Qué es un análisis de cohortes y por qué decide tu LTV
Una cohorte es el grupo de clientes que empezó a pagar en el mismo mes. El análisis de cohortes mide qué porcentaje de esa cohorte sigue activo cada mes después de suscribirse. La tabla resultante — una cohorte por fila, los meses de vida por columna — es el rayos-X del producto. Dos SaaS con MRR idéntico pueden tener balances opuestos: uno retiene el 85% al mes 12, otro el 42%. El segundo no tiene un negocio recurrente, tiene un embudo de adquisición muy caro disfrazado de suscripción.
La métrica agregada ("churn mensual del 4%") miente. Esconde que la cohorte de enero retuvo 78% al mes 6 y la de julio apenas 54% porque llegaron por un canal distinto o con un pricing distinto. El análisis por cohortes es la única forma honesta de saber si lo que cambiaste (producto, precio, canal, onboarding) movió la retención real o si solo hiciste crecer el numerador mientras el denominador se caía.
Fórmula y ejemplo numérico
Retención mes N = Usuarios activos de la cohorte en mes N ÷ Tamaño original de la cohorte NRR = (MRR inicio período + expansión − contracción − churn) ÷ MRR inicio período LTV proxy (bottom-up por cohorte) = Σ (ARPU × retención_mes_N × margen bruto) a lo largo de la vida útil modelada
Ejemplo. Cohorte de enero: 500 clientes nuevos a 49 USD/mes. Curva de retención: mes 1 = 92% (460 activos), mes 3 = 78% (390), mes 6 = 66% (330), mes 12 = 58% (290). ARPU se mantiene plano en 49 USD, margen bruto 80%. Ingreso acumulado a 12 meses = suma mes a mes de (usuarios × 49 × 0.80). El cálculo rápido con curva interpolada da ~170,000 USD de margen bruto recurrente de esa cohorte en su primer año, con LTV proxy a 24 meses cerca de 240,000 USD si la curva se aplana en ~50% después del mes 12.
Si esa misma cohorte paga un CAC blended de 160 USD por cliente (80,000 USD totales), el payback period es mes 5.8 y el ratio LTV:CAC proxy a 24 meses sale 3.0x. Tres simulaciones con la misma inversión de marketing, cambiando solo la curva mes 6 (de 66% a 72%), mueven el LTV:CAC a 3.6x — una diferencia del 20% en resultado financiero por seis puntos de retención que la mayoría de dashboards no miran.
Benchmarks por etapa y segmento (2025)
| Segmento | Logo retention 12m | NRR mediano 2025 | Aplanamiento típico |
|---|---|---|---|
| B2B SMB (<50 emp.) | 72-82% | 95-105% | Mes 4-6 |
| B2B mid-market | 85-92% | 108-115% | Mes 8-10 |
| B2B enterprise | 92-97% | 115-130% | Mes 12+ |
| B2C mensual | 40-55% | 85-95% | Mes 2-3 |
| B2C anual | 65-78% | 90-100% | Mes 6-9 |
| PLG vertical | 78-88% | 110-125% | Mes 6-8 |
Fuentes: ChartMogul SaaS Retention Report 2025, OpenView 2024 SaaS Benchmarks, Bessemer Cloud Index Q4 2025. El NRR de la mediana top-quartile SaaS público sigue siendo 115-120% post ajuste macro 2024-2025, debajo de los 130%+ de 2021 pero estable.
Logo retention vs gross dollar retention vs NRR
- Logo retention. Cuentas que siguen activas dividido entre cuentas al inicio del período. Ignora cuánto pagaba cada una.
- Gross dollar retention (GDR). MRR que queda de una cohorte sin contar expansión. Techo 100%.
- Net revenue retention (NRR). GDR más expansión (upsell, cross-sell, seat growth). Puede superar 100% y es la métrica que más pondera Wall Street para SaaS público.
Una SaaS con 78% de logo retention y 125% de NRR tiene el mejor motor posible: pierde cuentas pequeñas y las que quedan crecen rápido. Una con 95% de logo retention y 96% de NRR retiene cuentas pero no expande — el techo de ARR por cuenta es el precio inicial. El análisis por cohortes es la única forma de ver las dos señales juntas.
El mes que importa no es el mes 1
Contraintuición clave, documentada por ChartMogul y Profitwell desde 2023: la caída entre mes 1 y mes 3 es ruido de onboarding y buyer's remorse — señal de fit producto-oferta, no de fit producto-mercado. La caída entre mes 3 y mes 6 es la que predice LTV de largo plazo, porque ahí el cliente ya vivió un ciclo de uso completo y decide si el producto vale el renovar. Más del 60% de la varianza en LTV a 24 meses se explica por lo que pasa en la ventana mes 3 a mes 6, no por el mes 1.
La implicación operativa: invertir onboarding agresivo para "salvar" el mes 1 da un retorno menor que invertir en activation milestones que se alcancen entre semana 6 y semana 18 del contrato. La mayoría de equipos hace lo contrario porque el mes 1 es el que más se reporta.
Errores que destruyen el negocio
- Mirar solo el churn promedio. Un 4% mensual de churn puede ser 2% en enterprise y 9% en SMB. El promedio esconde dónde realmente se está rompiendo la curva.
- Confundir expansión con retención. Un NRR de 115% con logo retention de 72% es un negocio de enterprise land-and-expand excelente. El mismo NRR con logo retention de 92% es un negocio mediocre que apenas expande. Sin cohortes, ambos se ven igual en la slide del board.
- Actualizar la cohorte con re-activaciones. Si un cliente se da de baja en mes 4 y vuelve en mes 9, no cuenta como parte de la cohorte original: es una cohorte nueva. Mezclarlos infla retención 8-12 puntos y rompe el forecast.
- No separar por canal. Google Ads, Product Hunt, referrals orgánicos y outbound B2B producen cohortes con curvas radicalmente distintas. Una sola tabla agregada convence al CFO y confunde al growth lead.
- Detener el análisis a los 12 meses. El LTV verdadero se revela entre el mes 18 y el mes 36. Cortar a 12 meses subestima cohortes enterprise y sobreestima cohortes SMB.
- Ignorar el net new ARR dentro de la cohorte. El seat growth dentro de una cuenta existente es la palanca más barata de crecimiento. Si la calculadora de cohortes no separa expansión intra-cuenta del churn logo, el equipo comercial no tiene objetivos claros.
Cuándo usar el simulador y cuándo no
Úsalo cuando: estás modelando el impacto de un cambio de pricing, onboarding o canal en LTV; necesitas justificar CAC a tu board; comparas cohortes por segmento, plan o canal; quieres proyectar MRR a 24 meses bottom-up por cohortes activas y proyectadas.
No es el fit cuando: operas prepaid anual con churn sub-3% y LTV dominado por expansión (úsalo igual pero el diferencial viene de NRR por cuenta, no de retention curve); corres marketplace o transactional con ARPU muy variable mes a mes (necesitas modelado de frequency + basket, no solo retention curve); estás en pre-revenue y todavía no tienes 3-4 cohortes con 6+ meses de historia (primero acumula data, después modela).
Nichos relacionados
Si operas SaaS recurrente, el análisis por cohortes encaja con la tasa de churn mensual, la proyección de MRR a 18-24 meses, la relación CAC vs LTV por canal y la arquitectura de tu plan de suscripción. Las cuatro métricas se retroalimentan: cambiar pricing mueve cohortes, mover cohortes cambia LTV, y el nuevo LTV reescribe el CAC que puedes pagar.