Análisis de Cohortes de Retención

Un gráfico de retención de cohortes muestra los datos de retención en una matriz triangular. Las filas representan las cohortes de adquisición (cohorte de enero, cohorte de febrero, etc.); las columnas representan los períodos de tiempo desde la adquisición (Semana 1, Semana 4, Mes 3, Mes 6, Mes 12). Cada celda muestra el porcentaje de la cohorte original que estuvo activa en ese período de tiempo. Patrones de lectura: Comparación diagonal: comparar la retención del Mes 3 de marzo de 2024 con la retención del Mes 3 de marzo de 2025 muestra si el producto retiene mejor a los clientes ahora que hace un año, controlando la edad de la cohorte. Forma de la fila: la forma de la curva de retención de una cohorte (qué tan pronunciadamente cae en las primeras 4 semanas y en qué porcentaje se estabiliza) revela si el producto tiene un "núcleo retenido" de usuarios comprometidos o si disminuye continuamente. Una curva de retención que cae al 5% en el mes 3 y se mantiene allí es radicalmente diferente de una que cae al 35% en el mes 3 y se mantiene; la primera no tiene un modelo de engagement sostenible; la segunda ha encontrado un núcleo retenido saludable. Comparación de columnas: comparar todas las cohortes en el mes 6 identifica tendencias en la retención a 6 meses a lo largo del tiempo; la mejora en la retención de la cohorte del mes 6 indica que las mejoras del producto están funcionando.

El análisis de cohortes de comportamiento agrupa a los usuarios no por fecha de adquisición, sino por una acción específica que realizaron (o no realizaron) en el producto, y luego compara las curvas de retención de los usuarios que realizaron la acción frente a los que no lo hicieron. Metodología clásica (popularizada por el descubrimiento de Facebook de '10 amigos en 7 días'): definir una cohorte de usuarios que realizaron la Acción X en la semana 1 y comparar su retención a 90 días con los usuarios que no realizaron la Acción X en la semana 1. Si la cohorte de la Acción X retiene al 55% frente al 22% para los usuarios que no realizaron la Acción X a los 90 días, la Acción X es un fuerte predictor de retención. Precaución importante: este análisis identifica correlación, no causalidad. Los usuarios que realizaron la Acción X pueden haber sido clientes inherentemente más motivados o más adecuados que se habrían retenido de todos modos. Para establecer la causalidad, realice una prueba A/B que impulse a un subconjunto aleatorio de usuarios a completar la Acción X y compare su retención con un grupo de control no impulsado. Si el grupo impulsado retiene mejor, la acción tiene un efecto causal en la retención. Product Ops facilita el análisis de cohortes de comportamiento como un componente estándar de la revisión trimestral de análisis de producto, produciendo las acciones candidatas que predicen la retención para la validación de pruebas A/B.

El análisis de cohortes de SaaS B2B tiene cinco diferencias importantes con respecto a las aplicaciones de consumo B2C. Unidad de análisis: la retención B2B se mide a nivel de cuenta (¿la empresa sigue siendo cliente?), no a nivel de usuario (los usuarios individuales que abandonan una empresa todavía cuentan como retención de la empresa). Análisis de supervivencia: el SaaS B2B utiliza el uso activo diario o mensual como medida de retención (no la tasa de apertura de la aplicación); una cuenta que inicia sesión al menos una vez al mes se 'retiene' incluso si el uso individual varía. Alineación de contratos: los contratos B2B anuales crean mesetas de retención artificiales; las cuentas no se dan de baja a mitad del contrato, creando un pico en los eventos de churn en las fechas de aniversario del contrato. Las curvas de retención de cohortes en B2B muestran un patrón de sierra anual en lugar de las curvas suaves típicas en B2C. Tamaño de la cohorte: las cohortes B2B son mucho más pequeñas (un SaaS empresarial saludable puede adquirir de 25 a 50 nuevas cuentas empresariales por mes frente a miles de usuarios de consumo), lo que requiere ventanas de tiempo más largas para un análisis estadísticamente significativo. Efecto de expansión: el análisis de cohortes B2B debe rastrear no solo la tasa de supervivencia, sino también el ARR por cohorte a lo largo del tiempo; una cohorte donde el 85% de las cuentas sobreviven pero el ARR ha crecido un 150% (a través de la expansión) es dramáticamente diferente de una cohorte donde el 98% sobrevive pero el ARR es plano.