Cohort retention
analysis.
El análisis que separa tendencias reales de promedios engañosos. Sin cohortes, una retención estable en agregado puede ocultar deterioro progresivo que destruye el negocio silenciosamente durante meses antes de aparecer en el reporte ejecutivo.
Cohort retention analysis.
El cohort retention analysis es el análisis que agrupa a los clientes por su mes de adquisición (o activación) y sigue la retención de cada grupo a lo largo del tiempo por separado. Es la única forma rigurosa de responder preguntas críticas: ¿tu producto retiene mejor o peor ahora que hace 6 meses? ¿Los clientes nuevos están churneando más rápido que los antiguos? ¿Hay una curva de retención que se estabiliza en una meseta o que sigue cayendo hacia cero? Los promedios agregados de churn no responden ninguna de estas preguntas — y todas son críticas para la estrategia.
02 — Vs promedioQué ves con cohortes que no ves en el promedio.
Peter Fader, de Wharton, lleva décadas argumentando que los promedios agregados de retención son profundamente engañosos cuando la base de clientes es heterogénea — que es casi siempre. Su tesis central en Customer Centricity es que los clientes heredan características distintas (propensión a churnar, valor esperado, sensibilidad al precio, engagement) y mezclar cohortes distintas en un solo promedio produce estadísticas engañosas. El promedio oculta; las cohortes revelan. El error se propaga hasta el cálculo del CAC admisible, que depende directamente de cuánto retengas en cada cohorte.
Daniel McCarthy, colaborador frecuente de Fader, sistematizó la metodología en un marco llamado CBCV (Customer-Based Corporate Valuation): valorar empresas enteras usando análisis cohort como input central. Su trabajo con Fader demostró que compañías públicas similares en apariencia (mismo revenue, mismo crecimiento) pueden tener valores fundamentales muy distintos según sus curvas cohort — porque las curvas predicen flujos de caja futuros con más precisión que los KPIs agregados. Esto convirtió al cohort analysis en estándar de valuación entre analistas financieros de SaaS B2B y muchas empresas de suscripción B2C.
David Skok popularizó el análisis en la comunidad operativa de SaaS con una observación práctica: si tu churn agregado está estable pero tus cohortes recientes churnean más rápido que las antiguas, tu negocio está en problemas aunque no parezca. Es un fenómeno frecuente en empresas que escalan: la adquisición atrae clientes cada vez más marginales (fuera del ICP original), la retención de esas cohortes es peor, pero el peso de las cohortes antiguas bien retenidas mantiene el promedio estable. Sin cohortes, nadie nota el deterioro hasta que ya destruyó meses de esfuerzo.
Lincoln Murphy, consultor de customer success, ofrece la lente operativa complementaria: las cohortes son la única forma de evaluar si las intervenciones de retención funcionaron. Comparar retención de cohortes pre-intervención vs post-intervención, con el mismo tiempo de maduración, permite aislar el efecto de la táctica del resto del ruido. El promedio agregado nunca da esa respuesta con limpieza, y por eso el ROI declarado de iniciativas de customer success sin cohortes suele estar inflado.
03 — Matriz cohortLa matriz cohort: lectura de un cuadro real.
La matriz cohort es una tabla triangular donde cada fila es una cohorte (mes de adquisición) y cada columna es un período transcurrido desde la adquisición. La intensidad del color muestra la retención en ese momento. Leer la matriz correctamente revela patrones que los dashboards tradicionales no muestran.
| Cohorte | Tamaño | M0 | M1 | M2 | M3 | M4 | M5 | M6 |
|---|---|---|---|---|---|---|---|---|
| Oct 2025 | 420 | 100% | 88% | 82% | 79% | 76% | 74% | 73% |
| Nov 2025 | 510 | 100% | 87% | 80% | 77% | 74% | 72% | — |
| Dic 2025 | 480 | 100% | 84% | 76% | 72% | 68% | — | — |
| Ene 2026 | 550 | 100% | 82% | 73% | 67% | — | — | — |
| Feb 2026 | 620 | 100% | 78% | 68% | — | — | — | — |
| Mar 2026 | 680 | 100% | 74% | — | — | — | — | — |
Esta matriz revela un patrón que el promedio no muestra: leyendo la columna M1, las cohortes recientes retienen peor (78%, 74%) que las antiguas (88%, 87%). La retención a 30 días cayó 14 puntos en 6 meses. El churn agregado podría no mostrar esto, pero el deterioro cohort-over-cohort es alarma de problema en producto, onboarding o calidad de adquisición.
Las dos lecturas fundamentales de la matriz:
Lectura horizontal (siguiendo una fila): muestra la curva de retención de una cohorte específica en el tiempo. Ideal para entender cómo se comporta el churn con la madurez y si la curva se estabiliza en algún nivel.
Lectura vertical (siguiendo una columna): compara el mismo período de maduración entre cohortes distintas. Es la lectura crítica para detectar tendencias: ¿las cohortes más recientes retienen mejor o peor que las antiguas al mes 3, 6 o 12?
Cuando una empresa me dice “nuestro churn está estable” y después miramos las cohortes, la reacción suele ser la misma: un silencio incomodo. Las cohortes muestran lo que el promedio esconde, y muchas veces lo que esconden es que los últimos seis meses de adquisición están dando clientes de peor calidad. No se ve hasta que lo ves — y entonces ya está todo en la tabla.
Lisandro IserteTres patrones típicos y qué significan.
La mayoría de los negocios reales muestra uno de tres patrones cohort reconocibles. Cada uno tiene un diagnóstico específico y una acción indicada.
Curva que se estabiliza en una meseta
Después de una caída inicial en los primeros meses, la retención se estabiliza en un nivel sostenido (por ejemplo, 70% a los 12 meses y sigue en 70% a los 24). Esto es la señal más confiable de product-market fit: el producto encontró un subsegmento para el que entrega valor sostenido. La acción es doble: subir la altura de la meseta (mejorar onboarding y engagement temprano) y expandir sobre la base estable.
Curva que decae linealmente hacia cero
Todas las cohortes siguen una pendiente consistente hacia cero sin estabilizarse. A 24 meses apenas queda 10-15% de cada cohorte. Esto es señal de ausencia de PMF real: el producto no encontró un subsegmento para el que entregue valor sostenido. Ninguna táctica de retención lo resuelve; el problema es de producto o de ICP. La acción correcta es volver al diagnóstico, no lanzar programas de lealtad.
Cohortes recientes deteriorándose vs antiguas
Las cohortes antiguas retienen en un nivel sostenido pero las recientes caen más rápido en el mismo período de maduración (lectura vertical). Causas típicas: cambios en la calidad de adquisición (paid ads atrayendo gente fuera del ICP), degradación de onboarding, cambios de producto que rompieron algo, o competidores que mejoraron. Es la señal más útil para intervención temprana — pero solo si alguien mira las cohortes regularmente.
Un cuarto patrón más raro pero muy positivo: mejora sostenida de cohortes. Cada cohorte nueva retiene mejor que las anteriores en el mismo período de maduración. Indica que las inversiones en producto, onboarding o customer success están funcionando. Es el patrón que toda empresa quisiera ver pero pocas logran sostener. Las señales tempranas — mejoras en NPS y en el dashboard de salud del cliente — suelen preceder este patrón por uno o dos trimestres.
05 — ConexionesCómo conecta con el sistema.
Rendimiento: el cohort analysis es la base del cohort economics
Las curvas cohort alimentan el cálculo de LTV y payback period. Sin cohortes, el LTV proyectado es una estimación gruesa que puede errar 30-50%.
Estrategia: las cohortes son evidencia de PMF
La curva cohort es la evidencia más honesta de si hay product-market fit real. Decisiones estratégicas de escalado deben esperar a ver la curva estabilizarse.
Crecimiento: la calidad de adquisición se ve en cohortes
Si nuevas cohortes retienen peor que antiguas, suele ser problema en calidad de fuentes de adquisición. La optimización de CAC debe mirar cohort retention, no solo costo por lead.
Fidelización: cohortes validan intervenciones
Comparar cohortes pre-intervención vs post-intervención es la única forma limpia de medir si las estrategias de retención funcionaron. Sin cohortes, toda medición de impacto es especulativa.
Marca: el brand equity se ve en curvas planas
Las marcas con brand equity fuerte tienen cohortes con curvas más planas que competidores similares — los clientes se quedan por relación, no solo por funcionalidad.
Errores frecuentes al leer cohortes.
Comparar cohortes con distinta maduración
La cohorte de Ene 2026 no es comparable con la de Ene 2025 hasta que ambas tengan el mismo tiempo transcurrido. Comparar retención a M3 con retención a M12 es error de lectura básico.
Cohortes con tamaño insuficiente
Con menos de 100-200 clientes por cohorte, el ruido estadístico supera la señal. Diferencias observadas pueden ser aleatorias. Agrupar meses (cohortes trimestrales) cuando la base mensual es pequeña.
No segmentar por canal ni por plan
Una cohorte mezcla clientes de canales distintos y planes distintos, que suelen retener distinto. Segmentar cohortes por canal de adquisición y plan revela qué combinación retiene mejor.
Mirar cohortes como fotografía en lugar de película
El valor está en ver evolución a lo largo de varias cohortes sucesivas. Mirar una cohorte aislada no da la lectura temporal que es el centro del análisis.
Usar churn agregado cuando las cohortes ya están disponibles
Si ya tienes cohortes configuradas, reportar solo churn agregado es esconder información relevante al equipo. La matriz cohort debe estar en el reporting periódico.
Preguntas frecuentes.
¿Qué es una cohorte?
Un grupo de clientes que comparten característica temporal — típicamente el mes o trimestre en que se adquirieron. Seguir cohortes en el tiempo permite distinguir tendencias reales de ruido en el agregado.
¿Cuándo se estabiliza la curva?
En SaaS B2B anual: después del primer renewal (mes 12-18). En SaaS B2C mensual: mes 6-9. En e-commerce: año 1. Una curva que no se estabiliza es señal de falta de PMF.
¿Cuánta data se necesita?
Mínimo 6-12 meses de historia y 200-300 clientes por cohorte. Con menos el ruido supera la señal. CBCV sofisticado requiere más. Empresas en etapa muy temprana no tienen suficiente data para cohortes útiles.
Referencias y bibliografía.
Fader, P. (2020). Customer Centricity: Focus on the Right Customers for Strategic Advantage. 2nd ed. Wharton Digital Press.
McCarthy, D. M., & Fader, P. S. (2018). “Customer-Based Corporate Valuation for Publicly Traded Non-Contractual Firms.” Journal of Marketing Research, 55(5).
Skok, D. (2016). SaaS Metrics 2.0. For Entrepreneurs.
Fader, P. S., & Hardie, B. G. S. (2009). “Probability Models for Customer-Base Analysis.” Journal of Interactive Marketing, 23(1): 61-69.
Croll, A., & Yoskovitz, B. (2013). Lean Analytics: Use Data to Build a Better Startup Faster. O’Reilly Media.
Murphy, L. (2018). The Seven Laws of Customer Success. SixteenVentures.
Términos del glosario