Definición rápida
Cohort Analysis (Análisis de Cohortes) es una técnica analítica que agrupa usuarios según una característica compartida —generalmente la fecha de adquisición— para rastrear su comportamiento a lo largo del tiempo y entender la retención real del producto.
¿Qué significa Cohort Analysis?
Un «cohorte» es un grupo de personas que comparten una experiencia en un período de tiempo determinado. En el mundo de los productos digitales, el cohorte más común es «todos los usuarios que se registraron en el mes de enero» o «todos los clientes que compraron durante el Black Friday».
El Cohort Analysis responde preguntas críticas que las métricas agregadas no pueden responder: ¿Los usuarios que adquirimos en enero de 2025 retienen mejor que los de julio de 2025? ¿Los usuarios que llegaron por SEO tienen mejor LTV que los que llegaron por paid ads? ¿El nuevo onboarding que lanzamos en marzo mejoró la retención?
Es la diferencia entre saber que tienes 50,000 usuarios activos (métrica superficial) y saber que el 60% de los usuarios de hace 3 meses siguen usando el producto hoy (métrica profunda). La retención es el fundamento de cualquier modelo de negocio sostenible.
¿Cómo funciona el Cohort Analysis en la práctica?
El output más común es una tabla de retención donde:
- Las filas representan cohortes (ej: mes de adquisición)
- Las columnas representan el tiempo transcurrido (Semana 1, Semana 4, Mes 3, etc.)
- Los valores muestran qué porcentaje del cohorte sigue activo
Un cohorte saludable para un SaaS tiene una «curva de retención» que se estabiliza en un piso sólido. Si cada semana el porcentaje de usuarios activos sigue cayendo sin estabilizarse, el producto tiene un problema estructural de retención —no hay Product Market Fit.
El Cohort Analysis se combina poderalmente con A/B Testing para medir si los cambios del producto mejoran la retención de cohortes posteriores.
Ejemplos reales en LATAM
Rappi (Colombia): Rappi analiza la retención por cohorte de ciudad. Un cohorte de usuarios de Bogotá de 2019 tiene patrones de uso completamente diferentes a uno de Lima de 2022, reflejando distintos niveles de madurez del mercado.
Kueski (México): La fintech mexicana usa cohort analysis para entender el comportamiento de repago de diferentes segmentos de crédito. Los cohortes adquiridos por diferentes canales tienen perfiles de riesgo distintos.
Cornershop (Chile, adquirido por Uber): Antes de su adquisición, Cornershop usaba cohort analysis para optimizar su estrategia de retención y couponing por ciudad.
Cohort Analysis vs Métricas Agregadas
| Pregunta | Métricas Agregadas | Cohort Analysis |
|---|---|---|
| ¿Está creciendo mi producto? | Usuarios totales ↑ | ¿Cuál cohorte crece más rápido? |
| ¿Retengo a mis usuarios? | MAU estable | ¿Qué % del cohorte sigue activo a 90 días? |
| ¿Mejora mi onboarding? | Signups ↑ | ¿El cohorte post-cambio retiene mejor? |
Errores comunes en Cohort Analysis
- Cohortes demasiado pequeños: Con 20 usuarios por cohorte, los porcentajes no son estadísticamente significativos. Necesitas muestras representativas.
- Definir «activo» incorrectamente: «Login» puede no ser la acción que indica valor real. Define «activo» como la acción que correlaciona con retención long-term.
- Ignorar cohortes de comportamiento: Los cohortes de fecha son los más comunes, pero cohortes basados en comportamiento (ej: «usuarios que completaron onboarding vs los que no») son frecuentemente más reveladores.
Preguntas Frecuentes (FAQ)
¿Qué herramientas usar para Cohort Analysis?
Mixpanel y Amplitude tienen análisis de cohortes out-of-the-box. Para análisis más personalizados, puedes usar SQL sobre tu data warehouse y visualizar en Metabase, Looker o incluso Google Sheets.
¿Cada cuánto tiempo debo revisar mis cohortes?
Para productos con ciclos cortos (apps móviles, B2C): semanal. Para SaaS B2B con contratos anuales: mensual. Lo importante es que sea consistente para detectar cambios de tendencia.
¿Qué es un buen porcentaje de retención?
Depende mucho del tipo de producto. Para apps de consumo: retención a 30 días >25% es buena. Para SaaS mensual: retención a 12 meses >60% es saludable. Para SaaS enterprise: >80%.
