¿Qué es el Cohort Analysis?
El cohort analysis (análisis de cohortes) agrupa usuarios o clientes por una característica o evento compartido y sigue su comportamiento a lo largo del tiempo. Permite comparar grupos equivalentes y detectar patrones de retención, uso, conversión o valor que los promedios agregados pueden ocultar.
¿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 una de las herramientas más útiles para responder una pregunta clave sobre retención: ¿las cohortes nuevas se comportan mejor que las anteriores? Los promedios agregados pueden ocultar ese cambio porque mezclan usuarios con distinta antigüedad, origen y experiencia de producto.
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% | — | — | — | — |
En el ejemplo, la comparación vertical del Mes 1 muestra que las cohortes recientes retienen mejor que las anteriores: mayo registra 54% y enero 38% en el mismo intervalo relativo. Eso indica una mejora de retención temprana, aunque por sí solo no explica qué cambio la produjo.
La forma de leer la tabla tiene tres ejes. Horizontal: la evolución de una cohorte a medida que envejece. Vertical: la comparación entre cohortes distintas en el mismo intervalo relativo — por ejemplo, Mes 1 contra Mes 1. Diagonal: cuando las filas son fechas de adquisición y las columnas representan edad de la cohorte, las celdas diagonales pueden corresponder al mismo período calendario y ayudar a investigar efectos estacionales o eventos externos.
Un patrón importante es la estabilización de la curva: el punto en el que la pérdida entre períodos se vuelve mucho menor. En productos de uso recurrente, ese comportamiento puede sugerir una base de usuarios que encontró valor sostenido. Si la curva continúa cayendo durante todo el horizonte observado, conviene revisar activación, frecuencia de uso, propuesta de valor y también si el intervalo elegido refleja correctamente el ciclo natural del producto.
Formas comunes de construir cohortes
No todas las cohortes se construyen con la misma lógica. La fecha de adquisición es solo una posibilidad: también pueden definirse por comportamientos, atributos o eventos. La elección depende de la pregunta que se quiere responder.
Qué revela el cohort analysis que otros análisis no pueden
Una retención promedio puede verse estable mientras las cohortes nuevas están empeorando. El análisis de cohortes obliga a separar generaciones de usuarios y mirar la evolución con menos suavizado. No explica por sí solo por qué cambia el comportamiento, pero hace visible dónde conviene investigar.
Lisandro IserteErrores 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 tienen la misma precisión. En grupos pequeños, unos pocos usuarios pueden mover mucho el porcentaje. No existe un mínimo universal: la estabilidad depende del tamaño de la cohorte, la tasa observada y la magnitud del cambio que se quiere detectar. Conviene mostrar también el número absoluto de usuarios y tratar con cautela diferencias pequeñas entre cohortes reducidas.
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.
Mirar solo cohortes de adquisición e ignorar cohortes de acción
La cohorte de adquisición muestra qué pasa con quienes entran en un período. Una cohorte conductual permite comparar a quienes realizaron una acción relevante con quienes no. Esa diferencia puede revelar patrones asociados con activación y retención, pero no implica que la acción sea la causa. Quedarse solo con cohortes de adquisición limita el diagnóstico porque no muestra qué comportamientos distinguen a los grupos.
Confundir correlación con causalidad al comparar cohortes
Que la cohorte de marzo retenga mejor que la de febrero no significa automáticamente que el cambio que hicimos en marzo lo haya causado. Pudo cambiar el mix de canales, la estación, el segmento adquirido o cualquier factor exógeno. Para inferir causalidad real hace falta o bien aislar variables (cohortes con mismo canal, mismo plan, mismo perfil) o bien complementar el análisis con tests controlados. El cohort analysis muestra qué pasó; explicar por qué requiere disciplina adicional.
Preguntas frecuentes sobre cohort analysis
¿Qué es el cohort analysis?
El cohort analysis es un método que agrupa usuarios o clientes por una característica o evento compartido y sigue su comportamiento a través del tiempo. Una cohorte puede definirse por fecha de adquisición, una acción, un canal, un plan u otra condición relevante. Permite comparar grupos equivalentes y detectar patrones que los promedios agregados pueden ocultar.
¿Para qué sirve el cohort analysis?
Sirve para comparar la evolución de grupos equivalentes a lo largo del tiempo, detectar puntos de caída, observar si las cohortes recientes mejoran o empeoran, comparar retención entre canales o segmentos y construir estimaciones de valor cuando existen cohortes históricas comparables.
¿Cuál es la diferencia entre cohort analysis y segmentación?
La segmentación divide usuarios según atributos o comportamientos para compararlos en un momento o contexto determinado. El cohort analysis agrega una dimensión longitudinal: define un grupo por una condición compartida — por ejemplo fecha de adquisición, canal o acción realizada — y sigue su evolución a través del tiempo. Son herramientas complementarias y pueden combinarse en el mismo análisis.
¿Cómo se lee una tabla de cohortes?
Una tabla de cohortes se lee principalmente de dos maneras. Horizontal: seguir una cohorte a través de los períodos para ver cómo evoluciona. Vertical: comparar cohortes distintas en el mismo intervalo relativo para detectar mejoras o deterioros. Cuando las filas son fechas de adquisición y las columnas representan edad, las diagonales también pueden corresponder a un mismo período calendario y ayudar a investigar estacionalidad. Una curva que se estabiliza puede sugerir una base de usuarios con retención sostenida, según el tipo de producto.
¿Qué intervalo de tiempo conviene usar para cohortes?
Depende de la frecuencia natural de uso o compra y del volumen de usuarios disponible. Productos de uso frecuente pueden analizarse con cohortes diarias o semanales; ciclos más largos suelen requerir semanas, meses o trimestres. El intervalo debe permitir detectar cambios sin fragmentar tanto los datos que las cohortes queden demasiado pequeñas o ruidosas.
Referencias clave
Croll, A. & Yoskovitz, B. (2024). Lean Analytics. O'Reilly Media.
Amplitude. Cohort Analysis: Types, Examples, and How to Reduce Churn.
Mixpanel Team. (2026). Cohort analysis in 2026: How to read the chart, choose a platform, and turn retention into growth.
Google Analytics. Exploración de cohorte.
Términos relacionados