Saber cuántos clientes vuelven a comprar es útil. Pero una tasa general puede esconder un problema importante: quizá los clientes adquiridos hace seis meses regresaban con frecuencia y los que estás captando ahora compran una vez y tardan mucho más en volver.
El análisis de cohortes de clientes permite detectar esa diferencia. Consiste en agrupar clientes según un punto de partida común, como el mes de su primera compra, y observar cómo se comporta cada grupo a medida que pasa el tiempo.
En esta guía aprenderás a construir una matriz sencilla, calcular la recompra de cada cohorte e interpretar sus cambios. Además, puedes ir directamente a la plantilla de análisis de cohortes en Excel para aplicar el método con los datos de tu negocio.
¿Qué es un análisis de cohortes de clientes?
El análisis de cohortes sirve para estudiar cómo evoluciona el comportamiento de grupos de clientes que comparten una característica o un momento de inicio.
Para una tienda, ecommerce o negocio con compras recurrentes, una forma práctica de utilizarlo es agrupar a los clientes según el mes en que hicieron su primera compra.
Por ejemplo:
- cohorte de enero: clientes cuya primera compra ocurrió en enero;
- cohorte de febrero: clientes que compraron por primera vez en febrero;
- cohorte de marzo: clientes adquiridos en marzo.
Después se observa cuántos clientes de cada grupo regresan durante su primer mes, segundo mes, tercer mes y los periodos siguientes.
El análisis de cohortes de clientes agrupa personas con un punto de partida común, como el mes de su primera compra, y compara su comportamiento a medida que pasa el tiempo. Permite detectar si los clientes adquiridos en determinados periodos presentan una recompra mayor o menor que otros grupos.
Qué es una cohorte de clientes
Una cohorte no es simplemente una lista de clientes. Es un grupo definido mediante un criterio común que permite realizar una comparación posterior.
En este análisis utilizaremos un criterio especialmente práctico para pequeños negocios: el periodo de la primera compra del cliente.
Supongamos que una tienda online consiguió 120 clientes nuevos durante enero. Esos 120 clientes forman la cohorte de enero.
Si 30 de ellos realizan otra compra durante el mes siguiente, podemos estudiar su comportamiento y compararlo después con los clientes captados en febrero, marzo o abril.
Este tipo de medición forma parte de una gestión más amplia de captación y fidelización de clientes, porque permite evaluar no solo cuántos compradores nuevos consigue el negocio, sino también cómo evoluciona su comportamiento después de la adquisición.
Diferencia entre una tasa general de recompra y un análisis de cohortes
Una tasa general puede responder:
¿Qué porcentaje de mis clientes volvió a comprar?
El análisis de cohortes responde una pregunta diferente:
¿Los clientes adquiridos en enero vuelven a comprar más o menos que los adquiridos en febrero o marzo?
La diferencia es importante.
Imagina que la tasa general de recompra de un ecommerce se mantiene alrededor del 25%. Ese número parece estable.
Sin embargo, al separar los clientes por cohortes podrías descubrir que los clientes de enero tuvieron una recompra de 31% durante su primer mes, mientras que los de marzo solo alcanzaron 18%.
El promedio general no mostraba con claridad ese deterioro.
Si primero necesitas revisar la recompra junto con conversión, ticket promedio, CAC y otras métricas de la tienda, puedes consultar estos indicadores para ecommerce. El análisis de cohortes da un paso adicional al separar clientes según el periodo en que fueron adquiridos.
¿Cómo funciona un análisis de cohortes?
Para que la comparación tenga sentido debemos definir cuatro elementos: cuándo entra un cliente a una cohorte, cómo se agrupa, qué comportamiento queremos observar y cuánto tiempo ha transcurrido desde su entrada.
Definir el momento de entrada del cliente
En nuestro ejemplo, el punto de entrada será la primera compra.
Si una persona compra por primera vez el 12 de marzo, pertenece a la cohorte de marzo aunque realice otras compras en abril, junio o agosto.
Su cohorte no cambia. Esto permite seguir el comportamiento del mismo grupo a través del tiempo.
Agrupar clientes por periodo de adquisición
El periodo puede ser diario, semanal, mensual, trimestral u otro intervalo que tenga sentido para el negocio.
Para muchas PYMES, empezar por cohortes mensuales facilita la interpretación.
| Primera compra | Cohorte |
|---|---|
| 8 de enero | Enero |
| 23 de enero | Enero |
| 4 de febrero | Febrero |
| 19 de marzo | Marzo |
El periodo debe adaptarse al ciclo habitual de compra.
Un restaurante con alta frecuencia puede analizar semanas. Una tienda de muebles, en cambio, podría necesitar periodos mucho más largos para obtener una comparación útil.
Definir qué significa que un cliente regrese
También debemos decidir qué comportamiento vamos a medir.
En una tienda o ecommerce podemos utilizar una definición sencilla: el cliente regresa cuando realiza una nueva compra.
Esto evita mezclar acciones diferentes, como visitar la web, abrir un correo o agregar un producto al carrito.
Si el objetivo es analizar la recompra, el evento observado debe ser una nueva compra.
Comparar cohortes con la misma antigüedad
Este es uno de los puntos más importantes del análisis.
No debemos comparar simplemente meses calendario. Debemos comparar clientes cuando llevan una cantidad similar de tiempo desde su primera compra.
Por ejemplo:
- enero, mes 1;
- febrero, mes 1;
- marzo, mes 1.
Después podemos comparar:
- enero, mes 2;
- febrero, mes 2;
- marzo, mes 2.
Así podemos identificar si las cohortes más recientes presentan una recompra mayor o menor que las anteriores en un momento equivalente de su relación con el negocio.
Cómo calcular la tasa de recompra por cohortes
Para un análisis básico necesitamos conocer dos cantidades:
- cuántos clientes pertenecen originalmente a la cohorte;
- cuántos de esos clientes volvieron a comprar durante el periodo analizado.
Fórmula de recompra por cohorte
La fórmula es:
Tasa de recompra de la cohorte = clientes de la cohorte que volvieron a comprar en el periodo ÷ clientes iniciales de la cohorte × 100
Ejemplo de cálculo
Una tienda consiguió 120 clientes nuevos en enero.
Durante el primer mes posterior a su adquisición, 30 volvieron a comprar.
30 ÷ 120 × 100 = 25%
La tasa de recompra de la cohorte de enero durante el mes 1 es 25%.
Esto significa que 25 de cada 100 clientes adquiridos en enero realizaron una nueva compra durante su primer mes.
No significa necesariamente que el 75% restante se haya perdido para siempre.
En negocios sin una suscripción o contrato, un cliente puede pasar varios meses sin comprar y regresar posteriormente. Por eso es más preciso hablar de recompra durante un periodo determinado que considerar automáticamente como abandonado a quien todavía no ha regresado.
La tasa de recompra por cohorte se calcula dividiendo los clientes de una cohorte que volvieron a comprar durante un periodo entre el número original de clientes de esa cohorte y multiplicando el resultado por 100. Las cohortes deben compararse cuando tienen la misma antigüedad.
Cómo hacer un análisis de cohortes paso a paso
Una PYME no necesita comenzar con un sistema estadístico complejo.
Para un primer análisis de recompra basta con contar con un identificador de cliente y el historial de sus compras.
1. Preparar los datos de compras
Una base sencilla puede contener:
| Cliente | Fecha de compra | Importe |
|---|---|---|
| C001 | 08/01/2026 | $65 |
| C002 | 11/01/2026 | $42 |
| C001 | 07/02/2026 | $38 |
| C003 | 15/02/2026 | $71 |
El identificador puede ser el código interno del cliente, siempre que permita reconocer sus diferentes compras.
El importe puede incluirse para futuros análisis, aunque no es indispensable para calcular la recompra.
2. Identificar la primera compra de cada cliente
Después debemos encontrar la fecha más antigua registrada para cada cliente.
Para C001:
- primera compra: 8 de enero;
- segunda compra: 7 de febrero.
Su cohorte será enero.
La segunda compra no crea una cohorte nueva. Es un comportamiento posterior que queremos medir.
3. Asignar cada cliente a una cohorte
Una vez encontrada la primera compra, agrupamos a los clientes.
| Cliente | Primera compra | Cohorte |
|---|---|---|
| C001 | 08/01/2026 | Enero |
| C002 | 11/01/2026 | Enero |
| C003 | 15/02/2026 | Febrero |
| C004 | 03/03/2026 | Marzo |
Ahora podemos contar cuántos clientes comenzaron en cada periodo.
4. Calcular cuándo vuelve a comprar
El siguiente paso es medir cuánto tiempo pasó entre la primera compra y las compras siguientes.
En vez de quedarnos únicamente con la fecha calendario, clasificamos la recompra según la antigüedad del cliente:
- mes 1;
- mes 2;
- mes 3;
- mes 4.
Así dos clientes adquiridos en meses diferentes pueden compararse en una etapa equivalente.
5. Construir la matriz de cohortes
El resultado puede verse así:
| Cohorte | Clientes iniciales | Mes 1 | Mes 2 | Mes 3 | Mes 4 |
|---|---|---|---|---|---|
| Enero | 120 | 28% | 21% | 17% | 14% |
| Febrero | 145 | 31% | 24% | 19% | — |
| Marzo | 132 | 26% | 20% | — | — |
| Abril | 160 | 34% | — | — | — |
La tabla permite comparar rápidamente cómo evoluciona cada grupo.
Pero construirla es solo la mitad del trabajo. Lo importante es saber interpretarla.
Cómo leer una tabla de cohortes
Una matriz de cohortes puede analizarse principalmente de dos maneras: horizontalmente y verticalmente.
Cada lectura responde una pregunta diferente.
Leer una cohorte horizontalmente
La lectura horizontal permite observar qué ocurre con un mismo grupo a medida que pasa el tiempo.
Tomemos enero:
| Cohorte | Mes 1 | Mes 2 | Mes 3 | Mes 4 |
|---|---|---|---|---|
| Enero | 28% | 21% | 17% | 14% |
Podemos observar que:
- 28% recompró durante el mes 1;
- 21% lo hizo durante el mes 2;
- 17% durante el mes 3;
- 14% durante el mes 4.
Esto muestra cómo cambia la actividad de la cohorte conforme aumenta su antigüedad.
Comparar cohortes verticalmente
La lectura vertical permite comparar distintos grupos cuando se encuentran en el mismo punto de su ciclo.
Por ejemplo, en el mes 1:
| Cohorte | Recompra mes 1 |
|---|---|
| Enero | 28% |
| Febrero | 31% |
| Marzo | 26% |
| Abril | 34% |
Ahora surge una pregunta empresarial más útil:
¿Qué ocurrió con los clientes adquiridos en abril para que su recompra durante el primer mes alcanzara 34%?
La matriz no responde automáticamente la causa. Lo que hace es señalar dónde conviene investigar.
Entender las celdas todavía no observables
Las celdas vacías requieren especial atención.
Supongamos que la cohorte de abril tiene apenas un mes de antigüedad. Todavía no podemos conocer su recompra del mes 2, 3 o 4.
Por eso esas celdas deben permanecer vacías.
Una celda vacía no significa 0% de recompra. Significa que todavía no ha transcurrido suficiente tiempo para medir ese periodo.
Confundir ambas situaciones puede producir conclusiones equivocadas.
Qué puedes descubrir al comparar cohortes de clientes
El análisis empieza a generar valor cuando deja de ser una tabla y se convierte en una herramienta para formular mejores preguntas.
Detectar mejoras o deterioros en la recompra
Supongamos que el mes 1 presenta esta evolución:
- enero: 30%;
- febrero: 29%;
- marzo: 24%;
- abril: 19%.
Una sola caída podría ser circunstancial.
Pero varias cohortes consecutivas con menor recompra pueden señalar un problema que merece revisión.
Desde la gestión, esto permite detectar cambios antes de depender exclusivamente de un promedio general.
Investigar qué cambió entre cohortes
Una vez identificada una diferencia, podemos buscar explicaciones.
Por ejemplo:
- ¿cambió el canal de adquisición?
- ¿se utilizó una promoción diferente?
- ¿cambió el producto de la primera compra?
- ¿aumentaron o disminuyeron los descuentos?
- ¿hubo problemas de inventario?
- ¿cambió la experiencia posventa?
- ¿existió un efecto estacional?
Supongamos que marzo presenta una recompra claramente superior y ese mismo mes comenzó una nueva secuencia de seguimiento posventa.
La coincidencia es útil porque genera una hipótesis. Sin embargo, todavía no demuestra que el seguimiento haya provocado por sí solo la mejora.
Convertir diferencias en decisiones
Una forma sencilla de trabajar con las cohortes es utilizar esta secuencia:
Dato → diferencia → hipótesis → revisión → acción.
Ejemplo:
Dato: la cohorte de abril tiene 34% de recompra en el mes 1.
Diferencia: las tres cohortes anteriores se encontraban entre 26% y 31%.
Hipótesis: una campaña de bienvenida aplicada en abril pudo contribuir a la mejora.
Revisión: comprobar si también cambiaron canal, promociones, productos o perfil de los clientes.
Acción: mantener la iniciativa, medir nuevas cohortes y comprobar si el comportamiento se sostiene.
Una regla útil es:
Una diferencia entre cohortes es una señal para investigar, no una prueba automática de causa.
Si detectas cohortes con una recompra cada vez menor, el siguiente paso es revisar qué acciones pueden ayudar a recuperar recurrencia. Para organizar beneficios, segmentos, costos y seguimiento, puedes trabajar con un plan de fidelización de clientes.
También conviene observar el impacto económico. Una cohorte que recompra con mayor frecuencia puede generar más valor durante su relación con el negocio. Para llevar el análisis hacia margen, recurrencia y costo de adquisición, puedes complementar esta información con el cálculo del valor rentable de cliente.
Errores comunes al analizar cohortes
Un análisis sencillo puede ser muy útil, pero algunas interpretaciones incorrectas cambian por completo su significado.
Comparar periodos con distinta antigüedad
No compares el mes 1 de una cohorte con el mes 4 de otra para decidir cuál es mejor.
Son momentos diferentes del ciclo del cliente.
La comparación más útil normalmente es:
mes 1 contra mes 1, mes 2 contra mes 2 y así sucesivamente.
Confundir falta de compra con pérdida del cliente
En una suscripción puede existir una fecha clara de cancelación.
En una tienda, restaurante o ecommerce normalmente no ocurre lo mismo.
Un cliente que no compró durante abril puede regresar en mayo, julio o incluso más adelante.
Por eso debemos evitar afirmaciones como:
Todos los clientes que no recompraron durante el mes siguiente se perdieron.
El análisis indica actividad observada durante un periodo. No siempre identifica un abandono definitivo.
Tratar celdas vacías como 0%
Una cohorte reciente puede no haber alcanzado todavía el tercer o cuarto mes.
Registrar esos espacios como cero deterioraría artificialmente el resultado.
Déjalos vacíos hasta que exista tiempo suficiente para observarlos.
Mezclar clientes nuevos y antiguos
Si la cohorte se define mediante la primera compra, todos sus integrantes deben cumplir ese criterio.
Un cliente antiguo que volvió a comprar en marzo no pertenece a la cohorte de marzo si su primera compra ocurrió meses antes.
La consistencia del criterio de entrada es indispensable para comparar.
Confundir relación con causalidad
Si una cohorte mejora después de lanzar una campaña, puedes investigar una posible relación.
No deberías concluir automáticamente que la campaña causó toda la mejora.
También pudieron intervenir factores como:
- estacionalidad;
- precios;
- productos;
- promociones;
- canales de adquisición;
- disponibilidad;
- perfil de los nuevos clientes.
Las cohortes son especialmente útiles para detectar dónde investigar.
Ejemplo práctico de análisis de cohortes
Veamos un caso completo.
Una tienda online quiere saber si los clientes que está captando recientemente tienen una mejor recompra que los de meses anteriores.
Durante cuatro meses obtiene estos resultados:
| Cohorte | Clientes iniciales | Mes 1 | Mes 2 | Mes 3 |
|---|---|---|---|---|
| Enero | 200 | 25% | 18% | 14% |
| Febrero | 180 | 20% | 15% | 12% |
| Marzo | 240 | 32% | 24% | 18% |
| Abril | 210 | 31% | 23% | — |
¿Qué podemos observar?
Primero, febrero tuvo un desempeño inferior a enero durante los tres periodos disponibles.
Después aparece un cambio.
La cohorte de marzo registra:
- 32% en el mes 1;
- 24% en el mes 2;
- 18% en el mes 3.
Además, abril mantiene resultados similares durante sus dos primeros periodos.
Esto permite formular una observación más útil que simplemente decir “la recompra mejoró”:
Los clientes adquiridos en marzo y abril están regresando con mayor frecuencia durante sus primeros meses que los adquiridos en enero y febrero.
Ahora toca investigar.
La tienda descubre que en marzo cambió la oferta de primera compra y comenzó a enviar recomendaciones posventa basadas en el producto adquirido.
Eso abre varias hipótesis.
Quizá mejoró la calidad de los clientes captados. Quizá la nueva oferta atrajo compradores con mayor afinidad. Quizá el seguimiento ayudó. También pueden existir varias causas simultáneas.
La decisión razonable no es declarar inmediatamente ganadora una acción.
Es continuar midiendo las siguientes cohortes, revisar qué variables cambiaron y comprobar si la mejora se mantiene.
Desde una perspectiva empresarial, el análisis aporta tres niveles de utilidad:
Estrategia: permite evaluar si las nuevas adquisiciones están generando clientes con mayor recurrencia.
Gestión: ofrece una forma periódica de comparar cohortes y detectar cambios.
Operación: dirige la atención hacia campañas, productos, promociones o experiencias concretas que conviene revisar.
Plantilla de análisis de cohortes de clientes en Excel
Para aplicar este método sin construir toda la estructura desde cero, puedes utilizar la plantilla de análisis de cohortes en Excel. Está preparada para organizar clientes según el periodo de su primera compra y comparar qué porcentaje vuelve a comprar durante los meses siguientes.
Preguntas frecuentes sobre análisis de cohortes
¿Qué es una cohorte de clientes?
Una cohorte es un grupo de clientes que comparte un criterio de entrada común. En un análisis de recompra puede estar formada, por ejemplo, por todos los clientes que realizaron su primera compra durante el mismo mes.
¿Cuál es la diferencia entre recompra y retención?
La recompra confirma que un cliente realizó una nueva compra durante un periodo determinado. La retención es un concepto más amplio relacionado con la continuidad de la relación con el cliente.
En negocios sin contratos o suscripciones, no comprar durante un periodo no significa necesariamente que el cliente haya abandonado definitivamente. Por eso la recompra suele ser una medida práctica y fácil de verificar para tiendas y ecommerce.
¿Cada cuánto conviene analizar las cohortes?
Depende del ciclo habitual de compra.
Si los clientes suelen regresar cada pocas semanas, pueden utilizarse cohortes semanales o mensuales. Si el producto se compra pocas veces al año, conviene utilizar periodos más largos.
El objetivo es trabajar con intervalos que permitan observar diferencias reales sin tomar decisiones con demasiado poco historial.
Del análisis de cohortes a la mejora de la recompra
El análisis de cohortes permite ir más allá de una tasa promedio y observar cómo están evolucionando los clientes que adquiere el negocio en diferentes momentos.
Si las cohortes recientes mejoran, puedes investigar qué prácticas conviene mantener. Si empeoran, puedes detectar el cambio y revisar posibles causas antes de que el problema quede oculto dentro de indicadores generales.
La lógica es sencilla:
agrupar → comparar → interpretar → investigar → actuar.
El objetivo no es producir una tabla más, sino utilizarla para entender si la calidad de las nuevas adquisiciones y su comportamiento posterior están mejorando o deteriorándose con el tiempo.
Discover more from
Subscribe to get the latest posts sent to your email.
