retention-analysis

Skill de Análisis de Retención

Diagnostica por qué los usuarios se van, identifica qué los mantiene y recomienda intervenciones específicas y testables — no sugerencias vagas como "mejorar onboarding".

Fundamentos de Retención

La curva de retención tiene dos componentes:

1. Inclinación de la caída inicial (D1–D7) — problema de onboarding
2. Nivel base a largo plazo — indicador de product-market fit

Un producto con PMF tiene una curva de retención que se aplana. Si tiende a cero, tienes un problema de PMF, no de onboarding. Nombra esta distinción explícitamente.

---

Definiciones de Métricas de Retención

| Métrica | Fórmula | Qué te dice |

|---|---|---|

| Retención D1 | Usuarios que regresan el día 2 ÷ usuarios nuevos día 1 | Calidad de la primera experiencia |

| Retención D7 | Usuarios activos el día 8 ÷ usuarios que se unieron hace 7 días | Formación temprana de hábito |

| Retención D30 | Usuarios activos el día 31 ÷ usuarios que se unieron hace 30 días | Señal de product-market fit |

| Ratio DAU/MAU | Usuarios activos diarios ÷ usuarios activos mensuales | Stickiness (>20% bueno, >50% excelente) |

| Churn Rate | Usuarios perdidos en período ÷ usuarios al inicio del período | Mensual o anual |

| Net Revenue Retention | MRR al final del período ÷ MRR al inicio (misma cohorte) | Salud de ingresos incluyendo expansion |

---

Marco de Investigación de Retención

Paso 1: Segmenta el problema

No analices "retención" — analiza retención para cohortes específicas:

• Usuarios nuevos vs retornantes
• Pagados vs free
• Canal de adquisición (orgánico vs pagado vs referral)
• Onboarding completado vs no completado
• Uso de features (power users vs lurkers)

Paso 2: Encuentra los puntos de inflexión

¿Dónde ocurre la caída? ¿D1? ¿D7? ¿Mes 3?

• Caída D1 → Experiencia de primera sesión
• Caída D7 → Habit loop no formado
• Caída D30 → Valor no entregado en profundidad
• Caída Mes 3+ → Aburrimiento, competencia o evento de ciclo de vida

Paso 3: Identifica la correlación del "aha moment"

¿Qué comportamiento temprano predice retención a largo plazo?

• Ejecuta correlación: usuarios que hicieron [X] en los primeros 7 días vs retención de 30 días
• Patrones comunes: conectaron una integración, invitaron a un compañero, completaron una acción core N veces

Paso 4: Califica el churn

Entrevista a usuarios que hicieron churn — nunca lo saltes. Los datos de encuestas solos son insuficientes.

• "¿Cuál fue el trigger que te llevó a cancelar/dejar de usar?"
• "¿Qué estabas intentando lograr que no pudiste?"
• "¿Qué tendría que cambiar para que regreses?"

---

Formato de Output

Análisis de Retención — [Producto/Segmento] — [Fecha]

Pregunta: [Pregunta de retención específica siendo respondida]

Período Analizado: [Rango de fechas]

Segmento: [Qué usuarios]

---

Snapshot Actual de Retención:

| Métrica | Actual | Benchmark Industria | Estado |

|---|---|---|---|

| Retención D1 | [X%] | 25–40% | 🔴/🟡/🟢 |

| Retención D7 | [X%] | 10–25% | 🔴/🟡/🟢 |

| Retención D30 | [X%] | 5–15% | 🔴/🟡/🟢 |

| DAU/MAU | [X%] | 10–20% típico | 🔴/🟡/🟢 |

Forma de la Curva de Retención: [Aplana / Aún decayendo / Tiende a cero]

Señal PMF: [Fuerte / Débil / Ausente — basado en forma de curva]

---

Hipótesis de Causa Raíz:

| Hipótesis | Evidencia | Confianza | Test |

|---|---|---|---|

| [Causa] | [Punto de dato] | A/M/B | [Cómo validar] |

Correlación de "Aha Moment":

Usuarios que [acción específica] en los primeros [N] días retienen al [X%] vs [Y%] para quienes no lo hacen.

---

Intervenciones Recomendadas:

| Intervención | Caída Target | Lift Esperado | Esfuerzo | Prioridad |

|---|---|---|---|---|

| [Cambio específico] | D1 / D7 / D30 | [X%] | C/M/G | 1/2/3 |

Plan de Monitoreo:

• Métrica a trackear: [X]
• Cadencia de revisión: [Semanal / Mensual]
• Umbral de alerta: [Si X cae por debajo de Y, investiga inmediatamente]

---

Inputs Requeridos

Pide al usuario estos datos si no están provistos:

• Producto y modelo de negocio (SaaS / aplicación de consumidor / marketplace / otro)
• Métricas de retención actuales (D1, D7, D30 si están disponibles)
• Segmento a analizar (todos los usuarios / pagados / free / una cohorte específica)
• Pregunta clave a responder (¿por qué cae la retención? ¿qué impulsa la retención?)
• Datos disponibles (eventos de analytics, encuestas de churn, notas de entrevistas)

Checklists de Calidad

• [ ] La forma de la curva de retención está diagnosticada (aplana vs tiende a cero = PMF vs onboarding)
• [ ] Las cohortes están segmentadas antes del análisis (no todos los usuarios agrupados)
• [ ] La correlación de "aha moment" está identificada o marcada como desconocida
• [ ] Las intervenciones son específicas (no "mejorar onboarding")
• [ ] Las entrevistas de usuarios con churn se recomiendan (no solo análisis de datos)
• [ ] El plan de monitoreo incluye un umbral de alerta

Anti-Patrones

• [ ] No recomiendes "mejorar onboarding" sin especificar qué paso exacto cambiar y por qué
• [ ] No analices retención sin segmentar por cohorte — las curvas de retención agregadas ocultan patrones específicos de cohorte
• [ ] No trates DAU/MAU por debajo de 5% como problema de retención — a ese nivel, es un problema de product-market fit
• [ ] No saltes investigación cualitativa — las entrevistas de usuarios con churn revelan razones que los datos cuantitativos no pueden
• [ ] No establezcas una alerta de monitoreo sin especificar el umbral que la dispara

Directrices

• Nunca recomiendes "mejorar onboarding" sin especificar qué cambiar y por qué
• Haz benchmark contra la industria — aplicaciones de consumidor, SaaS y marketplaces tienen norms de retención muy diferentes
• Si DAU/MAU está por debajo de 5%, esa es una conversación de PMF, no una conversación de tácticas de retención
• Siempre recomienda hablar con usuarios con churn — ninguna cantidad de datos reemplaza entender la razón