos, % retención, revenue)
En Google Sheets o Excel
Necesitas mínimo estas columnas en tu data fuente:
1. User ID: Identificador único
2. Fecha de adquisición: Cuándo se registró/compró
3. Fecha del evento: Cuándo hizo la actividad que mides
4. Valor (opcional): Si mides revenue u otra métrica de valor
Yemi Johnson tiene un tutorial paso a paso para construir la matriz completa con tablas dinámicas. Para análisis serios vas a necesitar algo más robusto, pero es el mejor lugar para entender la mecánica.
Con herramientas especializadas
- Mixpanel: Tiene análisis de cohortes nativo. Defines la cohorte, eliges la métrica, y listo.
- Amplitude: Similar a Mixpanel, muy visual y fácil de interpretar.
- Google Analytics 4: Tiene un informe de cohortes integrado, aunque más limitado.
La elección depende de tu stack actual. Si ya usas una de estas, no reinventes la rueda.
Paso 4: Interpreta los datos como un profesional
Ya tienes tu tabla. Ahora qué.
La Regla del Mes 3
Si un usuario sobrevive 90 días, tienes 80% de probabilidad de retenerlo un año. Tu trabajo no es retener usuarios—es llevarlos al Mes 3.
Esta regla cambia tu enfoque. En lugar de preocuparte por la retención en general, te obsesionas con los primeros 90 días. Es un problema más pequeño y más solucionable.
Busca la caída inicial
Los benchmarks varían por industria:
- Apps de consumo: 80% churn en mes 1 es normal. Un tercio se va después del primer día.
- SaaS B2B: Si pierdes más del 30% en mes 1, tu onboarding está roto.
- E-commerce: La métrica que importa es recompra en 90 días, no retención mensual.
Según datos de industria, la mayoría de las apps de consumo pierden más del 80% de usuarios en el primer mes. Si tu caída inicial es menor que tu benchmark de industria, vas bien. Si es mayor, tu problema está en el onboarding o en la calidad del tráfico que estás atrayendo.
Identifica el "punto de quiebre"
¿Hay un mes específico donde la retención cae dramáticamente? Por ejemplo:
- Mes 1: 70%
- Mes 2: 65%
- Mes 3: 40% ← Aquí hay algo
- Mes 4: 38%
Ese salto del Mes 2 al Mes 3 es una bandera roja. Algo pasa en ese momento del journey que está expulsando usuarios.
Compara cohortes entre sí
La magia del análisis de cohortes está en la comparación. Si la cohorte de marzo tiene 15% mejor retención que la de febrero, pregúntate:
- ¿Cambiamos algo en el producto?
- ¿Cambiamos la fuente de tráfico?
- ¿Hubo un evento externo (temporada, competencia)?
Busca anomalías
Una cohorte que se comporta muy diferente al resto es oro. Puede ser un problema (algo salió mal ese mes) o una oportunidad (algo salió muy bien y puedes replicarlo).
Paso 5: Toma decisiones (no solo hagas reportes bonitos)
El análisis de cohortes que no termina en acción es entretenimiento costoso.
Aquí hay decisiones reales que puedes tomar:
Si el churn sube después de la segunda compra: Introduce beneficios de lealtad o bundles para incentivar la tercera, sugiere Statsig.
Si una fuente de tráfico tiene peor retención: Reduce inversión en ese canal o mejora el mensaje para atraer usuarios más calificados.
Si la retención mejora después de cierta acción: Diseña tu producto para que más usuarios completen esa acción temprano.
Si una cohorte específica tiene mejor LTV: Investiga qué tienen en común esos usuarios y busca más como ellos.
Un caso real: Faherty segmentó sus cohortes por primera categoría de compra. Descubrieron que quienes compraban cierta categoría primero tenían 40% más LTV. Reordenaron su homepage para destacar esa categoría. Resultado: $1.1 millones en ventas incrementales en un solo mes y ROAS de 7.0 a 10.84 año contra año.
Errores comunes que arruinan tu análisis
Error 1: Datos basura
La calidad de datos es la base de todo. Si tus datos están incompletos, inconsistentes o desactualizados, según FasterCapital, tus resultados serán poco confiables.
Antes de analizar, limpia. Verifica que:
- Los user IDs sean consistentes
- Las fechas estén en el mismo formato
- No haya duplicados fantasma
Error 2: Cohortes demasiado pequeñas
Una cohorte de 15 usuarios no te dice nada estadísticamente válido. Si tus cohortes mensuales son muy pequeñas, agrupa en trimestres.
Error 3: Mezclar manzanas con naranjas
No combines usuarios anuales con usuarios mensuales en el mismo análisis. No mezcles B2B con B2C. No juntes usuarios freemium con usuarios de pago.
Cada segmento merece su propio análisis.
Error 4: Analizar sin contexto
Un número solo no significa nada. 40% de retención puede ser excelente o desastroso dependiendo de tu industria, tu modelo y tu etapa.
Compara contra:
- Tu histórico propio
- Benchmarks de tu industria
- Tus objetivos específicos
Error 5: Ignorar la estacionalidad
Si comparas la cohorte de diciembre con la de marzo sin ajustar por temporada alta, tus conclusiones serán basura. Diciembre trae usuarios con comportamientos atípicos (compras de regalo, resoluciones de año nuevo, promociones agresivas). Compara diciembre con diciembre del año anterior, no con el mes pasado.
Herramientas para hacer análisis de cohortes
Mi recomendación directa:
- Facturas menos de $10K MRR: Google Sheets. Aprende la mecánica sin pagar.
- Entre $10K-$100K MRR: Mixpanel. Balance entre poder y simplicidad.
- Más de $100K MRR: Amplitude o ChartMogul. Necesitas automatización y features avanzados.
No compliques.
Para empezar (gratis o casi)
| Herramienta | Mejor para | Limitaciones |
|---|---|---|
| Google Sheets | Startups early-stage, <1000 usuarios | Trabajo manual, no escala |
| Google Analytics 4 | Web/Apps con GA instalado | Análisis básico, poco flexible |
| Plantilla de Andrew Chen | SaaS temprano | Solo métricas básicas |
Para escalar (de pago)
| Herramienta | Mejor para | Precio aproximado |
|---|---|---|
| Mixpanel | Productos digitales, apps | Desde $0 hasta $1000+/mes |
| Amplitude | Análisis de producto avanzado | Freemium con planes enterprise |
| ChartMogul | SaaS específicamente | Desde $100/mes |
| Coefficient | Si amas Google Sheets pero necesitas más poder | Varía |
Preguntas frecuentes
¿Con cuántos usuarios puedo empezar a hacer análisis de cohortes?
Técnicamente con cualquier número, pero para que tenga sentido estadístico, necesitas al menos 100 usuarios por cohorte. Menos que eso y cualquier conclusión será ruido.
¿Cada cuánto debo revisar mis cohortes?
Para SaaS B2B, mensualmente es suficiente. Para apps de consumo, semanalmente. La clave es ser consistente y no obsesionarte con fluctuaciones de corto plazo.
¿Puedo hacer análisis de cohortes sin herramienta de producto?
Sí. Si tienes una base de datos con fechas de registro y fechas de eventos (compras, logins, lo que sea), puedes exportar a Excel/Sheets y hacerlo manual. No es elegante pero funciona.
¿Qué hago si mis cohortes se comportan todas igual?
Dos opciones: o tienes un producto muy consistente (bien por ti), o estás segmentando mal. Prueba segmentar por canal de adquisición, por plan de pago, o por comportamiento inicial. Si siguen iguales, probablemente necesitas más granularidad en tus datos.
¿Puedo predecir churn con mis cohortes?
Sí, si tienes suficiente histórico. Busca patrones en las cohortes que churnearon: ¿qué tienen en común en su comportamiento temprano? ¿No completaron el onboarding? ¿No usaron cierta feature? Eso es tu predictor. Herramientas como CleverTap o Amplitude tienen features de predicción integradas si quieres automatizarlo.
El análisis de cohortes no es difícil. Lo que es difícil es la disciplina de hacerlo consistentemente y, sobre todo, actuar sobre lo que encuentras.
Tu tarea para mañana: abre tu herramienta de analytics, segmenta tus usuarios de hace 6 meses por canal de adquisición, y mira cuántos siguen activos. Ese número te va a doler o te va a dar paz. Cualquiera de los dos es mejor que la ignorancia.
© 2026 Andres Ospina
