Análisis de Cohortes en Analítica Móvil: qué es, métricas y etapas de realización

¿Qué es el Análisis de Cohortes?

El Análisis de Cohortes es un método analítico que divide a los usuarios en grupos (cohortes) según el momento en que realizaron su primer evento objetivo, como instalar la app o registrarse. A diferencia de las métricas agregadas como DAU o MAU, las cohortes permiten rastrear el comportamiento del mismo grupo durante semanas y meses, revelando tendencias de retención y abandono.

La principal ventaja de este método es eliminar la ilusión de crecimiento, donde los usuarios antiguos ocultan los problemas de los nuevos. Según Amplitude Blog (2024), las empresas que adoptaron el análisis de cohortes reducen el abandono de usuarios entre un 20 y un 30% en los primeros 90 días.

Aplica el análisis de cohortes para evaluar la efectividad de campañas UA, comparar el comportamiento de diferentes versiones de la app y calcular el retorno de inversión en adquisición de usuarios.

Métricas Clave del Análisis de Cohortes

Tasa de Retención (Retention Rate)

La Tasa de Retención es el porcentaje de usuarios de una cohorte que regresaron a la app N días después de la instalación. Es la métrica principal de calidad del producto: si los usuarios no vuelven, los problemas están en la incorporación, la propuesta de valor o la estabilidad de la app. Según Statista (2025), la Retención promedio en Day-1 para apps móviles es del 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

Compara la Retención de tu cohorte con los benchmarks de la categoría y analiza qué cambios en el producto aumentaron los retornos.

LTV — Lifetime Value

LTV (Lifetime Value) es el ingreso total de todos los usuarios de una cohorte durante el período de observación. Esta métrica es crítica para evaluar el ROI de las campañas publicitarias y tomar decisiones sobre la escalabilidad de los presupuestos UA. Según el informe Adjust Benchmarks (2024), el LTV medio por usuario en juegos es de $3.50, en e-commerce — $1.80, y en utilidades — $0.40.

Calcula el LTV de la cohorte en Day-30, Day-90 y Day-180 para comprender el valor a largo plazo de los usuarios adquiridos.

Tasa de Cancelación (Churn Rate)

La Tasa de Cancelación es el porcentaje de usuarios de una cohorte que dejaron de usar la app. Un Churn alto en los primeros días señala problemas de incorporación o desajuste de expectativas. Según Localytics (2024), el 25% de los usuarios abandonan la app tras la primera apertura, y para el día 90 queda menos del 5%.

Monitorea el Churn Rate semanalmente — un aumento del 5% en una cohorte requiere un análisis inmediato de las causas de abandono mediante encuestas o grabaciones de sesiones.

Tipos de Cohortes por Período Temporal

Cohortes Diarias

Las Cohortes Diarias son usuarios que instalaron la app el mismo día. Es el corte más granular, permitiendo detectar anomalías: una caída repentina de la Retención en una fecha concreta puede indicar una falla técnica o una campaña creativa problemática. Las cohortes diarias se utilizan para monitoreo operativo y pruebas A/B cuando los cambios se realizan a diario.

Cohortes Semanales

Las Cohortes Semanales son usuarios que instalaron la app en la misma semana calendario. Proporcionan datos más estables, suavizando las fluctuaciones diarias. Son adecuadas para informes periódicos y comparación del rendimiento de canales publicitarios — el paso semanal neutraliza el efecto del día de la semana, donde la conversión puede diferir los fines de semana.

Cohortes Mensuales

Las Cohortes Mensuales son usuarios que instalaron la app en el mismo mes. Son óptimas para analizar tendencias a largo plazo, estacionalidad y calcular el LTV en un horizonte de 6 a 12 meses. Se utilizan a nivel de gestión de producto para decisiones estratégicas sobre el desarrollo del producto.

Cómo Realizar un Análisis de Cohortes

El Análisis de Cohortes consta de cuatro etapas: recopilación de datos, agrupación en cohortes, cálculo de métricas por período y visualización. Primero, define el evento objetivo — generalmente install, signup o first_purchase. Todos los usuarios que lo realizaron en un mismo período pertenecen a la misma cohorte.

Segundo, establece el intervalo temporal: día, semana o mes. Para cada período posterior (Day-1, Day-2, Day-3...), calcula el porcentaje de usuarios que regresan. Los resultados se resumen en una tabla de cohortes, donde cada fila es una cohorte, cada columna es un período y cada celda es un valor de métrica.

Tercero, calibra los datos: excluye cohortes con menos de 100 usuarios y considera la estacionalidad. Según Mixpanel (2024), las cohortes con menos de 50 usuarios arrojan resultados estadísticamente insignificantes con un margen de error superior al 20%. Cuarto, visualiza los datos como tabla de cohortes o mapa de calor — las filas (cohortes) y columnas (períodos) hacen que las tendencias de retención sean claras para los interesados.

Para una interpretación correcta, compara siempre cohortes del mismo tamaño: no es aceptable comparar una cohorte de 50,000 usuarios con una de 500. Normaliza las métricas como porcentaje del tamaño inicial de la cohorte, no como números absolutos — esto permite comparar grupos de tamaño desigual. Considera también el efecto de novedad: los usuarios que instalaron la app tras un gran evento de marketing pueden comportarse de manera diferente a las instalaciones orgánicas.

Herramientas para el Análisis de Cohortes

Las Herramientas de Análisis de Cohortes se dividen en las integradas en plataformas analíticas y las soluciones SQL personalizadas. Amplitude y Mixpanel ofrecen informes de cohortes listos para usar con cálculo automático de Retention y LTV, sin necesidad de escribir consultas. Firebase Analytics proporciona cohortes básicas por fecha de instalación desglosadas por días, semanas y meses.

Para cohortes personalizadas, usa consultas SQL en BigQuery o Redshift — esto te da control total sobre las métricas y los períodos. Según Amplitude (2024), los equipos que usan cohortes SQL personalizadas descubren un 35% más de insights de comportamiento que con informes estándar. Las herramientas de BI (Tableau, Looker, Google Data Studio) permiten construir paneles interactivos de cohortes para monitoreo periódico.

La elección de la herramienta depende de la madurez analítica del equipo. Al inicio, Firebase Analytics o las cohortes integradas de Amplitude son suficientes — cubren el 80% de las necesidades de análisis de cohortes. A medida que el equipo crece, migra a cohortes SQL en BigQuery: esto proporciona flexibilidad para definir métricas no estándar (por ejemplo, cohortes por fecha de primera compra en lugar de fecha de instalación) y permite construir modelos predictivos de LTV usando ML. Para visualización, usa Looker Studio, que se conecta directamente a BigQuery sin costo adicional.

Ejemplo de Análisis de Cohortes en SQL

Para calcular cohortes diarias por ti mismo, usa una consulta SQL que agrupe las sesiones por fecha de instalación. A continuación se muestra una consulta para BigQuery que devuelve el número de usuarios activos por día dentro de cada cohorte.

SELECT
  install_date AS cohort_date,
  DATE_DIFF(session_date, install_date, DAY) AS day_number,
  COUNT(DISTINCT user_id) AS active_users
FROM user_sessions
WHERE install_date BETWEEN '2025-01-01' AND '2025-03-31'
GROUP BY cohort_date, day_number
ORDER BY cohort_date, day_number;

Después de ejecutar la consulta, crea una tabla resumen en Google Sheets o una herramienta de BI. Cada fila es una fecha de cohorte, cada columna es el número de día (Day-1, Day-2, etc.). El porcentaje de usuarios activos se calcula como la relación entre active_users en el día N y active_users en Day-0 (día de instalación).

Errores Comunes en el Análisis de Cohortes

El primer error es trabajar con cohortes pequeñas. Si una cohorte contiene menos de 100 usuarios, cada abandono o retorno de una persona distorsiona significativamente el porcentaje. El tamaño mínimo de cohorte para conclusiones fiables es de 500 usuarios.

El segundo error es ignorar la estacionalidad. Una cohorte que instaló la app antes de Año Nuevo se comportará de manera diferente a una cohorte de mediados de enero. Compara siempre cohortes de la misma temporada o utiliza normalización de datos. Según Mixpanel (2024), las fluctuaciones estacionales pueden alcanzar el 30–40% en la Retención de Day-1.

El tercer error es confundir el análisis de cohortes con el análisis transversal. El análisis de cohortes rastrea un grupo a lo largo del tiempo, no compara diferentes grupos en un solo momento. Utiliza mediciones repetidas en la misma cohorte, de lo contrario obtendrás conclusiones falsas sobre el crecimiento de la Retención.