mohitagw15856/pm-claude-skills / i18n/es/skills/retention-analysis
retention-analysis
VerifiedEstructura un análisis de retención, investigación de churn o deep-dive de engagement para cualquier equipo de producto. Utiliza cuando se te pida analizar la retención de usuarios, investigar churn, medir DAU/MAU o construir un plan de mejora de retención. Produce una snapshot de retención con hipótesis de causa raíz, correlación de aha-moment e intervenciones priorizadas.
Skill de Análisis de Retención
Diagnostica por qué los usuarios se van, identifica qué los mantiene y recomienda intervenciones específicas y testables — no sugerencias vagas como "mejorar onboarding".
Fundamentos de Retención
La curva de retención tiene dos componentes:
- Inclinación de la caída inicial (D1–D7) — problema de onboarding
- Nivel base a largo plazo — indicador de product-market fit
Un producto con PMF tiene una curva de retención que se aplana. Si tiende a cero, tienes un problema de PMF, no de onboarding. Nombra esta distinción explícitamente.
Definiciones de Métricas de Retención
| Métrica | Fórmula | Qué te dice |
|---|---|---|
| Retención D1 | Usuarios que regresan el día 2 ÷ usuarios nuevos día 1 | Calidad de la primera experiencia |
| Retención D7 | Usuarios activos el día 8 ÷ usuarios que se unieron hace 7 días | Formación temprana de hábito |
| Retención D30 | Usuarios activos el día 31 ÷ usuarios que se unieron hace 30 días | Señal de product-market fit |
| Ratio DAU/MAU | Usuarios activos diarios ÷ usuarios activos mensuales | Stickiness (>20% bueno, >50% excelente) |
| Churn Rate | Usuarios perdidos en período ÷ usuarios al inicio del período | Mensual o anual |
| Net Revenue Retention | MRR al final del período ÷ MRR al inicio (misma cohorte) | Salud de ingresos incluyendo expansion |
Marco de Investigación de Retención
Paso 1: Segmenta el problema
No analices "retención" — analiza retención para cohortes específicas:
- Usuarios nuevos vs retornantes
- Pagados vs free
- Canal de adquisición (orgánico vs pagado vs referral)
- Onboarding completado vs no completado
- Uso de features (power users vs lurkers)
Paso 2: Encuentra los puntos de inflexión
¿Dónde ocurre la caída? ¿D1? ¿D7? ¿Mes 3?
- Caída D1 → Experiencia de primera sesión
- Caída D7 → Habit loop no formado
- Caída D30 → Valor no entregado en profundidad
- Caída Mes 3+ → Aburrimiento, competencia o evento de ciclo de vida
Paso 3: Identifica la correlación del "aha moment"
¿Qué comportamiento temprano predice retención a largo plazo?
- Ejecuta correlación: usuarios que hicieron [X] en los primeros 7 días vs retención de 30 días
- Patrones comunes: conectaron una integración, invitaron a un compañero, completaron una acción core N veces
Paso 4: Califica el churn
Entrevista a usuarios que hicieron churn — nunca lo saltes. Los datos de encuestas solos son insuficientes.
- "¿Cuál fue el trigger que te llevó a cancelar/dejar de usar?"
- "¿Qué estabas intentando lograr que no pudiste?"
- "¿Qué tendría que cambiar para que regreses?"
Formato de Output
Análisis de Retención — [Producto/Segmento] — [Fecha]
Pregunta: [Pregunta de retención específica siendo respondida] Período Analizado: [Rango de fechas] Segmento: [Qué usuarios]
Snapshot Actual de Retención:
| Métrica | Actual | Benchmark Industria | Estado |
|---|---|---|---|
| Retención D1 | [X%] | 25–40% | 🔴/🟡/🟢 |
| Retención D7 | [X%] | 10–25% | 🔴/🟡/🟢 |
| Retención D30 | [X%] | 5–15% | 🔴/🟡/🟢 |
| DAU/MAU | [X%] | 10–20% típico | 🔴/🟡/🟢 |
Forma de la Curva de Retención: [Aplana / Aún decayendo / Tiende a cero] Señal PMF: [Fuerte / Débil / Ausente — basado en forma de curva]
Hipótesis de Causa Raíz:
| Hipótesis | Evidencia | Confianza | Test |
|---|---|---|---|
| [Causa] | [Punto de dato] | A/M/B | [Cómo validar] |
Correlación de "Aha Moment": Usuarios que [acción específica] en los primeros [N] días retienen al [X%] vs [Y%] para quienes no lo hacen.
Intervenciones Recomendadas:
| Intervención | Caída Target | Lift Esperado | Esfuerzo | Prioridad |
|---|---|---|---|---|
| [Cambio específico] | D1 / D7 / D30 | [X%] | C/M/G | 1/2/3 |
Plan de Monitoreo:
- Métrica a trackear: [X]
- Cadencia de revisión: [Semanal / Mensual]
- Umbral de alerta: [Si X cae por debajo de Y, investiga inmediatamente]
Inputs Requeridos
Pide al usuario estos datos si no están provistos:
- Producto y modelo de negocio (SaaS / aplicación de consumidor / marketplace / otro)
- Métricas de retención actuales (D1, D7, D30 si están disponibles)
- Segmento a analizar (todos los usuarios / pagados / free / una cohorte específica)
- Pregunta clave a responder (¿por qué cae la retención? ¿qué impulsa la retención?)
- Datos disponibles (eventos de analytics, encuestas de churn, notas de entrevistas)
Materiales más profundos
Esta habilidad incluye archivos de apoyo; úsalos cuando estén disponibles:
references/curve-reading.md— Leer curvas de retención sin engañarse. Aplícalo mientras produces el resultado; contiene la calibración y los criterios de juicio que el resumen del método de arriba comprime.templates/retention-readout.md— una versión para rellenar del entregable con las comprobaciones de calidad integradas. Ofrécela cuando el usuario prefiera trabajar el documento por su cuenta en lugar de que se genere.
Rúbrica de puntuación (0–40)
Puntúa cualquier resultado de esta habilidad antes de entregarlo; 32 o más es calidad de entrega.
| Dimensión | 0 | 5 | 10 |
|---|---|---|---|
| Diagnóstico de la curva | Informa una cifra de retención sin la forma de la curva | Se muestra la forma, pero no se interpreta | Se diagnostica explícitamente si se aplana o tiende a cero y se vincula a lo que significa (encaje producto-mercado frente a problema de onboarding) |
| Disciplina de cohortes | Todos los usuarios agrupados en una única tasa combinada | Cohortes separadas pero leídas como un volcado de tabla | Cohortes segmentadas antes del análisis, con la cohorte divergente señalada y explicada |
| Vínculo con el momento "ajá" | La activación nunca se conecta con la retención | Se afirma una correlación sin datos ni salvedades | Se identifica con evidencia el comportamiento que separa a los usuarios retenidos de los que abandonan, o se marca honestamente como desconocido con un plan para averiguarlo |
| Especificidad de las intervenciones | Consejos del tipo "mejorar el onboarding" | Acciones concretas pero sin plan de medición | Las intervenciones nombran el momento del usuario al que apuntan, más un plan de seguimiento con umbral de alerta y entrevistas a usuarios que abandonaron |
Checklists de Calidad
- La forma de la curva de retención está diagnosticada (aplana vs tiende a cero = PMF vs onboarding)
- Las cohortes están segmentadas antes del análisis (no todos los usuarios agrupados)
- La correlación de "aha moment" está identificada o marcada como desconocida
- Las intervenciones son específicas (no "mejorar onboarding")
- Las entrevistas de usuarios con churn se recomiendan (no solo análisis de datos)
- El plan de monitoreo incluye un umbral de alerta
Anti-Patrones
- No recomiendes "mejorar onboarding" sin especificar qué paso exacto cambiar y por qué
- No analices retención sin segmentar por cohorte — las curvas de retención agregadas ocultan patrones específicos de cohorte
- No trates DAU/MAU por debajo de 5% como problema de retención — a ese nivel, es un problema de product-market fit
- No saltes investigación cualitativa — las entrevistas de usuarios con churn revelan razones que los datos cuantitativos no pueden
- No establezcas una alerta de monitoreo sin especificar el umbral que la dispara
Directrices
- Nunca recomiendes "mejorar onboarding" sin especificar qué cambiar y por qué
- Haz benchmark contra la industria — aplicaciones de consumidor, SaaS y marketplaces tienen norms de retención muy diferentes
- Si DAU/MAU está por debajo de 5%, esa es una conversación de PMF, no una conversación de tácticas de retención
- Siempre recomienda hablar con usuarios con churn — ninguna cantidad de datos reemplaza entender la razón
Frases de activación de ejemplo
- "Analiza la retención de usuarios."
- "Investiga el abandono."
- "Construye un plan de mejora de la retención."
Ejecuta esta habilidad en tu navegador: https://mohitagw15856.github.io/pm-claude-skills/skill/retention-analysis.html
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| slack-gif-creatoranthropics/skillsKnowledge and utilities for creating animated GIFs optimized for Slack. Provides constraints, validation tools, and animation concepts. Use when users request animated GIFs for Slack like "make me a GIF of X doing Y for Slack." | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| ponytailDietrichGebert/ponytailLazy senior dev mode for any coding task: the smallest change that fully solves it, and a reply a busy human understands in one read. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailHarvest every shortcut: comment into one debt ledger, so deferrals get tracked instead of forgotten. One-shot report. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailList every `shortcut:` comment (and older `ponytail:` ones) as a debt ledger. One-shot report, changes nothing. Use for "ponytail debt", "what did ponytail defer", "list the shortcuts", /ponytail-debt. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |