Glosario de Marketing y Branding
¿Qué es el Cohort Analysis?
El cohort analysis (análisis de cohortes) agrupa usuarios o clientes según una característica compartida en el tiempo — generalmente la fecha de adquisición — y mide su comportamiento en períodos sucesivos. Es el método más riguroso para entender la retención real y detectar si el negocio está mejorando o empeorando con el tiempo.
¿Qué es el cohort analysis?
Una cohorte es un grupo de personas que comparten una característica en un momento específico. En marketing y producto, la cohorte más usada es la de adquisición: todos los usuarios que se registraron o compraron por primera vez en el mismo mes. El cohort analysis toma esos grupos y rastrea su comportamiento a lo largo del tiempo — cuántos siguen activos al mes 1, al mes 2, al mes 6.
La diferencia con una métrica de retención agregada es fundamental. Si una app tiene una retención del 40% al mes 3, ese número promedia el comportamiento de usuarios adquiridos hace seis meses con el de usuarios adquiridos hace dos semanas. No dice nada sobre si la retención está mejorando. El cohort analysis separa esas generaciones y permite compararlas: ¿los usuarios adquiridos en enero retienen mejor que los de noviembre? Si sí, ¿qué cambió entre esos dos meses?
Es la herramienta central para responder la pregunta más importante sobre retención: ¿estamos mejorando? Sin cohortes, esa pregunta no tiene respuesta confiable.
Cómo se lee una tabla de cohortes
La tabla de cohortes es el formato estándar de visualización. Cada fila es una cohorte — un grupo de usuarios adquiridos en el mismo período. Cada columna es un intervalo de tiempo desde la adquisición. El valor en cada celda es el porcentaje de usuarios de esa cohorte que sigue activo en ese intervalo.
| Cohorte | Mes 0 | Mes 1 | Mes 2 | Mes 3 | Mes 4 | Mes 5 |
|---|---|---|---|---|---|---|
| Enero | 100% | 38% | 24% | 18% | 14% | 12% |
| Febrero | 100% | 44% | 29% | 22% | 18% | — |
| Marzo | 100% | 47% | 33% | 26% | — | — |
| Abril | 100% | 51% | 36% | — | — | — |
| Mayo | 100% | 54% | — | — | — | — |
Verde: retención alta · Naranja: media · Rojo: baja · — : dato aún no disponible. Leyendo en diagonal se ve la tendencia: las cohortes recientes retienen mejor — señal de mejora en producto u onboarding.
La forma de leer la tabla tiene tres ejes. Horizontal: la curva de retención de una cohorte — cómo cae con el tiempo. Vertical: comparación entre cohortes en el mismo intervalo — si la columna del Mes 1 mejora de enero a mayo, la retención temprana está mejorando. Diagonal: el rendimiento de cohortes recientes en el mismo momento calendario — útil para detectar efectos estacionales.
El patrón más importante a detectar es la estabilización de la curva: en qué mes el porcentaje de retención deja de caer significativamente. Ese nivel de retención estabilizado es el núcleo de usuarios que realmente encontraron valor en el producto. Si la curva no estabiliza y sigue cayendo hasta cero, el producto no ha generado hábito.
Tipos de cohortes
Cohorte de adquisición
Agrupa usuarios por fecha de primer contacto, registro o compra. Es el tipo más usado para analizar retención y evolución del comportamiento a lo largo del ciclo de vida.
Ej: todos los usuarios que se registraron en marzo.
Cohorte de acción
Agrupa usuarios por la primera vez que realizaron una acción específica — completar onboarding, hacer una compra, invitar a alguien. Útil para medir el impacto de eventos de activación en la retención posterior.
Ej: usuarios que completaron el onboarding en su primera semana.
Cohorte de atributo
Agrupa usuarios por características al momento de adquisición — canal, plan, geografía, campaña. Permite comparar la calidad de retención entre segmentos de origen y detectar qué canal trae los clientes que mejor retienen.
Ej: usuarios adquiridos por SEO orgánico vs. Meta Ads.
Qué revela el cohort analysis que otros análisis no pueden
Una tasa de retención agregada estable puede ocultar que las cohortes nuevas retienen peor — compensado por una base grande de usuarios antiguos muy leales. El cohort analysis lo hace visible inmediatamente: si la columna del Mes 1 cae de cohorte en cohorte, la retención está empeorando aunque el promedio no lo muestre.
La curva de retención de cada cohorte muestra en qué intervalo se pierde la mayor parte de los usuarios. Si la caída más grande ocurre entre el Mes 0 y el Mes 1, el problema es de onboarding o activación. Si ocurre entre el Mes 3 y el Mes 4, el problema es de valor sostenido en el tiempo o de competencia.
Si en marzo se lanzó una mejora del onboarding, la cohorte de marzo debería mostrar mejor retención en Mes 1 que la de febrero. El cohort analysis es el único método que permite atribuir causalmente una mejora de retención a un cambio específico en el producto o en el proceso de adquisición.
El comportamiento de cohortes anteriores en los primeros meses predice con razonable precisión el CLV de cohortes recientes. Si las cohortes de hace seis meses que retuvieron bien en Mes 3 terminaron generando un CLV alto, las cohortes actuales con retención similar en Mes 3 probablemente sigan el mismo camino.
La retención promedio es una métrica cómoda que casi nunca dice la verdad. Puede estar estable mientras todas las cohortes nuevas empeoran — sostenida por usuarios antiguos que van a irse eventualmente. El cohort analysis es incómodo porque muestra exactamente lo que está pasando, sin promedios que suavicen la realidad. Por eso los mejores equipos de producto lo revisan cada mes y los equipos que evitan malas noticias no lo usan.
Lisandro Iserte
Errores comunes en cohort analysis
Confundir la retención de la cohorte con la retención agregada del negocio
Son métricas distintas. La retención agregada es un snapshot del estado actual — cuántos usuarios del total siguen activos. La retención por cohorte mide cómo se comportan grupos específicos a lo largo del tiempo. Una mejora en la retención agregada puede deberse a que hay más usuarios nuevos en el denominador, no a que los usuarios retienen mejor.
Comparar cohortes de tamaños muy distintos sin normalizar
Una cohorte de 50 usuarios y una de 5.000 no son comparables directamente en términos de varianza estadística. Las cohortes pequeñas tienen alta variabilidad — un par de usuarios más o menos cambia el porcentaje significativamente. Para comparaciones válidas, las cohortes deben tener un volumen mínimo que permita estabilidad estadística.
Usar intervalos de tiempo inadecuados para el modelo
Una app de uso diario requiere cohortes semanales para detectar patrones relevantes. Un SaaS B2B con contratos anuales requiere cohortes mensuales o trimestrales. Usar el mismo intervalo para todos los modelos produce análisis que no capturan los ciclos de comportamiento reales del producto.
Preguntas frecuentes sobre cohort analysis
¿Qué es el cohort analysis?
El cohort analysis es un método de análisis que agrupa usuarios o clientes según una característica compartida en el tiempo — generalmente la fecha de adquisición — y mide su comportamiento en períodos sucesivos. Permite comparar cómo se comportan distintas generaciones de clientes y detectar si la retención está mejorando o empeorando con el tiempo.
¿Para qué sirve el cohort analysis?
Sirve para medir la retención real a lo largo del tiempo, detectar en qué mes se produce la mayor caída de usuarios, evaluar si los cambios en producto o adquisición mejoran el comportamiento de las cohortes recientes, comparar la calidad de retención entre canales de adquisición y proyectar el CLV de clientes nuevos basándose en el comportamiento de cohortes anteriores.
¿Cuál es la diferencia entre cohort analysis y segmentación?
La segmentación agrupa usuarios por atributos estáticos — industria, plan, geografía — y describe quiénes son. El cohort analysis agrupa usuarios por momento de adquisición y mide cómo evolucionan en el tiempo. Son complementarios: la segmentación dice quiénes son los mejores clientes; el cohort analysis dice si cada nueva generación de clientes se está comportando mejor o peor que la anterior.
Términos relacionados