Skill de Análisis de Cohortes

Este skill produce un análisis de cohortes estructurado que cubre curvas de retención, estimación de LTV, segmentación por comportamiento e intervenciones accionables. El resultado está listo para presentar a la dirección de producto o compartir con equipos de crecimiento y datos.

Inputs Necesarios

Pide al usuario estos datos si no están disponibles:

• Objetivo del análisis (mejora de retención / modelado de LTV / segmentación por comportamiento / predicción de churn)
• Producto o feature que se analiza
• Definición de cohorte — ¿qué agrupa a los usuarios? (mes de adquisición, canal de signup, tier de plan, adopción de feature)
• Ventana de observación — ¿cuántos períodos rastrear? (p. ej. 12 meses, 8 semanas)
• Métrica clave — ¿qué mides por cohorte? (tasa de retención, ingresos, engagement score, uso de feature)
• Datos disponibles — ¿qué tablas/métricas hay disponibles? (pega el esquema o describe)
• Baseline — ¿hay benchmarks o metas de retención existentes?

Estructura del Output

Análisis de Cohortes: Producto / Feature]

Tipo de análisis: Retención / LTV / Comportamiento / Churn] Definición de cohorte: Mes de adquisición / Canal de signup / Tier de plan / Fecha de adopción de feature] Ventana de observación: X meses / semanas] Métrica principal: Nombre de la métrica] Fecha de preparación: Fecha]

1. Definiciones de Cohortes

| Cohorte | Período | Tamaño | Descripción | |---|---|---|---| | Cohorte 1] | Ene 2025] | N usuarios] | p. ej. Usuarios que se registraron en ene 2025 a través de orgánico] | | Cohorte 2] | Feb 2025] | N usuarios] | ...] |

Lógica de cohorte:

• Evento de entrada a cohorte: Primer registro / Primera compra / Activación de feature]
• Criterios de salida de cohorte: Churnado / Downgrade / Sin actividad durante 30 días]
• Exclusiones: Usuarios de prueba / Cuentas de prueba internas / Usuarios con < X días de datos]

2. Curva de Retención

Cómo leer: Cada celda muestra qué % de la cohorte realizó la métrica clave en el período N.

| Cohorte | Período 0 | Período 1 | Período 2 | Período 3 | Período 6 | Período 12 | |---|---|---|---|---|---|---| | Ene 2025 | 100% | X%] | X%] | X%] | X%] | X%] | | Feb 2025 | 100% | X%] | X%] | X%] | X%] | X%] | | Tendencia] | — | ↑/↓ vs anterior] | ...] | ...] | ...] | ...] |

Meseta de retención: ¿En qué período se estabiliza la retención? ¿En qué % se estabiliza?]

Observaciones clave:

• p. ej. La caída de Período 1 → Período 2 es la mayor — churn promedio de X% en los primeros 30 días]
• p. ej. Las cohortes adquiridas a través de canal] retienen X% mejor en Período 6]
• p. ej. La retención ha mejorado de X% → Y% en Período 3 comparando la cohorte más antigua con la más reciente]

Curvas de retención, dibujadas — también renderiza las curvas como un gráfico de líneas Mermaid/chart para que la meseta y las brechas entre cohortes sean visibles (se renderiza en vivo en el playground y se exporta como PNG). Una línea por cohorte, período en el eje x:

chart
{
  "type": "line",
  "title": "Retención por cohorte (%)",
  "labels": ["P0", "P1", "P2", "P3", "P6", "P12"],
  "series": [
    { "name": "Ene 2025", "data": [100, 62, 51, 45, 40, 37] },
    { "name": "Feb 2025", "data": [100, 66, 55, 49, 44, 41] }
  ]
}

3. Proyección de LTV (si aplica)

ARPU por período: £/$/€ X por usuario activo por mes] Curva de retención utilizada: Qué cohorte o promedio combinado]

| Período | Retenido % | Ingresos por usuario | LTV acumulado | |---|---|---|---| | Mes 1 | X%] | £X] | £X] | | Mes 3 | X%] | £X] | £X] | | Mes 6 | X%] | £X] | £X] | | Mes 12 | X%] | £X] | £X] |

LTV combinado: £X a 12 meses — basado en retención combinada entre cohortes]

LTV por segmento: | Segmento | LTV (12M) | vs Baseline | |---|---|---| | Orgánico] | £X] | +X%] | | Paid] | £X] | -X%] | | Enterprise] | £X] | +X%] |

4. Segmentación por Comportamiento

Agrupa cohortes por patrones de comportamiento, no solo por fecha de adquisición:

| Segmento | Definición | Tamaño | Retención (P6) | LTV (12M) | |---|---|---|---|---| | Power users | Usó feature central ≥ 3x/semana en primeros 30 días] | X%] | X%] | £X] | | Casual users | Usó 1–2x/semana en primeros 30 días] | X%] | X%] | £X] | | Dormant | Inició sesión pero no usó feature central] | X%] | X%] | £X] | | Never activated | Se registró pero nunca completó onboarding] | X%] | X%] | £X] |

Insight de activación: Qué acción — realizada en los primeros X días — predice mejor la retención? Este es el "momento aha" a optimizar.]

5. Indicadores Adelantados de Churn

Lista las señales que aparecen antes de que los usuarios hagan churn, para que los equipos puedan intervenir:

| Señal | ¿Con cuánta anticipación aparece? | Correlación con churn | Intervención | |---|---|---|---| | Sin login durante 7 días] | 7 días antes del churn] | Fuerte] | Secuencia de email de re-engagement] | | Ticket de soporte con escalada] | 14 días antes del churn] | Moderada] | Outreach de CSM dentro de 48 horas] | | Uso de feature cayó >50% WoW] | 10 días antes del churn] | Fuerte] | Nudge in-app con tutorial de caso de uso] |

6. Comparación de Cohortes: Qué Ha Cambiado en el Tiempo

Compara la cohorte más antigua con la más reciente para evaluar si las mejoras de producto se reflejan en la retención:

| Métrica | Cohorte más antigua — p. ej. Ene 2024] | Cohorte más reciente — p. ej. Ene 2025] | Cambio | |---|---|---|---| | Retención Período 1 | X%] | X%] | ↑/↓ X pp] | | Retención Período 3 | X%] | X%] | ↑/↓ X pp] | | Tasa de activación | X%] | X%] | ↑/↓ X pp] | | Sesiones promedio en primeros 30 días | X] | X] | ↑/↓] |

Veredicto: ¿Las cohortes más recientes rinden mejor o peor? ¿Qué se lanzó en ese período que podría explicar el cambio?]

7. Recomendaciones

Prioriza por impacto en la curva de retención:

| # | Recomendación | Segmento objetivo | Impacto esperado | Esfuerzo | Prioridad | |---|---|---|---|---|---| | 1 | p. ej. Rediseñar onboarding para alcanzar hito de activación en día 1, no día 7] | Segmento never-activated] | +X pp retención P1] | Medio] | P1 | | 2 | p. ej. Lanzar secuencia de re-engagement en trigger de inactividad día 7] | Segmento dormant] | +X pp retención P2] | Bajo] | P1 | | 3 | p. ej. Introducir features de power-user más temprano para acelerar formación de hábito] | Casual users] | +X pp LTV P6] | Alto] | P2 |

8. Referencia SQL (si aplica)

Proporciona la query de cohorte principal para que equipos de datos puedan replicar o extender el análisis:

sql
-- Query de cohorte de retención
SELECT
  DATE_TRUNC('month', u.created_at) AS cohort_month,
  DATE_TRUNC('month', e.event_date) AS activity_month,
  DATEDIFF('month', u.created_at, e.event_date) AS period,
  COUNT(DISTINCT e.user_id) AS retained_users,
  COUNT(DISTINCT c.user_id) AS cohort_size,
  ROUND(COUNT(DISTINCT e.user_id) * 100.0 / COUNT(DISTINCT c.user_id), 1) AS retention_rate
FROM users u
JOIN events e ON u.user_id = e.user_id
JOIN (
  SELECT user_id, DATE_TRUNC('month', created_at) AS cohort_month
  FROM users
  WHERE created_at >= '[start_date]'
) c ON u.user_id = c.user_id AND DATE_TRUNC('month', u.created_at) = c.cohort_month
WHERE e.event_type = '[key_retention_event]'
GROUP BY 1, 2, 3
ORDER BY 1, 3;

Controles de Calidad

• ] Definición de cohorte es inequívoca — el mismo usuario no puede aparecer en dos cohortes
• ] Curva de retención muestra una meseta clara, o el análisis indica que la ventana es demasiado corta para verla
• ] Proyección de LTV usa retención observada, no asumida
• ] Segmentos de comportamiento son mutuamente excluyentes y exhaustivos
• ] Recomendaciones están vinculadas a hallazgos específicos de cohorte o segmento — no son consejos de crecimiento genéricos
• ] Indicadores adelantados son observables en datos de producción, no solo en teoría

Anti-Patrones

• ] No permitas que el mismo usuario aparezca en múltiples cohortes — las cohortes superpuestas producen números de retención que no se pueden comparar ni actuar
• ] No asumas ARPU en proyecciones de LTV — usa ingresos observados por usuario retenido por período, no un promedio combinado que oculte diferencias de segmento
• ] No saques conclusiones de cohortes demasiado pequeñas para ser estadísticamente significativas — marca umbrales de tamaño mínimo de cohorte y anota cuándo una cohorte es demasiado pequeña para confiar
• ] No confundas tasa de retención con tasa de engagement — un usuario que inicia sesión pero no completa el evento de retención clave no está retenido por la definición utilizada
• ] No hagas recomendaciones sin conectarlas a hallazgos específicos de cohorte o segmento — el consejo de crecimiento genérico que se podría aplicar a cualquier producto no añade valor

Frases Gatillo de Ejemplo

• "Ejecuta un análisis de cohortes para nuestro producto SaaS"
• "Analiza retención por mes de adquisición para las últimas 12 cohortes"
• "¿Cuál es el LTV de usuarios que vinieron a través de paid vs orgánico?"
• "Construye un modelo de retención de cohortes mostrando período 0 a período 12"
• "Segmenta usuarios por comportamiento y muéstrame qué grupo retiene mejor"