# Analiza la retención por cohortes

- **URL canónica:** https://playbook.affpartners.io/es/apps/practices/retention-cohorts/
- **Versión Markdown:** https://playbook.affpartners.io/es/apps/practices/retention-cohorts/index.md
- **Módulo:** Retención
- **Tiempo:** 90 minutos para el primer reporte

Una tasa de retención global mezcla usuarios distintos y rara vez explica qué arreglar. Divide a las personas en grupos comparables y encuentra una diferencia ligada a una experiencia concreta.

## Resultado

Una tabla de cohortes, una diferencia significativa entre grupos, una causa probable y un cambio para validar en el próximo periodo.

## Una cohorte es un grupo que empezó la ruta junto

Piensa en las clases de un mismo año escolar: un grupo empezó a usar la app en la misma semana, así que se puede comparar con la semana vecina. Después, dentro del grupo, pruebas una sola diferencia: plataforma, país o la primera acción útil.

## Qué vas a necesitar

- **Reporte:** AppMetrica, Firebase, Amplitude o una hoja de cálculo con la fecha del primer inicio de cada usuario y sus visitas posteriores.
- **Definiciones:** Un significado común de instalación, registro, visita, primera acción útil y FTD para todo el equipo.
- **Periodo:** Al menos de 4 a 6 semanas completas, para que la comparación de D7 no incluya días que todavía no ocurrieron.

## Términos en lenguaje sencillo

- **Retention — La proporción de usuarios que vuelven:** Definición: Muestra cuántas personas vuelven a abrir la app pasado un periodo determinado desde la instalación o el registro. Ejemplo: Si 18 de 100 usuarios nuevos vuelven a los siete días, el retention D7 es del 18%.
- **D1 / D7 / D30 — Regreso a los 1, 7 o 30 días:** Definición: La D viene de day, día. La métrica muestra qué proporción de un grupo de usuarios nuevos volvió después del número de días elegido. Ejemplo: D7 = 18% significa que 18 de cada 100 usuarios nuevos volvieron a los siete días.
- **Cohort — Usuarios que comparten una fecha o una característica:** Definición: Las cohortes permiten comparar usuarios parecidos sin mezclar periodos, versiones ni mercados distintos. Ejemplo: Los usuarios que instalaron la app durante la misma semana forman una cohorte semanal.
- **Segment — Usuarios que comparten un comportamiento o una característica:** Definición: Un segmento agrupa personas por plataforma, mercado, interés o acción para que el equipo no envíe el mismo mensaje a todo el mundo. Ejemplo: Usuarios de Android que empezaron pero no completaron el registro en las últimas 24 horas.
- **FTD — El primer depósito de un usuario:** Definición: La primera vez que un usuario registrado fondea su cuenta. Es el resultado de toda la ruta, no un botón suelto que haya que promocionar con más insistencia. Ejemplo: Si 100 personas completan el registro y 24 hacen un primer depósito, la conversión a FTD es del 24%.
- **Conversion — La proporción de personas que pasan al siguiente paso:** Definición: Muestra cuántas de las personas que empezaron un paso lo completaron o llegaron al siguiente. Ejemplo: 80 registros completados de 100 iniciados: 80 ÷ 100 × 100% = 80% de conversión.

## Cuándo aplicarla

El equipo ve la retención media pero no sabe qué grupo cambió, después de qué release ni con qué experiencia de usuario está relacionado.

## Cómo armar el primer reporte

Empieza por las semanas de primer inicio y una sola división. Cuantos más segmentos agregues a la vez, más fácil es encontrar una diferencia casual sin una acción clara detrás.

- **Reporte de retención**
  - **Fuente:** Arma cohortes semanales por primer inicio y muestra D1, D7 y D30 solo para periodos completos.
  - **Si no hay acceso:** En una hoja de cálculo, guarda la fecha del primer inicio y los días activos posteriores; cuenta si cada usuario volvió a los 1, 7 y 30 días.
- **Primera acción útil**
  - **Fuente:** Divide una cohorte entre quienes llegaron al primer resultado útil en su primera sesión y quienes no.
  - **Si no hay acceso:** Si no hay evento, usa el resultado confirmado más cercano: un elemento guardado, una lección terminada o una verificación exitosa.
- **Historial de cambios**
  - **Fuente:** Pon junto a la tabla las versiones de la app, los releases importantes y las campañas: pueden explicar diferencias entre semanas.
  - **Si no hay acceso:** Si no hay changelog, reconstruye el calendario con los releases de la tienda y las fechas de lanzamiento de las comunicaciones importantes.

## Arma una comparación de cohortes útil

1. **Fija el inicio y el regreso.** Elige un evento de inicio —normalmente el primer inicio o el registro— y una definición de día activo. No cambies las definiciones entre grupos.
   - **Dónde hacerlo:** En la descripción del reporte, encima de la tabla.
   - **Ejemplo:** Cohorte: la semana del primer inicio; regreso: cualquier acción útil, no una apertura técnica en segundo plano.
2. **Toma solo semanas completas.** Compara solo grupos cuyo día objetivo ya pasó. No puedes evaluar el D30 de usuarios que llegaron hace diez días.
   - **Dónde hacerlo:** En el filtro de periodo del reporte.
   - **Ejemplo:** Para el D7, toma cohortes que se completaron hace al menos ocho días.
3. **Agrega una sola división.** Elige plataforma, versión, país o la primera acción útil. Una sola división liga la diferencia a una experiencia concreta.
   - **Dónde hacerlo:** En las filas o en el filtro de la tabla de cohortes.
   - **Ejemplo:** Compara Android 4.2 con iOS en la misma semana, no plataforma × país × fuente × campaña todo a la vez.
4. **Busca una diferencia estable.** Revisa el tamaño del grupo y las semanas vecinas. Una brecha pequeña de 20 usuarios no debe convertirse en una gran conclusión de producto.
   - **Dónde hacerlo:** En las columnas de tamaño, D1 y D7.
   - **Ejemplo:** El D7 de Android 4.2 está 8 puntos porcentuales por debajo tres semanas seguidas, con más de 500 usuarios por grupo.
5. **Liga la conclusión a una revisión.** Anota la causa probable, un responsable y un cambio o una investigación. Un reporte sin siguiente acción no ayuda al producto.
   - **Dónde hacerlo:** En la última columna y en la tarea del equipo.
   - **Ejemplo:** Revisar la pantalla nueva de onboarding de Android 4.2; responsable: el equipo móvil; para la próxima semana.

## Ejemplos prácticos

- **La caída está en Android 4.2, no en todas partes:** El D7 está 8 puntos porcentuales por debajo tres semanas seguidas, con más de 500 usuarios por grupo; iOS en esas mismas semanas se mantiene estable. La decisión: revisar los cambios de onboarding de 4.2 en lugar de escribir a todo el mundo.
- **El primer resultado útil explica la brecha:** Los usuarios que obtuvieron un resultado útil en su primera sesión tienen un D7 del 28%; el resto, del 5%. El equipo hace más visible la ruta hacia el resultado y revisa la siguiente cohorte semanal.

## Artefacto final: Una tabla, una conclusión

Compara primero cuatro grupos por un solo atributo. No conviertas el primer reporte en decenas de filtros.

| Cohorte / segmento | Tamaño | D1 | D7 | Conclusión y acción |
| --- | --- | --- | --- | --- |
| Semana del 3 al 9 de junio · todos | 2.400 | 32% | 14% | Línea base |
| Llegaron al primer resultado útil | 1.080 | 51% | 28% | Hacer la ruta más visible |
| No llegaron al valor | 1.320 | 17% | 5% | Revisar el onboarding |
| Android · versión 4.2 | 620 | 24% | 8% | Revisar el release 4.2 |
| iOS · misma semana | 710 | 35% | 16% | No hay caída en toda la plataforma |

Conclusión: el problema se concentra en Android 4.2 y entre los usuarios que no llegaron al primer resultado útil. La primera acción es revisar los cambios de onboarding de esa versión, no enviar un mensaje masivo a todo el mundo.

## Lista de verificación del reporte

Antes de sacar una conclusión, comprueba que comparas grupos comparables y periodos completos.

- [ ] El inicio de la cohorte y el día activo están definidos igual para todas las filas.
- [ ] El D1, el D7 y el D30 se calculan solo para periodos completos.
- [ ] Cada grupo tiene un tamaño y se usa una sola división principal.
- [ ] Las versiones de la app, los releases y las campañas importantes están anotados al lado.
- [ ] La conclusión termina con una acción, un responsable y una fecha de revisión.

## Cómo saber si el análisis sirve

- **Claridad del segmento:** El equipo puede nombrar el grupo concreto y la diferencia, no solo la tasa global de retención.
- **Repetibilidad:** La diferencia aparece con un tamaño suficiente y no desaparece al revisar las semanas vecinas.
- **Decisión:** Se toma una acción y la siguiente cohorte mostrará si la ruta elegida cambió.

## Regla principal

No busques al usuario promedio: busca un grupo concreto, una barrera clara y una decisión que la próxima cohorte pueda poner a prueba.

## Crece con GameChange Partners

[Explorar el programa de afiliados ↗](https://gamechange.partners/es?utm_source=academy&utm_medium=referral&utm_campaign=gcpacademy)

---

- [Versión HTML](https://playbook.affpartners.io/es/apps/practices/retention-cohorts/)
- [Todas las prácticas](https://playbook.affpartners.io/es/apps/)