Análisis de cohortes de retención: guía paso a paso

El análisis de cohortes de retención agrupa a los clientes según cuándo empezaron, normalmente el mes de su primera compra o alta, y sigue qué porcentaje de cada grupo sigue activo en cada periodo posterior. Puesto en forma de tabla, te muestra cuándo se van los clientes (el primer mes, tras una prueba, al cabo de un año) y si los que llegaron hace poco se quedan más tiempo que los que llegaron antes. Por eso es la mejor forma de comprobar si los cambios en onboarding, precios o servicio funcionan de verdad.

Esta guía te enseña a crear una tabla de cohortes en una hoja de cálculo paso a paso, a interpretarla y qué hacer con lo que encuentres.

Por qué no basta con una sola tasa de abandono

Una tasa de abandono te da un único número para todos los clientes de un periodo. Es útil, pero mezcla grupos muy distintos: clientes en su primer mes, que a menudo se van en mayor proporción, y clientes fieles desde hace años, que casi nunca se van.

Imagina un negocio cuyo churn mensual global lleva un año estable en el 4 %. Una tabla de cohortes podría revelar que:

• Los clientes que llegaron hace poco se quedan en realidad más tiempo que antes, gracias a un mejor onboarding.
• Pero una cohorte grande procedente de una campaña de descuentos se está yendo rápido y sube la media.

El número único oculta ambas historias. La tabla de cohortes las muestra.

Paso 1: Decide qué significa «activo»

Define qué cuenta como estar activo en un periodo:

Tipo de negocio	Activo en un periodo significa…
Suscripción	Suscripción pagada durante el mes
Software	Inició sesión o usó una función clave durante el mes
Tienda online	Hizo al menos un pedido en el periodo (plantéate periodos trimestrales si los clientes compran poco a menudo)
Servicios	Tuvo un proyecto o una factura en el periodo

En tiendas con compras irregulares, el «activo» mensual dará saltos, porque los clientes que compran cada pocos meses aparecen y desaparecen. Los periodos trimestrales, o una definición como «ha pedido en los últimos 90 días», dan una imagen más estable.

Paso 2: Exporta los datos en bruto

Necesitas una fila por actividad (pedido, pago o inicio de sesión) con al menos:

customer_id	activity_date
C-1001	2026-01-14
C-1001	2026-02-20
C-1002	2026-01-22
C-1003	2026-02-03

La mayoría de sistemas de tienda, facturación y CRM permiten exportarlo en CSV. Elimina las cuentas de prueba y los usuarios internos antes de empezar.

Paso 3: Añade las columnas auxiliares

En tu hoja de cálculo, añade tres columnas:

1. Mes de actividad: el mes de cada actividad, por ejemplo con una fórmula que convierta la fecha en el primer día de su mes.
2. Mes de cohorte: el primer mes de actividad de ese cliente. En la mayoría de hojas de cálculo puedes usar una fórmula de mínimo condicional sobre la columna de ID de cliente.
3. Número de periodo: los meses que hay entre el mes de cohorte y el mes de actividad. El primer mes es el periodo 0.

Tras este paso, cada fila te dice: este cliente, que empezó en el mes de cohorte X, estuvo activo en el periodo N.

Paso 4: Crea la tabla de cohortes

Crea una tabla dinámica:

• Filas: mes de cohorte
• Columnas: número de periodo
• Valores: recuento de ID de cliente únicos

Usa recuentos únicos. Un cliente con tres pedidos en un mes debe contar una sola vez.

El resultado es un triángulo de recuentos:

Cohorte	Periodo 0	1	2	3	4	5
Ene	200	150	128	116	108	102
Feb	180	140	122	112	105
Mar	220	176	158	147
Abr	210	172	156
May	240	202
Jun	230

La forma de triángulo es normal: las cohortes más nuevas se han podido observar durante menos periodos.

Paso 5: Convierte los recuentos en porcentajes

Divide cada celda entre el valor del periodo 0 de su cohorte. Así las cohortes de distinto tamaño se pueden comparar.

Cohorte	Periodo 0	1	2	3	4	5
Ene	100 %	75,0 %	64,0 %	58,0 %	54,0 %	51,0 %
Feb	100 %	77,8 %	67,8 %	62,2 %	58,3 %
Mar	100 %	80,0 %	71,8 %	66,8 %
Abr	100 %	81,9 %	74,3 %
May	100 %	84,2 %
Jun	100 %

Si tienes los recuentos de una cohorte, la calculadora de tasa de abandono tiene un modo de cohortes: pega los números y te devuelve la retención por periodo y el churn de un periodo al siguiente.

Paso 6: Interpreta la tabla

Mira en tres direcciones.

A lo largo de una fila: cómo decae una cohorte

La cohorte de enero pierde el 25 % de sus clientes entre el periodo 0 y el 1, luego el 14,7 % de los que quedan entre los periodos 1 y 2 (de 150 a 128), y porcentajes menores después. Esta forma, una caída fuerte al principio seguida de un aplanamiento, es típica. El punto en el que la curva se aplana indica cuándo los clientes que se quedan ya se han «asentado».

Columna abajo: ¿son mejores las cohortes nuevas?

La retención del periodo 1 sube del 75,0 % (enero) al 84,2 % (mayo). Si cambiaste tu onboarding en marzo, esta es la prueba de que funcionó. Lee cada columna de arriba abajo para comparar cohortes con la misma antigüedad.

En diagonal: efectos del calendario

Las celdas de una misma diagonal caen en el mismo mes natural. Si una diagonal es inusualmente débil en todas las cohortes, algo pasó ese mes que afectó a todos: un cambio de precio, un problema de entregas, un efecto estacional.

Paso 7: Convierte los patrones en acciones

Patrón	Causa probable	Qué probar
Caída fuerte en el periodo 1	Los clientes no perciben valor lo bastante rápido	Mejora el onboarding; consulta el checklist de onboarding de clientes
Una cohorte mucho peor	La fuente de captación o la oferta atrajo clientes poco adecuados	Revisa de dónde vino esa cohorte; ajusta la segmentación o la oferta
La retención sigue cayendo y nunca se aplana	Problema de valor continuado	Habla con clientes veteranos que se fueron; revisa producto o servicio
Bajón repentino en una diagonal	Un suceso que afectó a todos los clientes	Mira qué pasó ese mes
Cohortes nuevas mejores a la misma edad	Los cambios recientes funcionan	Sigue así; documenta qué cambió

Ejemplo práctico: medir un cambio en el onboarding

Supón que un negocio de suscripción introdujo una llamada de bienvenida para los clientes nuevos a partir de marzo. Antes del cambio, la retención del periodo 1 promediaba (75,0 + 77,8) ÷ 2 ≈ 76,4 % en enero y febrero. Después del cambio, promedió (80,0 + 81,9 + 84,2) ÷ 3 ≈ 82,0 % de marzo a mayo.

Eso supone unos 5,6 puntos porcentuales más de clientes activos al cabo de un mes. En una cohorte de 220 clientes, son unos 12 clientes más al mes que superan el primer mes. Multiplícalo por su valor de vida del cliente para ver cuánto valen las llamadas de bienvenida.

Una advertencia: cohortes de este tamaño pueden oscilar unos puntos por azar, y quizá cambiaron otras cosas a la vez. Una mejora constante en varias cohortes es una prueba más sólida que un solo buen mes.

Errores habituales

• Contar pedidos en vez de clientes. Usa recuentos únicos de clientes por periodo.
• Periodos de distinta duración. Los meses naturales varían algo de duración; eso no suele ser problema. Mezclar semanas y meses, sí.
• Cohortes demasiado pequeñas. Si una cohorte tiene 15 clientes, una sola baja mueve la retención casi 7 puntos. Usa cohortes trimestrales si hace falta.
• Olvidar las reactivaciones. En tiendas, un cliente puede estar inactivo en el periodo 2 y volver a estar activo en el 3. No pasa nada; solo ten en cuenta que la retención puede subir a lo largo de una fila.
• Analizar una vez y no volver a hacerlo. Una tabla de cohortes es más útil si se actualiza cada mes, para poder comparar cada nueva cohorte.

Tu siguiente paso

Exporta doce meses de pedidos o pagos con ID de cliente y fecha, crea la tabla de cohortes siguiendo los pasos 3 a 5 y fíjate en la columna del periodo 1. Si es la caída más fuerte de tu tabla, tu próximo esfuerzo de retención debe centrarse en la experiencia inicial. Para más ideas sobre qué hacer después, consulta nuestras estrategias de fidelización de clientes.