Definición
El Cohort Analysis o análisis de cohortes es una técnica analítica que agrupa a los usuarios según el momento en que realizan una acción por primera vez (normalmente su primera compra, registro o activación) y compara su comportamiento posterior a lo largo del tiempo. En lugar de mirar métricas agregadas —como el revenue total del mes—, este método segmenta a los clientes en "cohortes" homogéneas y observa cómo evolucionan de forma longitudinal.
En el contexto DTC/eCommerce español, una cohorte típica sería: *"clientes que hicieron su primera compra durante la campaña de Black Friday 2024"*. A partir de ahí medimos cuántos de ellos repiten en el mes 1, mes 2, mes 3… y cuánto gastan acumuladamente. La clave está en separar el efecto tiempo del efecto mezcla: si el revenue sube, ¿es porque captamos más clientes o porque los antiguos están comprando más?
Analogía
Imagina que lanzas tres promociones distintas de captación en enero, febrero y marzo. Mirar el LTV global es como promediar las notas de tres clases diferentes de estudiantes y concluir que "el colegio va bien". El cohort analysis es poner a cada clase en su propia fila del boletín y ver si la clase de enero retiene mejor que la de marzo. Si la cohorte de marzo cae un 40% en el mes 2 mientras la de enero solo cae un 15%, el problema no es el mercado: es el canal, la oferta o el creativo de marzo.
Fórmula
Retención de cohorte en el periodo n:
$$
R_{(c,n)} = \frac{U_{(c,n)}}{U_{(c,0)}} \times 100
$$
Donde:
- $R_{(c,n)}$ = tasa de retención de la cohorte $c$ en el periodo $n$
- $U_{(c,n)}$ = usuarios únicos de la cohorte $c$ activos en el periodo $n$
- $U_{(c,0)}$ = tamaño inicial de la cohorte $c$
LTV acumulado por cohorte:
$$
LTV_{(c,n)} = \frac{\sum_{i=0}^{n} Ingresos_{(c,i)}}{U_{(c,0)}}
$$
Ejemplo numérico real (tienda de cosmética natural, España):
| Cohorte | Tamaño inicial | Retención M1 | Retención M3 | Retención M6 | LTV 6M |
|---|---|---|---|---|---|
| Ene 2024 (Meta Ads) | 4.200 | 28% | 17% | 11% | 42,50 € |
| Feb 2024 (Email + SEO) | 1.850 | 41% | 29% | 22% | 78,20 € |
| Mar 2024 (TikTok Ads) | 6.100 | 19% | 9% | 5% | 21,90 € |
Lectura: la cohorte de febrero es 3,6× más valiosa que la de marzo pese a ser 3,3× más pequeña. El canal importa más que el volumen.
Tabla comparativa: Cohort Analysis vs. métricas agregadas
| Criterio | Métricas agregadas | Cohort Analysis |
|---|---|---|
| Unidad de análisis | Periodo (mes, semana) | Grupo de usuarios con inicio común |
| Detección de problemas | Tardía (se diluye en el promedio) | Temprana (se ve en la curva de retención) |
| Atribución de canal | Limitada | Alta: compara cohortes por fuente |
| Uso en DTC | Reporting de dirección | Decisiones de inversión en adquisición |
| Métricas típicas | Revenue, AOV, CAC | Retención, LTV, payback period |
| Riesgo principal | Mezcla de cohortes enmascara churn | Necesita volumen mínimo por cohorte |
Aplicación en DTC/eCommerce
1. Decidir dónde invertir en adquisición. Si la cohorte de Google Shopping retiene al 25% en M3 y la de influencers al 8%, reasignas presupuesto aunque el CPA de influencers sea menor.
2. Medir el impacto real de una campaña de Black Friday. Comparas la cohorte BF 2024 con BF 2023: ¿el descuento atrajo compradores de una sola vez o clientes recurrentes?
3. Calcular payback period por canal. Con LTV por cohorte sabes en qué mes recuperas el CAC. Ejemplo: CAC 35 €, LTV M3 = 28 €, LTV M6 = 52 € → payback entre M4 y M5. Si el cohorte de TikTok no llega a 35 € ni en M12, ese canal destruye caja.
4. Optimizar el ciclo de vida del email/CRM. Las cohortes con retención M1 < 20% necesitan un flujo de onboarding agresivo en los primeros 30 días.
5. Detectar estacionalidad estructural. En moda, las cohortes de primavera retienen mejor que las de otoño en categorías de exterior; ajustas el forecast de recompra.
Errores comunes
- Cohortes demasiado pequeñas. Con menos de 300-500 usuarios por cohorte, la curva de retención es ruido estadístico. Mejor agrupar por semana o por mes según volumen.
- Confundir cohorte de adquisición con cohorte de comportamiento. Una cohorte se define por *cuándo* entró el usuario, no por *qué* hizo después.
- Ignorar el sesgo de supervivencia. Si excluyes clientes devueltos o fraudulentos, inflas la retención artificialmente.
- Comparar cohortes de distinta madurez. La cohorte de este mes solo tiene M1; no la compares con el LTV M12 de la del año pasado.
- Mirar solo retención y no revenue. Un cliente puede "retener" comprando un producto de 5 € cuando antes gastaba 80 €. Cruza siempre retención con ARPU por cohorte.
- Olvidar el contexto de mercado. Una cohorte captada durante una subida de precios o un cambio de política de envíos no es comparable con la anterior sin normalizar.
Términos relacionados
- Retention Rate — porcentaje de usuarios que repiten en un periodo.
- LTV (Lifetime Value) — valor total esperado de un cliente; el cohort analysis es su mejor calculadora.
- CAC (Coste de Adquisición de Cliente) — se compara contra LTV por cohorte para validar canales.
- Payback Period — tiempo necesario para recuperar el CAC con el margen del cliente.
- RFM Analysis — segmentación por Recencia, Frecuencia y Valor monetario; complementaria a las cohortes.
- Churn Rate — tasa de abandono; el inverso de la retención por cohorte.
- Cohort Retention Curve — representación gráfica de la caída de retención a lo largo del tiempo.