Análisis de retención
El análisis de retención te ayuda a entender qué tan bien mantienes la interacción de los usuarios a lo largo del tiempo. Responde a la pregunta: «De los usuarios que hicieron X el día 0, ¿qué porcentaje volvió e hizo Y el día 1, el día 2 y así sucesivamente?»
Mediante un análisis basado en cohortes, agrupas a los usuarios por el momento en que actuaron por primera vez y después mides qué proporción regresa en cada período posterior.
Dos modos
Un selector en la parte superior de la página determina cómo quieres ver la retención:
- Estándar: un análisis de todas las cohortes, con una curva, una matriz de cohortes e información derivada.
- Comparar segmentos: elige dos o más segmentos guardados y compara su retención lado a lado.
Casos de uso habituales
| Caso de uso | Evento de entrada de cohorte | Evento de retorno | Qué mide |
|---|---|---|---|
| Adherencia al producto | Registro | Vista de página | ¿Los usuarios vuelven tras registrarse? |
| Retención de compra | Compra | Compra | ¿Los clientes vuelven a comprar? |
| Adopción de funciones | Uso de función X | Uso de función X | ¿La función genera hábito? ¿Los usuarios siguen usándola? |
| Éxito de incorporación | Registro completado | Acción principal | ¿Los usuarios incorporados interactúan con el producto? |
| Interacción con contenido | Primera lectura de artículo | Lectura de artículo | ¿Los lectores vuelven por más contenido? |
| Interacción con la app | Instalación de app | Apertura de app | ¿Los usuarios abren la app regularmente? |
Acceder al análisis de retención
Ve a Analítica → Retención desde la barra lateral.
La barra de configuración
Los dos modos comparten el mismo conjunto de controles en la parte superior de la página.
Evento de entrada de cohorte frente a evento de retorno
Estos dos eventos son la base de todo análisis de retención, y su diferencia es importante:
- Evento de entrada de cohorte: la acción que define cuándo «empieza» un usuario. Los usuarios se agrupan en cohortes según el día en que realizaron por primera vez este evento (registro, primera compra, instalación de la app, etc.).
- Evento de retorno: la acción que cuenta como volver. En cada período posterior, comprobamos si un usuario realizó este evento.
Los dos pueden ser el mismo (para medir comportamiento repetido, como compra → compra) o distintos (para medir la interacción después de un punto de entrada, como registro → sesión iniciada).
Intervalo y períodos
| Configuración | Opciones | Descripción |
|---|---|---|
| Intervalo | Diario, semanal, mensual | El tamaño de cada período de retención. |
| Períodos | 7, 14, 30 | Cuántos períodos se deben seguir. |
Al elegir un intervalo:
- Diario: ideal para productos de alta frecuencia (apps sociales, juegos).
- Semanal: un buen equilibrio para la mayoría de los productos.
- Mensual: ideal para productos de baja frecuencia (B2B, utilidades).
Cuando el intervalo cambia solo
La matriz tiene una fila por intervalo y una columna por período, así que un rango de fechas largo con intervalo diario pide una cuadrícula enorme: diez años de días por treinta períodos superan las cien mil celdas. Por encima de lo que el informe puede devolver, usa el siguiente intervalo - lo diario pasa a semanal - y lo indica bajo el control Intervalo.
No se pierde nada, solo la resolución de la fecha de inicio, y un gráfico de diez años con días sueltos nunca fue legible. Acorta el rango si quieres recuperar el intervalo más fino.
Tamaño mínimo de cohorte
Establece la cohorte más pequeña que merece mostrarse, con opciones de 1, 10, 25 o 50 (por defecto, 10). Las cohortes por debajo de este tamaño desaparecen de las filas de la matriz, de «Usuarios analizados» y del recuento de cohortes, y en modo comparación se dibujan discontinuas.
También decide de qué cohortes sale cada cifra: los porcentajes principales, la curva, la fila «Todas las cohortes» y las conclusiones describen exactamente las filas que muestra la tabla, así que la fila siempre suma las filas de debajo. La ponderación sigue haciendo que una cohorte grande pese más que una pequeña. Elige 1 para incluir todas las cohortes.
Exportar CSV
Exporta los datos de retención como CSV para analizarlos más o crear informes. El botón se habilita una vez que has ejecutado un análisis.
Modo estándar
Fila de KPI
- Usuarios analizados: total de usuarios de todas las cohortes incluidas.
- Día 1: retención en el primer período.
- Día 7: retención en el séptimo período.
- Día N: retención en el último período seleccionado.
(Las etiquetas siguen tu intervalo: semanas o meses en lugar de días.)
La curva de retención
La curva muestra la retención a lo largo del tiempo como un promedio ponderado por tamaño de las cohortes de la tabla. La ponderación importa: un promedio simple permitiría que una cohorte de dos usuarios con 100 % contase tanto como una cohorte de 996 usuarios por debajo del 1 %, lo que representaría muy mal la realidad. Ponderar por tamaño de cohorte significa que cada cohorte influye en la curva en proporción a los usuarios que realmente contiene.
Por definición, la curva comienza en D0 = 100 %: el día de entrada están presentes todos los usuarios de la cohorte.
La matriz de cohortes
Debajo de la curva, la matriz muestra una fila por cohorte y una columna por período:
- Se omite la columna D0. Por definición siempre es 100 %, así que se deja fuera para mantener la atención en los períodos que varían.
- Una fila «Todas las cohortes» queda fijada arriba como línea de referencia ponderada - el mismo promedio ponderado por tamaño de la curva - para que puedas comparar cada cohorte con la tendencia general.
- Escala térmica: las celdas se tiñen según la retención. Las celdas cero son neutrales: en lugar de teñirse en el extremo frío de la escala, muestran una raya corta atenuada y el valor exacto al pasar el cursor. Así los ceros reales no parecen «simplemente bajos».
- Celdas «todavía no»: una cohorte que no ha vivido lo suficiente para alcanzar un período muestra un todavía no punteado, nunca un cero ni una raya. Además queda fuera de la cifra principal de ese período, así que una cohorte joven no puede arrastrarla hacia abajo.
- Barra de tamaño: cada cohorte muestra una barra para su tamaño y aparece un icono de advertencia en cualquier cohorte por debajo del tamaño mínimo.
Dos interruptores ajustan la matriz:
- Ocultar cohortes con todo ceros: elimina las filas que nunca tuvieron retornos.
- Mostrar usuarios: alterna las celdas entre recuentos absolutos de usuarios y porcentajes.
Ejemplo de matriz (semanal)
| Cohorte | Semana 1 | Semana 2 | Semana 3 | Semana 4 |
|---|---|---|---|---|
| Todas las cohortes | 49 % | 35 % | 30 % | 26 % |
| 1-7 de ene. | 45 % | 32 % | 28 % | 25 % |
| 8-14 de ene. | 48 % | 35 % | 30 % | 27 % |
| 15-21 de ene. | 52 % | 38 % | 33 % | todavía no |
| 22-28 de ene. | 50 % | 36 % | todavía no | todavía no |
Interpretación:
- El 45 % de los usuarios del 1 al 7 de enero volvió en la semana 1 y el 32 % en la semana 2.
- La fila fijada «Todas las cohortes» ofrece el valor de referencia ponderado para comparar cada cohorte.
- Las cohortes más recientes tienen tasas más altas en la semana 1, por lo que la retención parece estar mejorando.
Qué significa esto
La sección Qué significa esto convierte los números en conclusiones fáciles de entender y normalmente cubre:
- La tasa de retención del día 1 (primer período).
- La lectura del ciclo de hábito: si la cola se ha estabilizado, señal de que has llegado a un núcleo de usuarios habituales que siguen regresando.
- La cohorte con mejor rendimiento.
- Cuántas cohortes se excluyeron por estar por debajo del tamaño mínimo.
Modo Comparar segmentos
El modo Comparar segmentos sitúa distintas audiencias unas junto a otras. Usa los segmentos que ya mantienes - los mismos a los que apuntan tus campañas y recorridos -, de modo que una audiencia se define en un solo sitio en vez de copiarse a una segunda definición que después se desvía.
- Cambia a Comparar segmentos.
- Elige tu Evento de entrada de cohorte y tu Evento de retorno.
- Añade de 2 a 10 segmentos guardados en el cuadro de búsqueda. El selector consulta tus segmentos mientras escribes en lugar de cargar la lista entera, así que funciona en un espacio de trabajo con miles de ellos.
- Ejecuta la comparación.
Cada segmento se analiza por separado: los usuarios se agrupan en cohortes según el día en que realizaron por primera vez el evento de entrada, igual que en el modo Estándar, y la línea que comparas es la curva de ese segmento ponderada por tamaño.
Verás lo siguiente:
- Tarjetas KPI por segmento: las cifras principales de retención de cada segmento seleccionado.
- Curva de comparación: la retención de cada segmento superpuesta en un gráfico. Las líneas se dibujan con segmentos rectos que conectan cada intervalo, porque la retención solo se define en los puntos de intervalo, no entre ellos. Cualquier segmento por debajo del tamaño mínimo se dibuja discontinuo con una advertencia, para señalar visualmente las muestras pequeñas.
- Banner de muestra pequeña: aparece una banda ámbar cuando uno o más segmentos seleccionados están por debajo del tamaño mínimo, recordándote que interpretes esas líneas con precaución.
- Tabla de hitos clave: retención en los períodos 1, 7 y 14 de cada segmento (etiquetados con tu intervalo, es decir Semana 1 / Semana 7 / Semana 14 en un análisis semanal), con la diferencia de puntos +/- respecto al primer segmento seleccionado para saber cuál retiene mejor o peor y en qué medida.
Cuando un segmento es demasiado grande para analizarlo entero
Algunos segmentos son mayores de lo que el análisis puede resolver en una pasada: el límite son 50.000 miembros. Por encima, la comparación mide una muestra aleatoria del segmento. La muestra es aleatoria y determinista, nunca «los primeros 50.000», lo que inclinaría la respuesta hacia los miembros que casualmente se ordenan antes. Y la página lo dice, en lugar de dibujar un subconjunto como si fuese la audiencia completa:
- la línea del segmento se marca como parcial en la leyenda del gráfico;
- su tarjeta KPI y su fila de hitos llevan ambas el texto «El segmento es demasiado grande para analizarlo entero - se midió sobre una muestra aleatoria de 50.000 de 480.000 miembros», es decir cuántos se midieron y el tamaño real del segmento;
- una banda ámbar sobre las tarjetas nombra todos los segmentos a los que les ha ocurrido.
Lee una línea parcial como una muestra aleatoria de ese segmento, no como la retención del segmento. Acortar el rango de fechas o afinar el segmento suele devolverlo por debajo del límite.
Para quitar el límite en un segmento que comparas a menudo, activa Mantén este segmento listo para los informes en el propio segmento. Su pertenencia queda guardada y lista, la comparación analiza el segmento completo sea cual sea su tamaño, y la tarjeta indica «Segmento completo - miembros a fecha de ...» en lugar de la etiqueta «parcial». El intercambio es que la pertenencia se reconstruye cada noche en vez de calcularse en el momento en que preguntas, y por eso la tarjeta dice cuándo se construyó. Consulta Crear segmentos.
Un segmento que el análisis no pudo ejecutar en absoluto es otro caso: su fila indica no se pudo cargar y no dibuja línea. Un fallo nunca se dibuja como 0 %, porque «no pudimos medirlo» y «nadie volvió» no son la misma respuesta.
Casos de uso de la comparación de segmentos
| Comparación | Qué revela |
|---|---|
| Usuarios avanzados frente a usuarios ocasionales | Cómo afecta el nivel de interacción a la retención |
| Usuarios de iOS frente a Android | Patrones de retención específicos por plataforma |
| Usuarios de pago frente a gratuitos | Impacto de la monetización en la retención |
| Campaña A frente a campaña B | Qué canal de adquisición atrae usuarios con más adherencia |
| Usuarios de la función X frente a no usuarios | Si una función mejora la retención |
Crear segmentos para comparar
Los segmentos se crean en Segmentos. Un segmento puede construirse sobre eventos realizados, frecuencia de eventos, propiedades de usuario, ventanas de tiempo, comportamiento de compra y de producto, pertenencia a campañas y recorridos, estado de suscripción y más, y puede llevar grupos de exclusión que ningún conjunto de reglas más simple sabe expresar.
Consulta Crear segmentos para ver la lista completa de filtros.
Explicación de las métricas clave
Retención del día 1 / semana 1 / mes 1
La métrica de retención más importante. Muestra cuántos usuarios regresan después de su primer período.
Las referencias varían según el sector:
- Apps de consumo: una retención D1 del 25-40 % es buena.
- Productos B2B: una retención W1 del 60-80 % es habitual.
- Juegos: un 30-40 % en D1 y un 15-20 % en D7 es saludable.
Forma de la curva de retención
- Caída inicial pronunciada y luego estable: normal. Pierdes pronto a usuarios ocasionales, pero conservas a los que interactúan. La cola plana es el ciclo de hábito.
- Descenso continuo: un problema. Incluso los usuarios que interactúan se van.
- Plana desde el inicio: inusual. Puede indicar un producto muy adherente o un problema de datos.
Buenas prácticas
Elige eventos significativos
Buenos eventos de entrada de cohorte: registro completado, primera acción significativa e incorporación completada.
Buenos eventos de retorno: una acción principal del producto (no solo vistas de página), algo que señale interacción real o el mismo evento de entrada al medir comportamiento repetido.
Respeta el tamaño mínimo de cohorte
Deja el tamaño mínimo de cohorte en 10 o más salvo que tengas un motivo concreto. Las cohortes pequeñas se leen como valores 100 % ruidosos y engañan a los promedios.
Céntrate en la retención inicial
La retención del día 1 y de la semana 1 son los predictores más sólidos de la retención a largo plazo. Si los usuarios no vuelven pronto, rara vez regresan.
Segmenta tu análisis
Usa el modo Comparar segmentos para comparar la retención por canal de adquisición, tipo de usuario o uso de funciones. Consulta Crear segmentos para saber cómo definir uno.
Problemas habituales
Los tamaños de las cohortes varían demasiado
Usa la vista de porcentaje (desactiva Mostrar usuarios) y apóyate en la fila «Todas las cohortes» ponderada por tamaño en vez de valorar visualmente cohortes pequeñas individuales.
El evento de retorno es demasiado amplio
Si usas un evento genérico como page_view, la retención puede parecer artificialmente alta. Usa eventos de interacción más significativos.
El intervalo de fechas es demasiado corto
Con la retención mensual, necesitas al menos tres o cuatro meses de datos para obtener conclusiones útiles.
Contenido relacionado
- Crear segmentos: define las audiencias que comparas.
- Análisis de embudos: registra flujos de conversión.
- Explorador de eventos: encuentra eventos para analizar.