A la hora de evaluar las métricas de negocio, hemos de analizar cómo éstas evolucionan a lo largo del tiempo para un mismo segmento de usuarios. Esta técnica se realiza con lo que se conoce como análisis de cohortes y sirve principalmente para analizar el ciclo de vida de los usuarios en tu producto.
Veamos un ejemplo para explicar mejor la necesidad de realizar análisis de cohortes. Muchas veces te pueden preguntar cuál es por ejemplo el ARPU (average revenue per user in a period of time) de tus usuarios, y muchos de vosotros sabríais responder perfectamente. No obstante, es posible que la respuesta no sea la más precisa ya que el ARPU de un usuario en su primer mes de vida no es el mismo que su ARPU en el décimo mes. Esa tendencia de la métrica de un grupo de usuarios a lo largo del tiempo (o su ciclo de vida) es lo que se conoce como cohorte. El tiempo del cohorte puede ser medido en la unidad de tiempo que queramos (días, semanas, meses o años) al mismo tiempo que la métrica a analizar puede ser cualquiera (retención, ARPU, conversión, etc.).
Pongamos un caso práctico para verlo mejor. Imaginémonos la siguiente tabla:
| ARPU | Month 0 | Month 1 | Month 2 | Month 3 | Month 4 | Month 5 |
| January | $0,07 | $0,20 | $0,30 | $0,10 | $0,05 | $0,02 |
| February | $0,08 | $0,20 | $0,30 | $0,10 | $0,05 | |
| March | $0,18 | $0,28 | $0,40 | $0,20 | ||
| April | $0,10 | $0,20 | $0,30 | |||
| May | $0,11 | $0,20 | ||||
| June | $0,12 | |||||
| Average | $0,11 | $0,22 | $0,33 | $0,13 | $0,05 | $0,02 |
Esta tabla anterior nos puede dar muchísima información. Dicha tabla refleja los ARPUs por cohortes desde Enero a Junio. Por ejemplo, podemos ver que los usuarios que se registraron en el mes de Enero, tienen un ARPU de $0,07 en el mes 0, es decir Enero, mientras que el ARPU de los usuarios de Enero en el mes 2, es decir Marzo, es de $0,30. De esta forma obtenemos el promedio del ARPU de nuestros usuarios desde su fecha de registro hasta el primer mes, segundo mes, tercer mes, y así consecutivamente.
Entrando en más detalle en los datos anteriores, podemos verlos desde dos puntos de vista. Si analizamos la evolución en las columnas, estaremos midiendo la eficacia del marketing y/o del producto. Pongámonos por ejemplo en el mes 0. Vemos como el ARPU va mejorando a medida que pasa el tiempo excepto Marzo como caso excepcional. Esto podría indicar o bien que hemos mejorado la experiencia del usuario en el primer mes de uso y por ende su conversión, o que bien hemos ido afinando más nuestra estrategia de marketing captando cada vez usuarios más cualitativos. Mientras que si analizamos la evolución en las filas, lo que estaremos midiendo es el ciclo de vida de nuestros usuarios. Aquí podemos ver por ejemplo que los usuarios comienzan a pagar más en el segundo y tercer mes, pero que a partir del cuarto baja drásticamente. Esto puede ser un indicador de que el usuario pierde interés a partir de dicho mes o de que tenemos un problema con el diseño del producto y por tanto el ciclo de vida del usuario se empieza a cerrar.
Para que entendamos mejor la utilidad de los cohortes, centrémonos en el cohorte del mes de Marzo de la tabla anterior y comparémoslo con los datos promedios:
| ARPU | Month 0 | Month 1 | Month 2 | Month 3 |
| March | $0,18 | $0,28 | $0,40 | $0,20 |
| Average | $0,11 | $0,22 | $0,33 | $0,13 |
Está claro que el mes de Marzo es una excepción que el equipo deberá analizar en detalle para entender qué sucedió dicho mes de Marzo. Lo más probable es que en Marzo hayamos realizado una campaña de captación de mayor calidad que el resto de meses, y si no se realiza un análisis por cohortes, dicho impacto habría pasado desapercibido al quedarse ‘camuflado’ por la media de todos los usuarios, tanto nuevos como retenidos de dicho mes de Marzo.
Nota: También es posible que la muestra del cohorte de Marzo tenga menos usuarios activos y al tratarse de una métrica ‘relativa’ (revenue/active users), ésta aumente considerablemente respecto a las demás. No es lo mismo que en Marzo tengamos por ejemplo 100 usuarios activos y que en el resto de meses tengamos 1.000. En caso de ser así, ahí tendremos la respuesta. Por ello se recomienda en los cohortes agregar una columna con los valores absolutos para comparar las muestras.
Hagamos un ejemplo ahora con la métrica de la retención mensual de los usuarios y representemos dichos datos en un gráfico:
| Retention | Month 0 | Month 1 | Month 2 | Month 3 | Month 4 | Month 5 |
| January | 50% | 30% | 20% | 15% | 20% | 15% |
| February | 55% | 35% | 23% | 18% | 15% | |
| March | 50% | 28% | 17% | 14% | ||
| April | 45% | 30% | 19% | |||
| May | 60% | 50% | ||||
| June | 50% |
Gracias a la visualización del gráfico podemos concluir rápidamente tres puntos importantes de los datos anteriores:
- La retención del mes de Febrero despunta sobre las demás. ¿Qué se hizo ese mes? ¿Son usuarios más cualitativos?
- La retención del mes de Mayo promete mucho respecto al resto. ¿Se ha hecho un cambio de producto que aumente la retención? ¿O simplemente se ha cambiado la estrategia de marketing?
- Para el cohorte del mes de Enero hay un despunte en el cuarto mes. ¿Por qué han vuelto más usuarios? ¿Se ha hecho una estrategia de remarketing?
En definitiva, un análisis de cohortes presenta una mejor perspectiva de nuestras métricas de negocio que nos permiten visualizar patrones en el ciclo de vida del usuario. Los análisis de cohortes se pueden realizar tanto para métricas absolutas (ingresos, usuarios activos, etc.) como para métricas relativas (retención, churn, conversión, etc.) e incluso, segmentar dichas métricas para el grupo de usuarios que nos interese, como por ejemplo, cohortes por mercado o producto.
El uso más práctico de los cohortes desde el punto de vista de negocio, es el análisis del retorno de la inversión del marketing mediante cohortes, pero eso lo veremos en futuros artículos 🙂
