¿Qué son los cohorts y por qué usarlos?
Introducción al análisis de cohorts para e-commerce.
El análisis de cohorts es una de las técnicas más poderosas para entender el comportamiento de clientes a lo largo del tiempo. Mientras las métricas agregadas te dicen "qué está pasando", los cohorts te dicen "qué está pasando a quién y cuándo".
¿Qué es un cohort?
Un cohort es un grupo de usuarios que comparten una característica común en un momento específico del tiempo.
Ejemplo simple
Todos los clientes que hicieron su primera compra en enero 2025 forman un cohort. Los de febrero 2025 forman otro cohort, y así sucesivamente.
Cohort Enero 2025: Clientes que compraron por primera vez en enero 2025
Cohort Febrero 2025: Clientes que compraron por primera vez en febrero 2025
Cohort Marzo 2025: Clientes que compraron por primera vez en marzo 2025
Tipos de cohorts
| Tipo | Definición | Ejemplo |
|---|---|---|
| Adquisición | Por fecha de primera compra/registro | "Clientes de enero 2025" |
| Comportamiento | Por acción específica | "Clientes que usaron cupón X" |
| Segmento | Por característica | "Clientes móviles vs desktop" |
| Canal | Por fuente de adquisición | "Clientes de Google Ads vs Orgánico" |
Por qué el análisis de cohorts es tan valioso
El problema de las métricas agregadas
Imagina que ves esto en tu dashboard:
Ingresos mensuales:
Enero: $100,000
Febrero: $100,000
Marzo: $100,000
Conclusión aparente: "Todo está estable"
Pero la realidad podría ser:
Enero: 70% clientes antiguos + 30% nuevos
Febrero: 50% clientes antiguos + 50% nuevos
Marzo: 30% clientes antiguos + 70% nuevos
Realidad: Estás perdiendo clientes antiguos
y compensando con nuevos (insostenible)
Qué revela el análisis de cohorts
Retención por cohort:
Mes 1 Mes 2 Mes 3 Mes 4
Cohort Ene 100% 35% 22% 15%
Cohort Feb 100% 38% 25% 18%
Cohort Mar 100% 42% 30% 22%
Insight: La retención MEJORA mes a mes
Algo que hiciste en marzo funcionó
Cohorts vs Series temporales
Análisis de series temporales
Mide la misma métrica a lo largo del tiempo para todos los usuarios:
Usuarios activos mensuales (MAU):
Enero: 10,000
Febrero: 10,500
Marzo: 11,000
Tendencia: +5% mensual (parece positivo)
Análisis de cohorts
Mide la misma métrica para grupos específicos a lo largo del tiempo:
Usuarios activos por cohort:
Mes 1 Mes 2 Mes 3
Cohort Enero 3,500 1,200 850
Cohort Febrero 3,800 1,400 (-)
Cohort Marzo 4,200 (-) (-)
Insight: Cada cohort pierde 65% después del primer mes
El crecimiento de MAU se debe solo a nuevos usuarios
Cuándo usar cada uno
| Análisis | Usa cuando... | Pregunta que responde |
|---|---|---|
| Series temporales | Quieres ver tendencias generales | "¿Crecemos o decrecemos?" |
| Cohorts | Quieres entender retención y comportamiento | "¿Qué pasa con cada grupo en el tiempo?" |
Casos de uso del análisis de cohorts
1. Medir retención real
Pregunta: "¿Qué porcentaje de clientes sigue comprando?"
Tabla de retención por cohort:
Mes 0 Mes 1 Mes 2 Mes 3 Mes 6 Mes 12
Cohort Q1 100% 32% 18% 14% 8% 5%
Cohort Q2 100% 35% 21% 16% 10% 6%
Cohort Q3 100% 38% 24% 19% 12% 8%
Insight: La retención mejora trimestre a trimestre
2. Evaluar cambios de producto
Pregunta: "¿El nuevo checkout mejoró la retención?"
Pre-cambio (Cohorts Ene-Mar):
Retención mes 2: 18% promedio
Post-cambio (Cohorts Abr-Jun):
Retención mes 2: 25% promedio
Insight: El nuevo checkout aumentó retención +38%
3. Comparar canales de adquisición
Pregunta: "¿Qué canal trae mejores clientes?"
Mes 0 Mes 1 Mes 2 Mes 3 CLV 12m
Google Ads 100% 28% 15% 10% $120
Facebook 100% 35% 22% 16% $185
Orgánico 100% 45% 32% 25% $280
Insight: Orgánico trae clientes 2x más valiosos
4. Detectar estacionalidad
Pregunta: "¿Los clientes de Black Friday son diferentes?"
Mes 0 Mes 1 Mes 2 Mes 3
Cohort Oct 100% 35% 22% 18%
Cohort Nov BF 100% 22% 12% 8%
Cohort Dic 100% 30% 20% 15%
Insight: Black Friday trae cazadores de ofertas
con peor retención
5. Medir impacto de promociones
Pregunta: "¿El descuento de primera compra afecta CLV?"
Mes 0 Mes 3 Mes 6 CLV 6m
Sin descuento 100% 20% 12% $180
Descuento 10% 100% 22% 14% $165
Descuento 25% 100% 18% 10% $125
Insight: Descuentos agresivos atraen clientes
de menor valor
Anatomía de una tabla de cohorts
Estructura básica
Período 0 Período 1 Período 2 Período 3
Cohort 1 100% X% Y% Z%
Cohort 2 100% X% Y%
Cohort 3 100% X%
Cohort 4 100%
Lectura:
- Filas: Cada cohort (grupo de clientes)
- Columnas: Tiempo desde su "período 0"
- Valores: Métrica de interés (retención, ingresos, etc.)
Ejemplo con datos reales
Cohorts de retención - E-commerce de ropa:
| Cohort | Mes 0 | Mes 1 | Mes 2 | Mes 3 | Mes 4 | Mes 5 | Mes 6 |
|---|---|---|---|---|---|---|---|
| Ene 25 | 100% | 31% | 19% | 14% | 11% | 9% | 8% |
| Feb 25 | 100% | 33% | 21% | 16% | 12% | 10% | - |
| Mar 25 | 100% | 35% | 23% | 17% | 13% | - | - |
| Abr 25 | 100% | 38% | 25% | 19% | - | - | - |
| May 25 | 100% | 40% | 27% | - | - | - | - |
| Jun 25 | 100% | 42% | - | - | - | - | - |
| Jul 25 | 100% | - | - | - | - | - | - |
Cómo leer:
- De los clientes que compraron por primera vez en enero, el 31% volvió a comprar en febrero (mes 1)
- De ese mismo grupo, el 8% sigue activo después de 6 meses
- La tendencia muestra mejora: cada nuevo cohort tiene mejor retención inicial
Patrones comunes en tablas de cohorts
Patrón 1: Curva de retención normal
100% → 30% → 18% → 14% → 12% → 11% → 10%
Caída fuerte inicial, luego se estabiliza
(Lo más común en e-commerce)
Patrón 2: Mejora en cohorts recientes
Cohort antiguo: 100% → 25% → 15% → 10%
Cohort nuevo: 100% → 35% → 25% → 18%
Algo mejoró (producto, onboarding, targeting)
Patrón 3: Deterioro en cohorts recientes
Cohort antiguo: 100% → 40% → 30% → 25%
Cohort nuevo: 100% → 25% → 15% → 10%
Alerta: Calidad de adquisición empeorando
Patrón 4: Cohort anómalo
Ene: 100% → 30% → 20%
Feb: 100% → 35% → 22%
Mar: 100% → 15% → 8% ← Algo salió mal
Abr: 100% → 33% → 21%
Investigar: ¿Cambio de campaña? ¿Problema de producto?
Métricas comunes en análisis de cohorts
Retención
% de clientes que siguen activos
(Compra, login, uso, etc.)
Ingresos por cohort
Ingresos acumulados del cohort:
Mes 0 Mes 1 Mes 2 Mes 3
Cohort Ene $50,000 $65,000 $75,000 $82,000
CLV por cohort
CLV promedio de clientes del cohort:
6 meses 12 meses 24 meses
Cohort Q1 $180 $250 $320
CAC Payback por cohort
Meses para recuperar CAC:
Cohort Google Ads: 4.5 meses
Cohort Facebook: 3.2 meses
Cohort Orgánico: 1.8 meses
Beneficios del análisis de cohorts
| Beneficio | Explicación |
|---|---|
| Visibilidad real | Ves retención verdadera, no métricas infladas |
| Detecta problemas temprano | Un cohort malo te avisa antes de que sea tarde |
| Mide impacto de cambios | Compara antes/después con precisión |
| Optimiza adquisición | Identifica qué canales traen mejores clientes |
| Justifica inversiones | Demuestra ROI de mejoras con datos |
Resumen
| Concepto | Definición |
|---|---|
| Cohort | Grupo de usuarios con característica común en momento específico |
| Análisis de cohorts | Estudiar cómo cada grupo evoluciona en el tiempo |
| Series temporales | Estudiar métrica agregada en el tiempo (todos los usuarios) |
| Tabla de cohorts | Matriz con cohorts en filas, tiempo en columnas |
| Período 0 | Momento de definición del cohort (ej: primera compra) |
Próximos pasos
En la siguiente lección aprenderás a crear análisis de cohorts paso a paso en GA4 y Google Sheets, con plantillas que podrás usar inmediatamente para tu e-commerce.
Quiz: Verifica tu comprensión
1. ¿Qué define a un cohort?
a) Un grupo de productos similares b) Un grupo de usuarios con característica común en momento específico c) Una métrica calculada mensualmente d) Un segmento geográfico
2. ¿Cuál es la ventaja principal del análisis de cohorts sobre series temporales?
a) Es más fácil de calcular b) Usa menos datos c) Revela cómo evoluciona cada grupo específico en el tiempo d) Siempre muestra resultados positivos
3. En una tabla de cohorts, las filas representan:
a) Diferentes métricas b) Diferentes cohorts (grupos de usuarios) c) Diferentes productos d) Diferentes canales
4. Si un cohort muestra: 100% → 30% → 20% → 18% → 17%, esto indica:
a) La retención está cayendo drásticamente b) Caída inicial fuerte, luego estabilización c) El cohort está creciendo d) Hay un error en los datos
5. ¿Qué tipo de análisis usarías para comparar clientes de Google Ads vs Orgánico?
a) Solo series temporales b) Solo CLV histórico c) Cohorts por canal de adquisición d) Análisis RFM
6. Un cohort del Black Friday con retención: 100% → 22% → 12% vs cohort normal: 100% → 35% → 22% sugiere:
a) Black Friday fue muy exitoso b) Los cazadores de ofertas tienen peor retención c) Debes invertir más en Black Friday d) Los datos están mal
Respuestas: 1-b, 2-c, 3-b, 4-b, 5-c, 6-b
¿Completaste esta lección?
Marca esta lección como completada. Tu progreso se guardará en tu navegador.