Analizar la retención de usuarios no se trata solo de mirar una gráfica y decidir si es buena o mala. Aquí descubres cómo leer cohortes, calcular métricas como quick ratio y net adds, y usar mapas de calor para encontrar pistas reales sobre qué mueve tu producto.

Este enfoque está pensado para founders, product managers y equipos de growth que ya tienen datos pero no saben cómo convertirlos en decisiones accionables.

¿Cómo saber si la retención de tu producto es buena o mala?

El primer nivel de análisis es el más simple: mirar la forma de la curva de retención y juzgarla a ojo entrenado.

Hay tres patrones que debes reconocer de inmediato:

• Curva con sonrisa: tu retención cae al inicio y luego sube. Es excepcional, los usuarios regresan.
• Curva estática: cae y se queda plana. Es aceptable, mantienes una base.
• Curva descendente: solo va hacia abajo. Es un balde con fugas, eventualmente te quedas sin agua.

Si tu curva pertenece al tercer grupo, no importa cuántos usuarios adquieras: los vas a perder.

¿Qué es el quick ratio y cómo se calcula?

El quick ratio te dice cuántas personas se van por cada persona que sumas. Es una de las métricas más honestas para medir la salud de tu crecimiento.

¿Qué es el quick ratio? Es la suma de nuevos usuarios más usuarios resucitados, dividida entre los usuarios perdidos. Si el resultado es 5.7, ganas 5.7 personas por cada una que pierdes.

Un promedio sano está bien por encima de uno. Si tu quick ratio se acerca a 1, estás en problemas: por cada usuario nuevo, pierdes uno, y tu crecimiento real es cero. En el ejemplo del ejercicio, junio y julio mostraron un quick ratio de 1.8, lo que significa un crecimiento neto de 0.8 personas por usuario sumado. Ahí toca investigar.

¿Y qué son los net adds?

Los net adds son los usuarios netos que realmente te quedaron después de restar los que se fueron. La fórmula es: nuevos usuarios menos dormant.

Esta métrica revela una verdad incómoda. Imagina que tu equipo de adquisición logra atraer 400 usuarios en abril, cuatro veces más que los 100 con los que empezaron. Pero los net adds son apenas 93. Toda esa eficiencia operativa se diluye porque la retención está dejando ir tantos usuarios como los que entran.

El crecimiento real no es lo que adquieres, es lo que retienes.

¿Cómo leer un mapa de calor de cohortes?

El segundo nivel de análisis es visual. Aplicas color a tu tabla de cohortes: verde cuando la retención está por encima del promedio y rojo cuando está por debajo. De ahí salen patrones que cuentan historias.

¿Qué significan las diagonales en los cohortes?

Una diagonal de color indica que algo pasó en un mes específico que afectó a todos los cohortes al mismo tiempo. En el ejemplo, junio de 2018 muestra una diagonal roja: ese mes ocurrió un evento que golpeó a todos por igual. Tu trabajo es revisar qué cambiaste, qué lanzaste o qué falló para construir teorías y ponerlas a prueba.

Las diagonales verdes funcionan igual, pero al revés: identificas un evento que mejoró la retención de todos.

¿Qué significa una columna vertical verde?

Cuando ves una columna vertical con un solo color fuerte, significa que algo cambió para los usuarios nuevos en ese mes específico. Si es verde, hiciste algo bien que está reteniendo más usuarios desde el primer mes.

Y aquí viene lo interesante: si logras que la curva deje de perder usuarios en los primeros meses, estás levantando toda la curva hacia el futuro. El efecto es exponencial, porque cada cohorte nuevo arranca desde un punto más alto.

¿Cómo segmentar cohortes por características y features?

El tercer nivel es segmentar. Aquí divides tus cohortes por características demográficas o por features específicos del producto y comparas las curvas de retención entre segmentos.

Puedes graficar la retención de usuarios por país: Colombia, México, Chile, Argentina, Uruguay. O puedes comparar usuarios que descargaron la app móvil contra los que no.

¿Una mejor retención en un segmento prueba causalidad? No. Solo demuestra correlación. Que los usuarios de Colombia retengan mejor no significa que ser colombiano cause mejor retención. Puede ser coincidencia o un fit particular del producto con ese mercado.

Para pasar de correlación a causalidad necesitas hablar con esos usuarios. Entrevistarlos. Entender si hay una necesidad específica que tu producto resuelve mejor en ese segmento.

¿Cómo encontrar use cases ocultos en tus datos?

Aquí es donde te conviertes en detective. Las pistas pueden llevarte a ningún lado, pero también pueden revelar un use case que no sabías que existía.

El ejemplo clásico es Airbnb descubriendo que parte de sus usuarios lo usan para vivir de manera nómada, no para vacaciones cortas. Ese segmento podría tener mayor frecuencia, mayor revenue y estar completamente desatendido por el producto.

Cuando comparas la retención entre usuarios con y sin app móvil y no ves diferencia clara, no fuerces la conclusión. A veces la curva apenas insinúa una sonrisa al final, y eso es un long shot que puede explorarse, pero sin gastar todos tus recursos ahí.

La retención no se mejora con suposiciones. Se mejora siguiendo pistas, hablando con usuarios y validando teorías con datos. ¿Qué patrón encontraste tú la última vez que revisaste tus cohortes? Cuéntalo en los comentarios.