Análisis de Cohortes: Cómo Entender por Qué los Clientes Se Quedan o Se Van
El análisis de cohortes revela los patrones de retención ocultos en tus números agregados. Cómo leerlo, construirlo y actuar sobre lo que encuentras.
Tu tasa de retención general es del 78%. ¿Es buena? Depende completamente de qué clientes se quedan y cuáles se van — y eso es precisamente lo que tu número de retención agregado no puede decirte. Una empresa con un 78% de retención podría estar reteniendo exitosamente a sus clientes más valiosos mientras pierde a los más nuevos, o podría estar aferrándose a una base de clientes antigua mientras sus cohortes recientes abandonan rápidamente. El agregado oculta ambas historias. El análisis de cohortes las revela.
Una cohorte es simplemente un grupo de clientes que comenzaron al mismo tiempo — se registraron en el mismo mes, hicieron su primera compra en el mismo trimestre o actualizaron en la misma semana. Al hacer seguimiento de cada cohorte de forma independiente a lo largo del tiempo, pueden ver cómo cambian los patrones de retención en distintos períodos de la historia de su empresa. El resultado es uno de los diagnósticos más potentes disponibles para un equipo de producto o de negocio.
Cómo leer una tabla de retención de cohortes
Una tabla estándar de retención de cohortes tiene las cohortes de adquisición en las filas (enero, febrero, marzo…) y los meses transcurridos desde la adquisición en las columnas (Mes 0, Mes 1, Mes 2…). El Mes 0 siempre es 100% — ese es el punto de partida. Los números a lo largo de cada fila muestran qué porcentaje de esa cohorte seguía activo en cada mes posterior.
| Cohorte | Mes 0 | Mes 1 | Mes 2 | Mes 3 | Mes 4 | Mes 5 | Mes 6 |
|---|---|---|---|---|---|---|---|
| Enero | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| Febrero | 100% | 71% | 55% | 43% | 41% | 39% | — |
| Marzo | 100% | 76% | 62% | 51% | 49% | — | — |
| Abril | 100% | 79% | 65% | 61% | — | — | — |
| Mayo | 100% | 82% | 69% | — | — | — | — |
| Junio | 100% | 84% | — | — | — | — | — |
Esta tabla cuenta una historia clara: la retención ha mejorado significativamente cada mes. La cohorte de enero solo retuvo al 34% en el Mes 6, mientras que las cohortes más recientes mantienen entre el 69 y el 84% durante sus primeros dos meses. Algo cambió — probablemente una mejora del producto, un mejor flujo de incorporación, o un cambio en el canal de adquisición que trajo clientes con mejor ajuste. El número de retención agregado habría ocultado esto por completo.
Los tres patrones que deben buscar
Una vez que tienen una tabla de cohortes, buscan tres patrones específicos. Cada uno apunta a un problema diferente y requiere una solución distinta.
Una caída temprana pronunciada: Si la retención del Mes 0 al Mes 1 está consistentemente por debajo del 50%, tienen un problema de incorporación. Los clientes se registran pero no encuentran valor con suficiente rapidez para quedarse. Este es el patrón más común en SaaS en etapas tempranas y el más tratable — una mejor incorporación, un tiempo más corto hasta el primer valor y una participación proactiva temprana ayudan.
Declive constante en todas las cohortes: Si la retención sigue cayendo al mismo ritmo mes a mes en todas las cohortes, tienen un problema de valor del producto. Los clientes prueban el producto, algunos se quedan inicialmente, pero no hay suficiente valor continuo para mantenerlos comprometidos. Ninguna mejora en la incorporación va a solucionar esto — el propio producto necesita ofrecer más razones para volver.
Una curva «sonriente» que se aplana: Las mejores curvas de retención se aplanan tras una caída inicial. Los clientes que sobreviven los primeros dos o tres meses tienden a quedarse. El objetivo es maximizar el número de clientes que alcanzan ese punto de inflexión. Si su curva nunca se aplana — si la retención sigue cayendo al mismo ritmo en el Mes 6 que en el Mes 1 — no tienen una base retenida estable, y los cálculos de LTV basados en esa cohorte serán engañosos.
El número más importante en una tabla de cohortes no es el porcentaje en el Mes 6 — es la pendiente entre el Mes 0 y el Mes 2. Ahí es donde se pierde a la mayoría de los clientes, y donde la mayoría de las intervenciones tienen mayor palanca.
Segmentar cohortes: donde vive el verdadero conocimiento
El análisis de cohortes se vuelve verdaderamente potente cuando segmentan las cohortes por canal de adquisición, nivel de precios, tamaño de cliente o geografía. Una tabla de cohortes que muestra una retención general del 60% tras tres meses podría revelar que los clientes de búsqueda orgánica retienen al 75% mientras que los de redes sociales de pago retienen al 40%. Ese único dato replantea toda la conversación sobre asignación de marketing.
La primera segmentación de mayor valor es casi siempre por canal de adquisición. Los clientes que los encuentran a través de referencias, contenido o búsqueda orgánica suelen retener a tasas materialmente más altas que los adquiridos mediante campañas de pago amplio. Si sus datos de cohortes muestran este patrón — y generalmente lo hacen — es un argumento sólido para invertir en contenido y programas de referidos incluso cuando la adquisición de pago parece más barata en términos de costo por adquisición. El CAC parece barato hasta que introducen la retención en el modelo.
Qué hacer con una tabla de cohortes en declive
Si sus cohortes más recientes retienen peor que las más antiguas, esa es una señal urgente. Significa que algo en su producto, su adquisición o su incorporación empeoró — y empeoró recientemente. Revisen qué cambió. ¿Abrieron un nuevo canal de adquisición que trae clientes menos calificados? ¿Lanzaron una funcionalidad que interrumpió un flujo de trabajo existente? ¿Cambiaron los precios de una manera que atrajo clientes que no eran el perfil adecuado?
Mejorar la retención de cohortes es casi siempre un problema de producto e incorporación antes que de marketing. La secuencia de intervenciones que suele funcionar: primero, identifiquen las acciones que los clientes retenidos realizan en sus primeras dos semanas que los clientes que abandonan no hacen. Luego, rediseñen la incorporación para impulsar esas acciones antes. A continuación, utilicen el comportamiento temprano como señal para identificar clientes en riesgo e intervenir antes de que abandonen, no después.
Las cohortes de larga duración se ven geniales porque los clientes que se quedaron son, por definición, los más satisfechos y con mejor ajuste. Cuando miran la retención en el Mes 24 de una cohorte de dos años, están viendo una población que ya fue filtrada intensamente por el abandono. No usen el comportamiento de los clientes retenidos a largo plazo como modelo de lo que harán los nuevos clientes — son una muestra seleccionada, no representativa.
El análisis de cohortes es más útil cuando se revisa de forma constante en lugar de ejecutarse una vez y olvidarse. En FabricLoop, los equipos de producto y crecimiento suelen mantener una nota mensual en su grupo compartido con una instantánea de cohortes actualizada — la tabla con los últimos datos, un párrafo de interpretación sobre qué se movió y por qué, y una lista de tareas de intervenciones que se están probando con las cohortes en riesgo. Cuando el análisis vive junto a las tareas que responden a él, la brecha entre el conocimiento y la acción se reduce considerablemente.