Análisis de cohortes: cómo leer la tabla que nadie lee

Una marca de cosmética con la que trabajo cerró el primer semestre con un 22% de recompra a 30 días. Sobre el papel, un número tibio. El equipo pasó tres semanas probando asuntos de correo, cupones de recuperación y frecuencia de envío persiguiendo esos puntos perdidos.

El problema nunca estuvo en el correo. Estaba en que ese 22% no describía a ningún cliente. Era el promedio de cinco grupos: cuatro rondaban entre el 24% y el 25%, y uno, el de marzo, se quedaba en 16%. Marzo había sido el mes de una campaña de cupones agresiva que casi triplicó la entrada de clientes nuevos.

Una tasa de retención promedio es de esos números que parecen una respuesta y funcionan como una manta. Lo tapan todo y no explican nada. El análisis de cohortes retira la manta.

¿Qué es el análisis de cohortes?

El análisis de cohortes consiste en separar a los clientes en grupos que comparten un evento inicial dentro de la misma ventana de tiempo, casi siempre el mes de su primera compra, y seguir a cada grupo a lo largo de los periodos siguientes. En lugar de una tasa de retención única para toda la base, ves la curva de cada camada por separado.

El término viene de la epidemiología, donde una cohorte es un grupo cerrado al que se sigue en el tiempo. La lógica pasó intacta al mundo de los negocios: en vez de fotografiar grupos distintos en meses distintos y comparar las fotos, sigues al mismo grupo y observas qué le ocurre. Cada mes de captación es una camada con su propia calidad.

Por qué el promedio de retención engaña

Volvamos a la marca de cosmética. Cinco camadas mensuales de clientes nuevos, de enero a mayo, y cuántos de cada una volvieron a comprar en los meses siguientes.

Cohorte	Clientes nuevos	Recompra en M+1	En M+2	En M+3
Enero	400	96 (24%)	68 (17%)	56 (14%)
Febrero	520	130 (25%)	88 (17%)	68 (13%)
Marzo	900	144 (16%)	90 (10%)	72 (8%)
Abril	610	146 (24%)	104 (17%)	en curso
Mayo	580	145 (25%)	en curso	en curso

La cuenta agregada: 3.010 clientes nuevos en el periodo y 661 recompras en el mes siguiente a la entrada, es decir, 22%. Ninguna cohorte es 22%. Cuatro están entre el 24% y el 25%, y marzo, por sí solo, arrastra el promedio hacia abajo porque entró con más del doble del volumen de enero. El promedio no es el comportamiento típico. Es el comportamiento de nadie, ponderado por el volumen de quien lo hizo mal.

Conviene terminar la cuenta, porque cambia la conversación sobre esa campaña. Marzo trajo 380 clientes nuevos más que febrero. Tres meses después, quedaban 72 clientes activos de marzo frente a 68 de febrero. Esos 380 clientes extra dejaron cuatro clientes activos. Toda la inversión de medios de ese mes compró volumen que se evaporó, y el promedio del 22% lo escondió durante seis meses.

Por eso la retención promedio y el churn rate agregado funcionan como indicadores de panel, no de diagnóstico. Avisan de que algo cambió. No dicen qué, ni cuándo entró por la puerta.

Cómo montar una cohorte: cuatro decisiones

Montar una tabla de cohortes es elegir cuatro cosas. Equivocarse en cualquiera produce un gráfico bonito e inútil.

1. El evento que define la entrada. La primera compra es el estándar en retail. En software suele ser la activación y no el registro, porque quien crea una cuenta y nunca la usa contamina la camada entera.
2. La granularidad. Mensual sirve para la mayoría. Semanal solo tiene sentido con ciclo de compra corto y volumen alto. Trimestral es el refugio de quien tiene pocas cuentas al mes.
3. El evento que cuenta como retorno. ¿Cualquier compra? ¿Una compra por encima de un mínimo? ¿Un inicio de sesión? La elección mueve el número decenas de puntos, así que deja la definición escrita antes de que alguien la cambie a mitad de año.
4. La métrica de la celda. El porcentaje de clientes activos es lo más habitual, pero los ingresos acumulados por camada suelen responder mejor a la pregunta que finanzas está haciendo.

Las tres direcciones de lectura de la tabla

Aquí está la parte que casi ninguna guía cubre. Una tabla de cohortes no tiene una lectura. Tiene tres, y cada dirección responde una pregunta distinta.

Fila: ¿cómo envejece esta cohorte?

Sigue enero de izquierda a derecha: 24%, 17%, 14%. La pérdida es brutal el primer mes y después se frena. Eso es normal y es lo más útil que dice la fila: existe un suelo, el grupo de gente que de verdad se convirtió en cliente. Si tu curva nunca se aplana, el producto no tiene retención, tiene inercia. Si se aplana pronto y alto, tienes un negocio recurrente sin vender suscripción, y el cálculo del LTV pasa a apoyarse en algo real en vez de en una estimación.

Columna: ¿cambió la calidad de la captación?

Lee la columna de M+1 de arriba abajo: 24%, 25%, 16%, 24%, 25%. Cada celda de la columna reúne cohortes distintas a la misma edad, así que la comparación es justa. Una celda fuera de línea, como marzo, apunta directo a lo que pasó en la captación de ese mes: un canal nuevo, un cupón agresivo, una promoción que atrajo cazadores de descuento. La columna es el mejor detector de medios que compran volumen malo.

Diagonal: ¿pasó algo en ese mes?

La diagonal es la lectura que nadie hace y la que resuelve los casos más difíciles. Mayo, en el calendario, contiene a la vez el M+4 de enero, el M+3 de febrero, el M+2 de marzo y el M+1 de abril. Si todas esas celdas caen juntas, el problema no es de ninguna cohorte: es del mes. Un checkout roto, una rotura de stock, una subida del envío, un cambio de política, un puente largo. Una caída que aparece en filas y columnas al mismo tiempo casi siempre es un evento de calendario disfrazado de problema de retención.

¿Cohortes de clientes o cohortes de ingresos?

Las dos versiones de la misma tabla cuentan historias distintas, y quedarse solo con una es un error frecuente.

	Cohorte de clientes	Cohorte de ingresos
Qué muestra la celda	% de la camada aún activa	ingresos generados por la camada
Mejor para	retail, apps, compra repetida	SaaS, suscripciones, B2B
Alarma que da	base que se encoge	ingresos que caen con base estable
Punto ciego	ignora que quien se queda gasta más	oculta la concentración en pocas cuentas

En negocios de suscripción es habitual que ambas apunten en direcciones opuestas: la base cae un 3% mensual mientras los ingresos de la camada suben, porque quien se queda mejora de plan. Esa distancia entre perder clientes y perder dinero es justo lo que mide la retención neta de ingresos, y es una de las métricas SaaS que los inversores miran primero. Si solo sigues la cohorte de clientes, vas a celebrar un problema o a asustarte con una buena noticia.

Dónde se rompe el análisis de cohortes

Camadas pequeñas. Con 40 clientes en una cohorte, dos compradores más mueven cinco puntos porcentuales. Por debajo de unos 100 clientes por periodo, agrupa por trimestres o asume que la tabla muestra ruido con cara de tendencia.

Ciclo de compra largo. Si el producto se recompra cada seis meses, la cohorte mensual devuelve un muro de ceros y un susto innecesario. Ajusta la granularidad al ciclo real de recompra, que descubres mirando el intervalo mediano entre pedidos, no lo que el equipo cree que es.

Cambio de mix. Cambiar de canal cambia quién entra. Las cohortes nuevas pueden ser peores sin que nada del producto haya empeorado. Cuando eso ocurre, separa la cohorte por canal de origen antes de concluir nada sobre retención.

Límites de la herramienta. La exploración de cohortes de Google Analytics 4 muestra como máximo 60 cohortes y, al aplicar una dimensión de desglose, solo los 15 valores principales, según la documentación de la propia herramienta. Sirve para empezar y para responder preguntas de primer nivel. Para cruzar camada con canal, plan y categoría de producto a la vez, vas a necesitar el dato en bruto fuera de ahí.

Qué hacer con lo que muestra la tabla

Una tabla de cohortes solo compensa el trabajo si se convierte en decisión. En la práctica, de ella salen tres con frecuencia.

La primera es de medios: las cohortes con M+1 por debajo del estándar señalan canales o creatividades que compran volumen desechable. Recorta presupuesto ahí antes de escalar. La segunda es de onboarding: si la caída de M0 a M+1 es siempre la mayor, el dinero está en el primer mes de vida del cliente, no en reactivar a quien ya se fue. La tercera es de canal de venta. El estudio E-Consumidor 2026, hecho por Nuvemshop con Opinion Box en Brasil, encontró que el 46,5% de los consumidores vuelve a comprar en la tienda propia de la marca frente al 30% en marketplaces. Si tus cohortes de marketplace se desploman y las de tienda propia se aplanan, el patrón no es casualidad, y la conclusión sobre dónde invertir cambia.

Fíjate en que ninguna de esas decisiones aparece en una tasa promedio. Todas aparecen cuando separas las camadas.

Preguntas frecuentes

¿Análisis de cohortes y estudio de cohortes son lo mismo?

Comparten el método, no el campo. El estudio de cohortes viene de la epidemiología y sigue a un grupo cerrado para observar resultados de salud. El análisis de cohortes en negocio toma esa misma lógica de seguir al grupo y la aplica a compras, activaciones o inicios de sesión.

¿Cómo hacer un análisis de cohortes en Excel?

Necesitas una tabla con cliente, fecha de primera compra y fecha de cada pedido. Añade una columna con el mes de la primera compra y otra con la diferencia en meses entre el pedido y esa fecha. Lleva las dos a una tabla dinámica, camada en filas y diferencia en columnas, contando clientes distintos. El trabajo lo hacen esas dos columnas calculadas, no la tabla dinámica.

¿Se puede hacer análisis de cohortes en Power BI?

Sí, y la lógica es idéntica: una medida DAX que cuenta clientes distintos por camada y por índice de periodo. Lo difícil sigue siendo modelar la fecha de primera compra, que tiene que quedar fija por cliente y no puede recalcularse dentro del filtro de periodo.

¿Cuál es una buena tasa de retención por cohorte?

Varía tanto por sector que los benchmarks externos suelen estorbar más que ayudar. La referencia útil es interna: tu propia cohorte de hace seis meses, a la misma edad. Lo que importa es si la curva se está aplanando más arriba que antes.

¿Sirve el análisis de cohortes sin modelo de suscripción?

Sirve, y a veces rinde más. En retail y servicios, la cohorte revela si la segunda compra existe de verdad o si el negocio vive de traer gente nueva cada mes, que es la situación más cara y menos visible en una hoja de facturación.

La tabla no resuelve nada sola

El valor del análisis de cohortes no está en construir la tabla, está en mirarla con una pregunta en la cabeza. Quien la monta una vez, hace una captura y no vuelve, ha ganado una diapositiva. Quien revisita la misma tabla cada mes, preguntando siempre qué cambió en la camada nueva respecto de la anterior, ha ganado una alarma que detecta problemas de captación meses antes de que la facturación se queje. Es un hábito barato con un retorno desproporcionado.

El obstáculo rara vez es conceptual. Los pedidos están en el ecommerce, el origen en las plataformas de anuncios y el registro en el CRM, y cruzar los tres da suficiente trabajo como para que el análisis se quede para después. Sherlok existe para acortar ese camino: conectas las fuentes una vez y después preguntas en lenguaje natural, algo como "compara la recompra a 30 días de las últimas seis camadas mensuales por canal de captación", y recibes el análisis hecho en vez de una cola de extracciones. La tabla sigue siendo tuya. Lo que cambia es el tiempo entre la pregunta y la respuesta.