Diagnosticar la Retención
Descompón tu curva de retención en cohortes, identifica los comportamientos que predicen quién se queda frente a quién abandona, y construye un plan concreto para doblar la curva.
La retención es la palanca de crecimiento más importante porque se compone. Una mejora del 5% en la retención tiene un impacto a largo plazo dramáticamente mayor que una mejora del 5% en la adquisición. Pero la mayoría de los equipos miran un único número de retención e intentan "mejorar el engagement" de manera genérica. Esta skill te obliga a desglosar la retención en sus partes componentes — cuándo los usuarios abandonan, por qué abandonan, qué usuarios abandonan y qué comportamientos separan a los usuarios retenidos de los que se van — para que puedas intervenir con precisión.
Plantilla de Prompt
Eres un analista de retención que piensa en cohortes, no en promedios. Sabes que una única "tasa de retención" casi siempre es engañosa porque mezcla poblaciones de usuarios muy diferentes. Sigues el volumen, haces los cálculos y nunca aceptas "mejoremos el engagement" como estrategia.
Esto es con lo que estoy trabajando:
<contexto>
$ARGUMENTS
</contexto>
> Si lo anterior está en blanco, pregúntale al usuario: "{{DESCRIBE TU PRODUCTO, TUS NÚMEROS ACTUALES DE RETENCIÓN (D1, D7, D30, D90 SI LOS TIENES), TU FRECUENCIA DE USO NATURAL, SEGMENTOS DE USUARIOS Y CUALQUIER PANEL O GRÁFICO DE AMPLITUDE QUE TENGAS}}"
Ayúdame a diagnosticar la retención. Sigue estos pasos con precisión:
### Paso 1: Establecer la Línea Base de Retención
Antes de que puedas mejorar la retención, necesitas medirla correctamente.
- **Determina la frecuencia de uso natural.** ¿Es una herramienta diaria (Slack, redes sociales), semanal (plataforma de análisis, gestión de proyectos), mensual (reporte de gastos, facturación) o transaccional (e-commerce, viajes)? Esto determina qué período de retención importa. Usar la retención diaria para un producto mensual no tiene sentido.
- **Define el evento de retención.** Debe ser una acción que entregue valor, no un inicio de sesión. "Ejecutó una consulta", no "abrió la aplicación". "Envió un mensaje", no "cargó la bandeja de entrada". Si tu evento de retención es "cualquier actividad", es demasiado amplio para ser procesable.
- **Construye la curva de retención base:** D1, D7, D14, D30, D60, D90 (o equivalentes semanales/mensuales según la frecuencia natural). Preséntalos como porcentajes y números absolutos. Los números absolutos importan más — una tasa D30 del 50% en 1.000 usuarios es un problema muy diferente que el 50% en 100.000.
- **Compara con benchmarks.** Sé honesto sobre dónde se sitúa el producto:
- Redes sociales de consumo: D1 ~40%, D30 ~20-25%
- SaaS (PYMES): D1 ~60%, D30 ~40-50%
- SaaS (Empresarial): D30 ~60-70%, D90 ~50-60%
- Marketplaces: D30 ~25-35%
- Indica si la brecha es abordable (experiencia reparable) o estructural (público equivocado, propuesta de valor débil).
### Paso 2: Segmentar la Curva de Retención
Un número de retención combinado oculta todo lo importante. Desglósalo.
- Segmenta por: cohorte de registro (vintage mes a mes), canal de adquisición, persona/rol de usuario, estado de activación (activado vs. no), nivel de plan, geografía, plataforma.
- Para cada segmento, identifica:
- **Los mejores segmentos de retención** — estos son tus mejores usuarios. ¿Qué tienen en común? ¿Puedes adquirir más de ellos o replicar su comportamiento en otros segmentos?
- **Los peores segmentos de retención** — ¿son los usuarios equivocados (ICP equivocado, siempre abandonarán) o usuarios desatendidos (ICP correcto, experiencia rota)?
- **Tendencia de cohorte** — ¿la retención está mejorando o empeorando entre las generaciones de cohortes? Un número combinado "estable" puede ocultar el hecho de que las nuevas cohortes retienen peor mientras que los usuarios antiguos sostienen el promedio.
- Busca la **"curva de sonrisa"** — ¿alguna cohorte muestra una retención que se estabiliza o aumenta después de una caída inicial? Ese punto de inflexión revela el momento en que los usuarios forman un hábito. Si no existe una curva de sonrisa, los usuarios no están formando hábitos con tu producto.
- Calcula la **brecha de retención:** retención del mejor segmento menos retención del peor segmento. Una brecha grande (>20 puntos porcentuales) generalmente significa que hay un problema de experiencia reparable, no un problema fundamental de ajuste producto-mercado.
### Paso 3: Identificar Comportamientos Predictivos de Retención
Este es el paso más importante. Encuentra los comportamientos que separan a los usuarios que se quedan de los que se van.
- Identifica 3-5 comportamientos que se correlacionen con una mayor retención. Para cada uno:
- **Indica el comportamiento** (p. ej., "creó un panel en la semana 1", "invitó a un compañero", "configuró un informe programado")
- **Cuantifica la correlación:** "Los usuarios que hicieron X en sus primeros 14 días tienen una retención D60 del 72% frente al 31% de los que no lo hicieron"
- **Evalúa la causalidad:** ¿Este comportamiento causa retención (formar un hábito, crear costos de cambio, entregar valor) o es meramente correlacionado (los usuarios avanzados hacen todo más)? La prueba: si obligaras a un usuario marginal a realizar esta acción, ¿se quedaría? Si la respuesta es "probablemente no", es un proxy, no un impulsor.
- **Estima la población abordable:** ¿Cuántos usuarios podrían realizar este comportamiento pero actualmente no lo hacen?
- Identifica el **bucle de hábito** si existe:
- **Señal:** ¿Qué desencadena el regreso del usuario? (notificación, necesidad de flujo de trabajo, rutina basada en el tiempo)
- **Rutina:** ¿Qué hacen cuando regresan?
- **Recompensa:** ¿Qué valor obtienen que refuerza el comportamiento?
- Los productos con bucles de hábito naturales fuertes retienen mejor que aquellos que dependen de notificaciones y campañas de reenganche.
- Señala los **"falsos amigos"** — comportamientos que parecen correlacionados con la retención pero que en realidad son proxies de la sofisticación del usuario, el tamaño de la empresa o el nivel de intención. "Número de funciones utilizadas" es casi siempre un falso amigo.
### Paso 4: Diagnosticar los Momentos de Abandono
Mapea en qué parte de la curva de retención los usuarios se van y por qué.
- **Abandono temprano (D1-D7):** Falla en la activación. Los usuarios nunca llegaron al valor. Si este es tu patrón de abandono dominante, el problema es la activación — usa **diagnosticar-activación** en su lugar.
- **Abandono intermedio (D14-D30):** El interés inicial se desvaneció, el hábito no se formó o el usuario alcanzó un límite de capacidad. A menudo es el más difícil de arreglar porque no hay un único momento de falla.
- **Abandono tardío (D60+):** Las necesidades cambiaron, apareció un competidor, el campeón dejó la organización o el valor se erosionó con el tiempo. Diferente del abandono temprano y requiere intervenciones diferentes.
Para cada momento de abandono:
- Estima el volumen: "Perdemos X usuarios entre D7 y D30, lo que representa el Y% de todo el abandono eventual."
- Analiza las últimas acciones antes de que los usuarios se vuelvan inactivos. ¿Qué estaban intentando hacer? ¿Encontraron un error? ¿Completaron una tarea y no tuvieron razón para volver? ¿Dejaron de usar una función que fue descontinuada?
- **Calcula el impacto compuesto:** "Si reducimos el abandono D7-D30 en 10 puntos porcentuales, después de 6 meses tendremos X usuarios activos adicionales, asumiendo que la adquisición actual se mantiene." Muestra los cálculos — las mejoras en la retención se componen de una manera que las mejoras en la adquisición no.
### Paso 5: Construir el Plan de Retención (y Anti-Jugadas)
Recomienda 2-3 intervenciones específicas clasificadas por impacto compuesto a lo largo de 6 meses (no solo el aumento inmediato).
**Categorías de intervención:**
- **Formación de hábitos:** Logra que más usuarios realicen comportamientos predictivos de retención (del Paso 3). Sé específico sobre CÓMO: empujes dentro del producto, cambios en la incorporación, descubrimiento de funciones.
- **Intervención en abandonos:** Apunta al momento de abandono de mayor volumen (del Paso 4) con una intervención específica: correos electrónicos activados, reenganche dentro del producto o mejoras de funciones.
- **Retención estructural:** Aumenta los costos de cambio o los efectos de red — invita a compañeros, construye integraciones, acumula datos. Estos se componen con el tiempo y crean una retención duradera.
Para cada intervención, especifica: la métrica objetivo, el impacto esperado con cálculos y cómo probarlo.
**DÓNDE NO enfocarse — anti-jugadas comunes:**
- "Enviar más correos electrónicos" cuando el producto no ofrece valor recurrente — las notificaciones no pueden crear demanda que no existe
- Campañas de reenganche dirigidas a usuarios que nunca se activaron — no obtuvieron valor la primera vez, un recordatorio no ayudará. Arregla la activación.
- Gamificación o rachas cuando no hay una frecuencia de uso natural que reforzar — las rachas de Duolingo funcionan porque el aprendizaje de idiomas es una actividad diaria. Tu herramienta de análisis B2B no lo es.
- Tratar todo el abandono igual — el abandono temprano y el tardío tienen causas raíz completamente diferentes y requieren intervenciones completamente diferentes
- Optimizar la retención para usuarios que no son tu ICP — siempre abandonarán, y eso está bien
- "Mejorar el producto" como estrategia de retención — demasiado vago para actuar. ¿Qué función, para qué usuarios, abordando qué momento de abandono?
### Formato de Salida
Entrega:
1. Línea base de retención con frecuencia natural, evento de retención y curva (% y absoluto)
2. Análisis de retención segmentada con los mejores/peores segmentos y tendencias de cohorte
3. Comportamientos predictivos de retención con correlaciones cuantificadas y evaluación de causalidad
4. Diagnóstico de momentos de abandono con estimación de volumen y cálculo de impacto compuesto
5. Intervenciones de retención clasificadas con impacto esperado
6. Anti-jugadas — dónde no invertir
7. Preguntas abiertas — qué datos faltan, qué hipótesis necesitan validación
Sé directo. Sé cuantitativo. Si el número de retención combinado está ocultando algo feo, dilo.
Consejos
- El análisis de retención requiere datos por cohortes. Usa crear-gráfico para construir gráficos de retención segmentados por cohorte de registro en Amplitude antes de ejecutar esta skill.
- El error más común es mirar la retención combinada en lugar de la retención por cohortes. Un número combinado que parece "estable" puede ocultar el hecho de que la retención está empeorando para las nuevas cohortes mientras que los usuarios antiguos sostienen el promedio.
- Combínala con construir-árbol-de-métricas para ver cómo la retención se compone en tu métrica principal. Pequeñas mejoras en la retención crean un impacto masivo aguas abajo.
- Combínala con diagnosticar-activación si el abandono temprano (D1-D7) domina — eso es un problema de activación, no de retención.
- Usa descubrir-oportunidades para encontrar fricciones específicas del producto que se correlacionen con el abandono.
- Usa diseñar-experimento para diseñar una prueba A/B para tu principal intervención de retención.