Cohort Analysis

Skill de Análisis de Cohortes

Produce un análisis de cohortes estructurado que cubre curvas de retención, estimación de LTV, segmentación comportamental, indicadores principales de churn y intervenciones priorizadas. El resultado está listo para presentar a liderazgo de producto o compartir con equipos de growth y datos.

Entradas Requeridas

Solicita cualquiera de estas que falte antes de empezar. No inventes números, benchmarks ni detalles de esquema.

Si el usuario no puede suministrar datos reales, produce el marco con placeholders claramente marcados ([X%], [£X], [N usuarios]) y nota qué secciones requieren datos reales para completarse.

Proceso

Sigue estos pasos en orden:

1. Confirma entradas — surfacea cualquier ambigüedad antes de producir output (p. ej. definiciones de cohorte conflictivas, ventana de observación faltante).
2. Define cohortes — establece evento de entrada, criterios de salida y exclusiones para que las cohortes sean mutuamente excluyentes.
3. Construye tabla de retención — completa o templatea la matriz período a período; identifica el período de meseta.
4. Proyecta LTV — usa solo datos de retención observados; marca si los datos son insuficientes.
5. Segmenta por comportamiento — crea segmentos comportamentales mutuamente excluyentes; identifica el threshold de activación.
6. Surface indicadores principales de churn — lista señales observables con tiempo de anticipación y mapeo de intervención.
7. Compara cohortes en el tiempo — evalúa si los cambios de producto se muestran en cohortes más nuevas.
8. Prioriza recomendaciones — vincula cada recomendación a un hallazgo de cohorte o segmento específico.
9. Proporciona referencia SQL — adapta la query template al esquema real del usuario si se suministra.
10. Ejecuta quality checks — verifica todos los ítems del checklist antes de entregar output.

Output Template

Produce las siguientes secciones en orden. Omite una sección solo si explícitamente está fuera de alcance; nota la omisión.

Análisis de Cohortes: [Producto / Feature]

Objetivo del análisis: [Retención / LTV / Segmentación comportamental / Predicción de churn] Definición de cohorte: [p. ej. Mes de adquisición — usuarios agrupados por mes de calendario de primer registro] Ventana de observación: [X meses / semanas] Métrica primaria: [Nombre de métrica y definición] Fuente de datos: [Tablas o métricas usadas — no inventes si no se suministraron] Fecha preparada: [Fecha]

1. Definiciones de Cohortes

Lógica de cohortes:

• Evento de entrada: [p. ej. Primer registro / Primera compra / Activación de feature]
• Definición de salida / churn: [p. ej. Sin actividad que coincida con evento de retención clave durante 30 días]
• Exclusiones: [p. ej. Cuentas internas de prueba, usuarios de trial con < 3 días de datos, cohortes con < [N] usuarios — ver anti-patterns]

Nota: Si alguna cohorte cae por debajo del threshold de tamaño mínimo para confiabilidad estadística, marca explícitamente y exclúyela de conclusiones de tendencias.

2. Curva de Retención

Cómo leer: Cada celda muestra el porcentaje de la cohorte que realizó el evento de retención clave en período N. Período 0 = 100% por definición.

Meseta de retención: [¿En qué período se aplana la curva? ¿En qué % se aplana? Si la ventana de observación es demasiado corta para mostrar una meseta, decláralo explícitamente.]

Observaciones clave:

• [p. ej. La caída más grande de período único es P1 → P2, promediando X pp — este es el momento de churn principal a abordar]
• [p. ej. Las cohortes adquiridas vía [canal] muestran X pp mayor retención en P6 vs el promedio general]
• [p. ej. La retención en P3 ha pasado de X% (cohorte más antigua) a Y% (cohorte más nueva) — un cambio de Z pp]

Gráfico de retención — renderiza una línea por cohorte, período en eje x:

chartCopy code
{
  "type": "line",
  "title": "Retención por cohorte (%)",
  "labels": ["P0", "P1", "P2", "P3", "P6", "P12"],
  "series": [
    { "name": "[Cohorte 1]", "data": [100, "[X]", "[X]", "[X]", "[X]", "[X]"] },
    { "name": "[Cohorte 2]", "data": [100, "[X]", "[X]", "[X]", "[X]", "[X]"] }
  ]
}

3. Proyección de LTV

Omite esta sección si los datos de ingresos no están disponibles. No estimes ARPU sin una fuente de datos — nota la brecha y solicítala.

ARPU por período: [Moneda y cantidad por usuario activo por período — sourced from: X] Curva de retención usada: [Qué cohorte o promedio combinado, y por qué]

LTV combinado en 12M: [£X — especifica qué cohortes y método de ponderación]

LTV por segmento:

4. Segmentación Comportamental

Los segmentos se definen por lo que hicieron los usuarios, no cuándo llegaron. Los segmentos deben ser mutuamente excluyentes y colectivamente exhaustivos dentro de la población analizada.

Threshold de activación (el "aha moment"): [¿Qué acción específica, realizada dentro de los primeros X días, predice mejor retención a largo plazo? Sourcea esto de los datos — no asumas una respuesta genérica.]

5. Indicadores Principales de Churn

Señales que aparecen antes de que los usuarios hagan churn, habilitando intervención pre-emptiva. Todas las señales listadas deben ser observables en datos de producción — marca cualquiera que sea teórica solamente.

Requerimiento de datos: La fortaleza de correlación debe venir de datos observados. Si no está disponible, marca como [Hipótesis — no validada aún] y recomienda un A/B test o análisis de supervivencia para confirmar.

6. Comparación de Cohortes: Tendencia en el Tiempo

Evalúa si los cambios de producto son visibles en resultados de retención para cohortes más nuevas.

Veredicto: [¿Están las cohortes más recientes desempeñándose mejor o peor? ¿Qué se deployó durante este período que podría explicar el cambio? Si no hay explicación causal disponible, decláralo — no inventes una.]

7. Recomendaciones

Cada recomendación debe referenciar una cohorte, segmento o señal específica de las secciones anteriores. El consejo genérico que podría aplicar a cualquier producto debe ser cortado.

Si el impacto esperado no puede estimarse a partir de datos disponibles, decláralo — no fabrique un porcentaje de lift.

8. Referencia SQL

Adapta este template al esquema real del usuario si se suministra. Reemplaza nombres de tablas y columnas placeholder — no ships una query que el usuario no pueda ejecutar.

sqlCopy code
-- Query de cohorte de retención
-- Reemplaza: users, events, created_at, event_date, user_id, event_type, [start_date], [key_retention_event]
SELECT
  DATE_TRUNC('month', u.created_at)    AS cohort_month,
  DATE_TRUNC('month', e.event_date)    AS activity_month,
  DATEDIFF('month', u.created_at, e.event_date) AS period,
  COUNT(DISTINCT e.user_id)            AS retained_users,
  COUNT(DISTINCT c.user_id)            AS cohort_size,
  ROUND(
    COUNT(DISTINCT e.user_id) * 100.0
    / NULLIF(COUNT(DISTINCT c.user_id), 0), 1
  )                                    AS retention_rate
FROM users u
JOIN (
  SELECT user_id, DATE_TRUNC('month', created_at) AS cohort_month
  FROM users
  WHERE created_at >= '[start_date]'
) c ON u.user_id = c.user_id
   AND DATE_TRUNC('month', u.created_at) = c.cohort_month
JOIN events e
  ON u.user_id = e.user_id
 AND e.event_type = '[key_retention_event]'
GROUP BY 1, 2, 3
ORDER BY 1, 3;

Adapta para tu stack: BigQuery usa DATE_DIFF; Redshift usa DATEDIFF; Snowflake usa DATEDIFF o TIMESTAMPDIFF. Confirma dialect antes de ejecutar.

Rubric de Scoring (0–40)

Puntúa cualquier output de esta skill antes de entregarlo; 32+ es ship-quality.

Quality Checks

Ejecuta todos los checks antes de entregar output. No marques un check como pasado a menos que sea verificablemente verdadero dado los datos suministrados.

• Exclusividad mutua: Ningún usuario puede aparecer en dos cohortes — evento de entrada y límites de fecha son unambiguos
• Meseta de retención: La curva muestra una meseta visible, o el análisis explícitamente declara la ventana demasiado corta para confirmar una
• Grounding de LTV: Las proyecciones de LTV usan retención observada y ARPU observado — no figuras asumidas
• Segmentos comportamentales: Mutuamente excluyentes y colectivamente exhaustivos — cada usuario en alcance cae en exactamente un segmento
• Tamaño mínimo de cohorte: Cualquier cohorte por debajo del threshold de confiabilidad está marcada y excluida de conclusiones de tendencias
• Señales de churn: Todos los indicadores principales listados son observables en datos de producción, o explícitamente marcados como hipótesis
• Recomendaciones ancladas: Cada recomendación referencia un hallazgo específico — no consejos de growth flotantes
• SQL adaptado: La query usa los nombres de tabla/columna reales del usuario si esquema fue proporcionado

Anti-Patterns

Evita estos failure modes — producen análisis que parecen rigurosos pero no pueden ser confiados o actados.

Frases Trigger

Esta skill se activa en frases incluyendo:

• "Ejecuta un análisis de cohortes para [producto]"
• "Analiza retención por mes de adquisición"
• "¿Cuál es el LTV de usuarios de [canal] vs [canal]?"
• "Construye un modelo de retención de cohortes desde"

Ejemplos de Frases Trigger

• "Ejecuta un análisis de cohortes."
• "Analiza retención por cohorte."
• "Calcula valor de vida útil por período de adquisición."