Ready to supercharge your AI agents?

Install any skill in seconds. Free to start, no credit card required.

Skill de Análisis de Retención · mohitagw15856 | DecimalAI

mohitagw15856/retention-analysis

SkillScore83Maintained

Structure a retention analysis, churn investigation, or engagement deep-dive for any product team. Use when asked to analyse user retention, investigate churn, measure DAU/MAU, or build a retention improvement plan. Produces a retention snapshot with root cause hypotheses, aha-moment correlation, and prioritised interventions.

marketingby mohitagw15856

Links this skill to your agents and keeps it current with the author’s updates.

Automatic

Product Management pack

1 · One-time — install the CLI (docs ↗)

pip install decimalai

2 · Get the skill — writes .claude/skills/mohitagw15856-retention-analysis/SKILL.md

decimalai skills pull mohitagw15856-retention-analysis --out .claude/skills/

No CLI? Get the same file — curl · raw file

curl -fsSL --create-dirs -o .claude/skills/mohitagw15856-retention-analysis/SKILL.md https://app.decimal.ai/s/mohitagw15856-retention-analysis/SKILL.md

Raw file: /s/mohitagw15856-retention-analysis/SKILL.md ↗ · machine-readable summary at /s/mohitagw15856-retention-analysis.json ↗

In productionGlobal

how this skill behaves on real traffic · last 30 days

No production data for this skill yet — usage numbers appear here once agents start running it.

Anonymized aggregate across every org using this skill — proof from real production use, not a demo.

Does this skill help? · Benchmark: with vs. withoutsign in to run this on your agents

23 test cases from the publisher’s eval.yaml · each run twice on gemini-3.6-flash — with the skill injected, then without · last run 20d ago

Yes — +17% lift · at higher cost+64% tokens0% turns83% of whole cases pass with skill (19/23)

Test case	Without → With	Effect	Δ tokens	Δ turns
case-02	✗→✓	▲ Improved	58%	0%
case-03	✗→✓	▲ Improved	37%	0%
case-14	✗→✓	▲ Improved	80%	0%
case-16	✗→✓	▲ Improved	51%	0%
case-23	✗→✓	▲ Improved	57%	0%

Showing 5 of 23 cases

SkillSafety

✓ 3 of 3 passed

Code scan15 of 15 checks clean

0 critical · 0 warning · 0 info — scanner v4 — 8/10/2026

live_secretremote_code_executionreverse_shelldata_exfiltrationssrf_metadataagent_snoopinganti_refusaldestructive_commandsobfuscated_unicodeunicode_homoglyphopaque_blobsuspicious_urltool_overreachtrigger_abuseprompt_injection_phrasing

IntentSafe

LLM judge · does the skill do what it claims

ContentClean

LLM judge · policy & harmful-content review

Source

Imported

mohitagw15856 / pm-claude-skills

skills/retention-analysis/SKILL.md

View on GitHub ↗

License MITImported 8/10/2026Version v3

Skill contents

SKILL.md

Skill de Análisis de Retención

Diagnostica por qué los usuarios se van, identifica qué los mantiene y recomienda intervenciones específicas y testables — no sugerencias vagas como "mejorar onboarding".

Fundamentos de Retención

La curva de retención tiene dos componentes:

Inclinación de la caída inicial (D1–D7) — problema de onboarding
Nivel base a largo plazo — indicador de product-market fit

Un producto con PMF tiene una curva de retención que se aplana. Si tiende a cero, tienes un problema de PMF, no de onboarding. Nombra esta distinción explícitamente.

Definiciones de Métricas de Retención

| Métrica | Fórmula | Qué te dice | |---|---|---| | Retención D1 | Usuarios que regresan el día 2 ÷ usuarios nuevos día 1 | Calidad de la primera experiencia | | Retención D7 | Usuarios activos el día 8 ÷ usuarios que se unieron hace 7 días | Formación temprana de hábito | | Retención D30 | Usuarios activos el día 31 ÷ usuarios que se unieron hace 30 días | Señal de product-market fit | | Ratio DAU/MAU | Usuarios activos diarios ÷ usuarios activos mensuales | Stickiness (>20% bueno, >50% excelente) | | Churn Rate | Usuarios perdidos en período ÷ usuarios al inicio del período | Mensual o anual | | Net Revenue Retention | MRR al final del período ÷ MRR al inicio (misma cohorte) | Salud de ingresos incluyendo expansion |

Marco de Investigación de Retención

Paso 1: Segmenta el problema

No analices "retención" — analiza retención para cohortes específicas:

Usuarios nuevos vs retornantes
Pagados vs free
Canal de adquisición (orgánico vs pagado vs referral)
Onboarding completado vs no completado
Uso de features (power users vs lurkers)

Paso 2: Encuentra los puntos de inflexión

¿Dónde ocurre la caída? ¿D1? ¿D7? ¿Mes 3?

Caída D1 → Experiencia de primera sesión
Caída D7 → Habit loop no formado
Caída D30 → Valor no entregado en profundidad
Caída Mes 3+ → Aburrimiento, competencia o evento de ciclo de vida

Paso 3: Identifica la correlación del "aha moment"

¿Qué comportamiento temprano predice retención a largo plazo?

Ejecuta correlación: usuarios que hicieron X] en los primeros 7 días vs retención de 30 días
Patrones comunes: conectaron una integración, invitaron a un compañero, completaron una acción core N veces

Paso 4: Califica el churn

Entrevista a usuarios que hicieron churn — nunca lo saltes. Los datos de encuestas solos son insuficientes.

"¿Cuál fue el trigger que te llevó a cancelar/dejar de usar?"
"¿Qué estabas intentando lograr que no pudiste?"
"¿Qué tendría que cambiar para que regreses?"

Formato de Output

Análisis de Retención — Producto/Segmento] — Fecha]

Pregunta: Pregunta de retención específica siendo respondida] Período Analizado: Rango de fechas] Segmento: Qué usuarios]

Snapshot Actual de Retención:

| Métrica | Actual | Benchmark Industria | Estado | |---|---|---|---| | Retención D1 | X%] | 25–40% | 🔴/🟡/🟢 | | Retención D7 | X%] | 10–25% | 🔴/🟡/🟢 | | Retención D30 | X%] | 5–15% | 🔴/🟡/🟢 | | DAU/MAU | X%] | 10–20% típico | 🔴/🟡/🟢 |

Forma de la Curva de Retención: Aplana / Aún decayendo / Tiende a cero] Señal PMF: Fuerte / Débil / Ausente — basado en forma de curva]

Hipótesis de Causa Raíz:

| Hipótesis | Evidencia | Confianza | Test | |---|---|---|---| | Causa] | Punto de dato] | A/M/B | Cómo validar] |

Correlación de "Aha Moment": Usuarios que acción específica] en los primeros N] días retienen al X%] vs Y%] para quienes no lo hacen.

Intervenciones Recomendadas:

| Intervención | Caída Target | Lift Esperado | Esfuerzo | Prioridad | |---|---|---|---|---| | Cambio específico] | D1 / D7 / D30 | X%] | C/M/G | 1/2/3 |

Plan de Monitoreo:

Métrica a trackear: X]
Cadencia de revisión: Semanal / Mensual]
Umbral de alerta: Si X cae por debajo de Y, investiga inmediatamente]

Inputs Requeridos

Pide al usuario estos datos si no están provistos:

Producto y modelo de negocio (SaaS / aplicación de consumidor / marketplace / otro)
Métricas de retención actuales (D1, D7, D30 si están disponibles)
Segmento a analizar (todos los usuarios / pagados / free / una cohorte específica)
Pregunta clave a responder (¿por qué cae la retención? ¿qué impulsa la retención?)
Datos disponibles (eventos de analytics, encuestas de churn, notas de entrevistas)

Checklists de Calidad

] La forma de la curva de retención está diagnosticada (aplana vs tiende a cero = PMF vs onboarding)
] Las cohortes están segmentadas antes del análisis (no todos los usuarios agrupados)
] La correlación de "aha moment" está identificada o marcada como desconocida
] Las intervenciones son específicas (no "mejorar onboarding")
] Las entrevistas de usuarios con churn se recomiendan (no solo análisis de datos)
] El plan de monitoreo incluye un umbral de alerta

Anti-Patrones

] No recomiendes "mejorar onboarding" sin especificar qué paso exacto cambiar y por qué
] No analices retención sin segmentar por cohorte — las curvas de retención agregadas ocultan patrones específicos de cohorte
] No trates DAU/MAU por debajo de 5% como problema de retención — a ese nivel, es un problema de product-market fit
] No saltes investigación cualitativa — las entrevistas de usuarios con churn revelan razones que los datos cuantitativos no pueden
] No establezcas una alerta de monitoreo sin especificar el umbral que la dispara

Directrices

Nunca recomiendes "mejorar onboarding" sin especificar qué cambiar y por qué
Haz benchmark contra la industria — aplicaciones de consumidor, SaaS y marketplaces tienen norms de retención muy diferentes
Si DAU/MAU está por debajo de 5%, esa es una conversación de PMF, no una conversación de tácticas de retención
Siempre recomienda hablar con usuarios con churn — ninguna cantidad de datos reemplaza entender la razón

Illustrative Want to see what mohitagw15856/retention-analysis would put in front of your model? Preview the rendered body and check its trigger phrases — no LLM call, no signup.

Latest benchmark · publisher runVerified

9/1/2026, 01:15 UTC · 23 cases

Lift

+17%

83% vs 65%

Agent turns

1.0 vs 1.0

Tokens

+64%

4,426.43 vs 2,704.48

fail → pass · 5pass → pass · 14fail → fail · 3pass → fail · 1

Per-case results (23)

Case	Status	Duration (ms)			Turns			Tokens			Tool calls
Case	Status	Without	With	Δ	Without	With	Δ	Without	With	Δ	Without	With	Δ
case-01 Hola, necesitamos auditar la baja de usuarios en nuestra app SaaS de gestión de proyectos. El mes pasado registramos 5,000 usuarios en el plan gratuito, pero vemos caídas fuertes: el D1 regresa el 30%, en D7 baja al 12% y en D30 solo queda el 4%, con un DAU/MAU del 8%. Genera un informe completo de diagnóstico de retención que incluya la tabla comparativa de métricas actuales con benchmarks, la evaluación de la curva y señal de PMF, las hipótesis de causa raíz, la correlación del 'momento ajá', recomendaciones de intervención priorizadas y el plan de monitoreo con umbrales de alerta.	fail→fail	33,904	27,940	-18%	1	1	0%	4,381	5,986	+37%	0	0	—
case-02 Quiero analizar la retención de nuestra aplicación móvil de entrenamiento físico durante el primer trimestre. Tuvimos una cohorte de usuarios orgánicos con un 38% en D1, 18% en D7 y 6% en D30, junto a un DAU/MAU del 15%. Prepara un análisis estructurado indicando la pregunta clave, período y segmento. Incluye el resumen métrico frente a referencias del sector, la forma de nuestra curva de retención, las posibles causas principales del abandono, eventos clave que impulsen la permanencia, acciones concretas para frenar la pérdida de usuarios y cómo medir su seguimiento.	fail→pass	19,996	20,628	+3%	1	1	0%	3,479	5,514	+58%	0	0	—
case-03 Necesitamos un reporte para entender por qué los compradores de nuestro marketplace no vuelven tras su primera transacción. En la cohorte adquirida por canales de pago en noviembre observamos D1 de 20%, D7 de 8%, D30 de 3% y un ratio de actividad diaria sobre mensual del 4%. Por favor elabora el diagnóstico completo de retención en el formato estándar: especifica el contexto de la cohorte, la tabla con métricas clave y su estado, la lectura del aplanamiento o caída de la curva, hipótesis explicativas sustentadas, identificación del comportamiento decisivo de activación, propuestas de cambios específicos a implementar y las pautas para activar alertas de control.	fail→pass	26,520	24,444	-8%	1	1	0%	3,608	4,953	+37%	0	0	—
case-04 Estamos diseñando el flujo de atención al cliente para nuestra plataforma B2B. Queremos definir los tiempos máximos de respuesta (SLA) para tickets de soporte según su prioridad (Crítica, Alta, Media, Baja) y las reglas de escalación cuando un agente no resuelve el problema a tiempo. Sugieres usar plantillas de diagnóstico de cohortes para definir esto? Proporciona la estructura de SLA recomendada.	pass→pass	28,140	25,759	-8%	1	1	0%	3,267	4,737	+45%	0	0	—
case-05 Tenemos un presupuesto mensual de $50,000 USD para marketing digital y queremos distribuirlo entre Google Search Ads, LinkedIn Ads y Meta Ads para captar nuevos leads B2B al menor costo por adquisición (CPA). Proporciona la asignación presupuestaria recomendada con estimaciones de CPA y estrategia de pujas.	pass→pass	32,377	28,063	-13%	1	1	0%	3,724	5,614	+51%	0	0	—
case-06 Estamos lanzando una herramienta SaaS de facturación electrónica y necesitamos definir la estructura de precios (planes Free, Pro y Enterprise), incluyendo los límites de uso por nivel (número de facturas, usuarios y soporte). Elabora la propuesta de empaquetamiento y precios.	pass→fail	25,920	24,327	-6%	1	1	0%	3,302	4,576	+39%	0	0	—
case-07 Nuestra plataforma web de colaboración registra un DAU/MAU del 3.2%, con D1 del 15% y D30 del 2%. El equipo propone enviar notificaciones push y rediseñar el wizard de bienvenida para arreglar la retención. ¿Es este un problema táctico de onboarding o algo más profundo? Analiza la situación.	pass→pass	22,983	27,285	+19%	1	1	0%	3,030	5,393	+78%	0	0	—
case-08 En nuestra app movil de finanzas personales, los datos de cohortes muestran que la retención cae progresivamente: D1 35%, D7 15%, D30 5%, D60 1%, D90 0.1%. El jefe de producto dice que los usuarios abandonan porque el tour inicial dura 5 pasos y quiere acortarlo. ¿Qué diagnosticas a partir de la forma de la curva?	pass→pass	15,992	27,042	+69%	1	1	0%	2,463	4,834	+96%	0	0	—
case-09 En nuestra suite B2B de recursos humanos, observamos una caída del 70% entre el día 1 y el día 7. Necesito que propongas 3 intervenciones específicas para retener a los administradores recién registrados. Algunos consultores sugirieron simplemente 'mejorar el onboarding', ¿cuál es tu propuesta concreta?	pass→pass	19,962	27,918	+40%	1	1	0%	2,872	5,452	+90%	0	0	—
case-10 Tenemos una tasa global de retención a 30 días del 18% mezclando todos los usuarios de la plataforma. Queremos presentar este único número a los inversionistas como diagnóstico final. ¿Cómo debemos estructurar formalmente la investigación de retención antes de sacar conclusiones?	pass→pass	23,152	23,236	+0%	1	1	0%	2,770	4,146	+50%	0	0	—
case-11 Analizando nuestra herramienta de notas: la retención en D1 es del 70%, pero en D7 cae drásticamente al 15% y en D30 se mantiene en 14%. ¿En qué etapa del embudo de retención está el problema principal y qué hipótesis deberíamos probar?	pass→pass	21,255	19,630	-8%	1	1	0%	2,574	4,851	+88%	0	0	—
case-12 Los usuarios de nuestra app de suscripción de café están muy activos durante los primeros 60 días (D30 30%, D60 28%), pero entre el mes 3 y el mes 4 la retención cae al 8%. El diseñador UX sugiere cambiar la pantalla de registro inicial. ¿Qué causa esta caída tardía?	pass→pass	21,588	23,430	+9%	1	1	0%	2,338	4,528	+94%	0	0	—
case-13 Para entender el churn en nuestra plataforma SaaS, implementamos una encuesta obligatoria de 1 clic al cancelar con opciones múltiples ('Muy caro', 'Faltan funciones'). ¿Es suficiente este análisis cuantitativo para diagnosticar por qué se van los usuarios?	pass→pass	20,592	22,009	+7%	1	1	0%	2,271	4,016	+77%	0	0	—
case-14 Identificamos que invitar a 3 colaboradores en los primeros 5 días es nuestro 'momento ajá' en la app de gestión de tareas. ¿Cómo debemos formular formalmente este hallazgo cuantitativo dentro del reporte de retención?	fail→pass	19,291	15,399	-20%	1	1	0%	2,141	3,860	+80%	0	0	—
case-15 Queremos definir la sección de 'Plan de Monitoreo' para el tablero de retención de nuestra app de entregas. Proponemos registrar la retención D7 semanalmente. ¿Qué elemento indispensable falta en esa propuesta de monitoreo?	pass→pass	21,054	8,245	-61%	1	1	0%	2,119	2,878	+36%	0	0	—
case-16 Nuestra app SaaS de CRM presenta los siguientes datos: Retención D1 = 30%, Retención D7 = 18%, Retención D30 = 10% y DAU/MAU = 15%. Compara cada uno de estos 4 indicadores con sus rangos de referencia típicos de la industria y asigna su estado.	fail→pass	15,416	14,190	-8%	1	1	0%	2,657	4,008	+51%	0	0	—
case-17 Un inversionista nos exige que nuestra plataforma B2B de auditoría contable tenga un ratio DAU/MAU superior al 50%, citando métricas de redes sociales como referencia. ¿Es adecuada esta comparación de benchmarks entre industrias?	pass→pass	23,859	26,496	+11%	1	1	0%	2,824	4,497	+59%	0	0	—
case-18 Queremos presentar las hipótesis de abandono de nuestra app de e-learning al comité ejecutivo. Prepara únicamente la tabla de 'Hipótesis de Causa Raíz' con la causa probable, los datos de soporte, el nivel de certeza y el experimento para validarla.	fail→fail	17,432	18,087	+4%	1	1	0%	2,008	3,495	+74%	0	0	—
case-19 Diseña la tabla de intervenciones recomendadas para nuestra aplicación móvil de viajes para corregir caídas en D1 y D7. Necesitamos listar cada acción con el momento de caída que ataca, el impacto estimado, la dificultad de ejecución y su orden de ejecución.	fail→fail	21,890	27,739	+27%	1	1	0%	2,583	4,598	+78%	0	0	—
case-20 Hola, hazme un análisis de retención para mi producto.	pass→pass	16,679	10,370	-38%	1	1	0%	1,567	2,530	+61%	0	0	—
case-21 ¿Cómo se define formalmente la métrica Net Revenue Retention en un modelo de suscripción B2B y qué información sobre la salud del negocio proporciona?	pass→pass	19,421	25,294	+30%	1	1	0%	2,341	4,502	+92%	0	0	—
case-22 Proporciona la fórmula estándar para calcular la tasa de abandono de usuarios (Churn Rate) y especifica los períodos temporales habituales en los que se mide.	pass→pass	14,924	17,927	+20%	1	1	0%	1,689	3,386	+100%	0	0	—
case-23 Escribe las fórmulas exactas para calcular la Retención D1 y la Retención D7 en analítica de productos digitales.	fail→pass	18,263	12,572	-31%	1	1	0%	2,195	3,454	+57%	0	0	—

These cases were also screened by the skill’s intent / safety pass.See the Trust review ↗Reproduce this benchmark in Colab ↗

How this skill was measured

DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 23 cases were attempted. The headline lift of +17 percentage points is the difference between those two pass rates over the 23 comparable cases. 1 case got worse with the skill loaded, and it is included in that figure.

Model measured: gemini-3.6-flash
Graded by: gemini-3.6-flash
Grading method: judged
Verification: verified
Pass rate without the skill: 65.2%
Pass rate with the skill: 82.6%
Cases attempted: 23
Cases counted toward lift: 23
Cases that regressed: 1
Skill version measured: v3
Run completed: 9/1/2026, 01:15 UTC

Measured example — same prompt, with vs. without the skill · from the benchmark run · case case-02

Prompt

Quiero analizar la retención de nuestra aplicación móvil de entrenamiento físico durante el primer trimestre. Tuvimos una cohorte de usuarios orgánicos con un 38% en D1, 18% en D7 y 6% en D30, junto a un DAU/MAU del 15%. Prepara un análisis estructurado indicando la pregunta clave, período y segmento. Incluye el resumen métrico frente a referencias del sector, la forma de nuestra curva de retención, las posibles causas principales del abandono, eventos clave que impulsen la permanencia, acciones concretas para frenar la pérdida de usuarios y cómo medir su seguimiento.

Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.

Show both answers

SkillScore blends 4 signals1 of 4 complete

BenchmarkPass rate WITH skill on a verified run83

Live evalNeeds ≥10 evaluated traces in 30 days

AI ratingNeeds ≥10 rated traces

AdoptionNeeds ≥10 serves across ≥2 orgs in 30 days

Efficiency · separate axis (at equal correctness)+0% turns+71% tokens

Shown for transparency; not credited unless a verified run shows no correctness regression.

Backed by 1 of 4 signals — each added signal makes the score more robust.

Verified on gemini-3.6-flash · re-tested 20 days ago

Other measured skills in the registry, with their headline benchmark lift.