Ventas B2B · 13 min · 27 de julio de 2026

Análisis de cohortes en SaaS B2B: qué es y cómo hacerlo en 2026

Un SaaS B2B lleva doce meses con el churn mensual clavado en el 3 %. La cifra no se mueve, así que en las reuniones se asume que la retención «está estable» y la conversación pasa a otro tema. Dentro de ese 3 % plano hay dos historias opuestas: los clientes que entraron hace un año se caen a un ritmo cada vez menor, y los que entraron el último trimestre se caen al doble de velocidad que sus antecesores. El promedio suma las dos y devuelve una línea recta. Una métrica agregada no puede distinguir entre un negocio que mejora y uno que se está deteriorando por debajo. El análisis de cohortes existe para romper ese promedio: agrupa a los clientes por el momento en que entraron y sigue a cada grupo por separado, de modo que puedes comparar a los que llevan tres meses contigo con los que llevaban tres meses el año pasado. Aprende qué es una cohorte, cómo se construye la tabla paso a paso, cómo se lee en sus tres direcciones, qué decisiones solo se pueden tomar con ella y qué errores la convierten en un cuadro de colores bonito que nadie usa.

Qué es el análisis de cohortes

Analizar por cohortes es dejar de preguntar «cuántos clientes tengo este mes» y empezar a preguntar «qué les ha pasado a los clientes que entraron en enero, y en qué se diferencian de los que entraron en junio». El cambio parece pequeño y lo cambia todo, porque introduce en el análisis la variable que las métricas agregadas eliminan: el tiempo de vida de cada cliente contado desde su propia alta, no desde el calendario.

Qué es exactamente una cohorte

Una cohorte es un conjunto de clientes que comparten un evento inicial en el mismo periodo. En SaaS B2B el evento por defecto es la fecha de alta y el periodo suele ser el mes: la «cohorte de marzo de 2026» son todas las cuentas que firmaron en marzo de 2026. Es una definición deliberadamente aburrida, y esa es su virtud: al fijar el punto de partida, hace que dos grupos distintos sean comparables. También puedes cohortar por otra cosa —el canal de captación, el plan contratado, el segmento de tamaño— y ahí es donde el análisis empieza a responder preguntas de negocio en lugar de solo describir.

Por qué el promedio de empresa te engaña

Cualquier métrica agregada mezcla en la misma cifra a clientes con seis días y clientes con seis años, y en SaaS esos dos grupos se comportan de forma radicalmente distinta: la mortalidad se concentra en los primeros meses y luego se aplana. Eso tiene dos consecuencias incómodas. La primera es que si creces rápido, tu churn agregado empeora aunque el producto mejore, porque cada mes metes más clientes jóvenes —los que más se caen— en la mezcla. La segunda es la simétrica y más peligrosa: si tu captación se frena, tu churn agregado mejora solo, porque la base envejece y los supervivientes son, por definición, los que no se iban a ir. En los dos casos la cifra se mueve por razones que no tienen nada que ver con lo que crees que estás midiendo.

El churn rate mensual, el NRR y el GRR son métricas útiles y ninguna sobra; lo que ocurre es que todas responden a «cómo está el negocio ahora» y ninguna responde a «está mejorando lo que hago». Esa segunda pregunta solo se contesta comparando grupos comparables, y para eso hacen falta cohortes.

Cómo construir una tabla de cohortes paso a paso

La tabla de cohortes es una matriz: cada fila es un grupo de entrada y cada columna es el número de meses transcurridos desde esa entrada. No necesitas ninguna herramienta especializada para empezar —una hoja de cálculo sobre un volcado de tu base de datos basta— pero sí necesitas tomar cuatro decisiones antes de escribir la primera fórmula.

1. Define el evento de entrada

Decide qué marca el mes 0 de un cliente y escríbelo en algún sitio. Las opciones habituales son la fecha de firma, la fecha del primer pago o la fecha de activación real del producto, y no dan el mismo resultado: si tienes un onboarding de seis semanas, cohortar por firma mete en la cohorte a cuentas que aún no han usado nada. Elige una, sé coherente, y si tu ciclo de implantación es largo, cohortar por activación suele ser más informativo.

2. Elige el tamaño del periodo

El mes es el estándar en SaaS B2B porque coincide con el ciclo de facturación. Si vendes contratos anuales y firmas pocas cuentas al mes, agrupa por trimestre: una cohorte de tres clientes no es una cohorte, es una anécdota, y su porcentaje de retención saltará entre 100 % y 66 % por motivos que no significan nada. La regla práctica es agrupar hasta tener al menos unas decenas de cuentas por fila.

3. Elige qué mides dentro de cada celda

La misma estructura sirve para tres cosas distintas y conviene no mezclarlas: número de clientes que siguen activos, ingreso recurrente que ese grupo sigue aportando, o porcentaje de clientes que realizan una acción concreta del producto. Empieza por la de clientes, que es la más fácil de construir y de auditar, y añade la de ingresos en cuanto tengas la primera funcionando.

4. Normaliza a porcentaje sobre el mes 0

Cada celda se divide por el valor de la primera columna de su propia fila. Sin esa normalización estás comparando cohortes de distinto tamaño y la tabla no dice nada: una cohorte de 200 clientes siempre tendrá números mayores que una de 40 aunque retenga peor. Con la normalización, todas las filas empiezan en 100 % y por fin son comparables entre sí, que es el único motivo por el que existe la tabla.

Ejemplo de tabla de cohortes en un SaaS B2B

Un SaaS B2B con contratos mensuales sigue la retención de clientes de cuatro cohortes. Cada fila es el mes de alta, cada columna son los meses transcurridos desde esa alta, y las celdas vacías son simplemente meses que todavía no han ocurrido para las cohortes más recientes. Las cifras son ilustrativas; el patrón que enseñan es el que te interesa reconocer.

Mira la columna del mes 3, que es donde la tabla habla: 75 %, 77 %, 86 %. Los clientes que entraron en julio llegan al tercer mes mucho mejor que los que entraron en enero, y eso es una mejora real del negocio que ningún promedio mensual habría enseñado. También se ve dónde está el problema estructural: entre el mes 1 y el mes 3 todas las cohortes pierden entre quince y diez puntos, mientras que del mes 6 al 9 apenas se mueven. La fuga está concentrada en el primer trimestre de vida del cliente, así que cualquier esfuerzo de retención que no toque el arranque está trabajando donde no pasa nada.

Tipos de análisis de cohortes: clientes, ingresos y comportamiento

La misma tabla cambia de significado según lo que pongas dentro de las celdas, y las tres versiones se complementan.

Cohortes de retención de clientes

Cuenta cuántas cuentas de la cohorte siguen activas en cada mes. Es la versión más simple y responde a una pregunta de producto y de encaje: ¿la gente que compra se queda? Trata a todos los clientes por igual, lo cual es una ventaja cuando quieres evaluar el producto y una limitación cuando tus contratos tienen tamaños muy distintos.

Cohortes de retención de ingresos

Cuenta el ingreso recurrente que la cohorte sigue aportando, incluyendo ampliaciones y rebajas. Es la única versión que puede superar el 100 %: si los clientes que quedan gastan más que todo el grupo original, la fila crece con el tiempo. Es la vista que de verdad importa para el negocio y la que explica de dónde sale un NRR por encima de 100, porque muestra en qué mes de vida empieza la expansión a compensar las bajas. Compararla con la de clientes es especialmente revelador: si pierdes muchas cuentas pero poco ingreso, estás perdiendo a las pequeñas; si ocurre al revés, se te están yendo las grandes y tienes un problema distinto y más urgente.

Cohortes de comportamiento

En lugar de por fecha de alta, agrupa a los clientes por algo que hicieron: los que completaron el onboarding en la primera semana, los que invitaron a más de tres usuarios, los que integraron su CRM. Es la versión que más directamente produce decisiones, porque si la cohorte que integró el CRM retiene veinte puntos más que la que no lo hizo, acabas de encontrar algo concreto que empujar en el onboarding. Una advertencia necesaria: eso es correlación, y a menudo la integración es un síntoma de compromiso previo, no su causa. La hipótesis sale de la tabla; la confirmación exige probar a empujar esa acción y ver si la siguiente cohorte mejora.

Cómo leer una tabla de cohortes: las tres direcciones

Una tabla de cohortes se lee en tres direcciones y cada una responde a una pregunta distinta. Casi todo el valor del método está en no confundirlas.

Horizontal: cómo envejece un grupo

Recorrer una fila muestra la curva de vida de una cohorte concreta. Lo que buscas aquí es dónde se aplana: el mes en que la caída se detiene marca el punto en el que un cliente puede considerarse asentado. Si la curva nunca se aplana y sigue bajando indefinidamente, tienes un problema de encaje producto-mercado que ninguna acción de retención arregla. Si se aplana pronto y alto, ese suelo es el que sostiene tu valor de vida del cliente.

Vertical: si estás mejorando

Recorrer una columna compara cohortes distintas a la misma edad, y es la lectura más valiosa de todas porque es la única que aísla el efecto de tus cambios. Si la columna del mes 3 sube según bajas por la tabla, lo que hiciste entre esas altas —un onboarding nuevo, un criterio de cualificación más estricto, un cambio de precio— está funcionando. Es también la lectura que te dice si un mal trimestre comercial fue mala suerte o un deterioro real de la calidad de lo que entra.

Diagonal: qué pasó ese mes en el calendario

Las diagonales agrupan las celdas que ocurrieron en el mismo mes natural, aunque pertenezcan a cohortes distintas. Sirven para detectar sucesos externos: una caída simultánea en todas las cohortes no es un problema de un grupo concreto, es algo que pasó ese mes —una subida de precios, una caída del servicio, un cambio de política— y afectó a todos a la vez. Es la lectura que menos se usa y la que más rápido descarta explicaciones equivocadas.

Para qué sirve el análisis de cohortes en un equipo B2B

Más allá de entender la retención, hay cuatro decisiones que en la práctica solo se pueden tomar bien con cohortes delante.

• Saber si una mejora funcionó. Cualquier cambio en onboarding, precio o cualificación tarda meses en aparecer en las métricas agregadas y llega diluido. En la columna correspondiente de la tabla aparece limpio y atribuible al grupo que lo recibió.
• Calcular un LTV que no sea una invención. El atajo habitual divide el ingreso medio entre el churn y supone que la tasa de bajas es constante para siempre, cosa que la propia tabla demuestra falsa. La curva de retención real de tus cohortes maduras da una estimación mucho más defendible del LTV y de su relación con el CAC.
• Comparar canales de captación por lo que valen, no por lo que cuestan. Cohortando por origen se ve que un canal con un coste de adquisición bajo puede traer clientes que se caen al cuarto mes, y otro más caro traer cuentas que siguen ahí dos años después. La decisión de dónde invertir cambia por completo con ese dato.
• Afinar el perfil de cliente ideal con hechos. Cohortar por sector, por tamaño o por plan enseña qué segmentos retienen y cuáles no, y convierte el ICP en una descripción de a quién sí deberías vender en lugar de a quién te gustaría vender.

Ese último punto es el que más lejos llega, porque cierra el círculo con el trabajo comercial: si las cohortes dicen que las empresas de menos de veinte empleados de un sector concreto se caen en el mes cuatro de forma sistemática, la conclusión no es que haga falta más soporte, sino que ese segmento no debería estar en el embudo de ventas y que el criterio de cualificación de leads tiene que reflejarlo. Conviene hacer ese ajuste pronto, porque solo se notará en las cohortes que entren a partir de ahora: si quieres prospectar directamente el perfil que la tabla señala como el que se queda, puedes probar alleads gratis y filtrar por sector, tamaño y cargo en lenguaje natural.

Errores comunes en el análisis de cohortes

Casi todas las tablas de cohortes que acaban abandonadas fallaron por uno de estos motivos:

• Leer cohortes incompletas como si estuvieran terminadas. La celda del mes 6 de una cohorte que solo lleva cuatro meses de vida no es un dato malo: no existe. Sacar conclusiones de las últimas columnas de las filas recientes es el error más frecuente y siempre produce optimismo injustificado, porque las cohortes jóvenes aún no han tenido tiempo de perder a nadie.
• Cohortes demasiado pequeñas. Con ocho clientes por fila, un porcentaje de retención salta doce puntos y medio cada vez que se va uno. Esos saltos parecen tendencias y no lo son. Agrupa por trimestre hasta tener volumen suficiente.
• Comparar cohortes que no son comparables. Si entre marzo y septiembre cambiaste de segmento objetivo, de precio o de canal, las dos filas no miden lo mismo aunque estén una encima de otra. La comparación vertical exige que lo único distinto sea lo que quieres evaluar.
• Confundir la correlación de una cohorte de comportamiento con una causa. Que los clientes que usan una función retengan mejor no significa que empujar esa función mejore la retención; puede ser que los clientes ya comprometidos sean los que la descubren. La tabla genera hipótesis, no conclusiones.
• Construir la tabla y no volver a mirarla. Una tabla de cohortes sin una pregunta detrás se convierte en un cuadro de colores en un panel que nadie abre. Revísala con una cadencia fija y con una pregunta concreta: ¿mejoró la columna del mes 3 desde que cambiamos el onboarding?

Limitaciones del análisis de cohortes

La primera limitación es que es lento por construcción. Para saber si un cambio mejoró la retención al sexto mes hay que esperar seis meses, y eso choca con la velocidad a la que se toman decisiones en una empresa pequeña. La mitigación práctica es vigilar las columnas tempranas —mes 1 y mes 3— como indicador adelantado, sabiendo que son una señal parcial y no el resultado final.

La segunda es que necesita volumen. Un SaaS B2B que firma cinco contratos anuales al mes no puede construir cohortes mensuales significativas, y agrupar por trimestre o por semestre reduce tanto la resolución que la tabla pierde buena parte de su utilidad. Si vendes pocas cuentas y muy grandes, el análisis cuenta por cuenta y la conversación directa con cada cliente te dará más información que cualquier matriz.

Y la tercera es que describe, pero no explica. La tabla te dice que la cohorte de septiembre retiene peor y te dice exactamente en qué mes se rompe, lo cual es muchísimo más de lo que tenías antes, pero no te dice por qué. El porqué sigue saliendo de hablar con los clientes que se fueron, revisar qué cambió en ese periodo y mirar el seguimiento comercial de esas cuentas. Las cohortes acotan dónde buscar; no sustituyen la búsqueda.

Preguntas frecuentes

¿Qué es una cohorte en SaaS?

Un grupo de clientes que comparten el mismo evento de entrada en el mismo periodo, normalmente el mes en que se dieron de alta. La cohorte de marzo son todas las cuentas que firmaron en marzo, y se sigue como un bloque a lo largo de su vida para poder compararla con otras cohortes a la misma edad.

¿En qué se diferencia el análisis de cohortes del churn rate?

El churn rate es una cifra agregada que mezcla clientes de todas las antigüedades y responde a cómo está el negocio ahora. El análisis de cohortes separa a los clientes por su fecha de entrada y responde a si el negocio está mejorando, porque permite comparar grupos en el mismo punto de su vida. Un churn plano puede esconder cohortes que empeoran y cohortes que mejoran cancelándose entre sí.

¿Cuántos clientes hacen falta por cohorte?

No hay un número mágico, pero por debajo de unas pocas decenas de cuentas cada baja mueve el porcentaje tanto que el ruido tapa la señal. Si tu volumen mensual es bajo, agrupa por trimestre en lugar de por mes: es preferible tener menos filas fiables que muchas filas que saltan por azar.

¿Se puede hacer análisis de cohortes en una hoja de cálculo?

Sí, y es la forma recomendable de empezar. Con un volcado de tus cuentas que incluya identificador, fecha de alta, fecha de baja y el ingreso recurrente de cada mes, una tabla dinámica produce la matriz completa. Las herramientas especializadas ahorran mantenimiento cuando el análisis se vuelve rutinario, pero no cambian el método ni las conclusiones.

¿Qué es una buena curva de retención por cohortes?

La que se aplana. Importa más que la curva llegue a una meseta estable que el nivel exacto en el que lo haga, porque esa meseta es la que sostiene el valor de vida del cliente. Una curva que sigue descendiendo mes tras mes sin estabilizarse indica un problema de encaje entre producto y mercado, no un problema de retención que se arregle con más seguimiento.

¿Puede una cohorte retener más del 100 %?

En la versión de ingresos, sí: si los clientes que permanecen amplían su gasto por encima de lo que se pierde con las bajas y las rebajas, la cohorte aporta más ingreso que en su mes 0. En la versión de clientes es imposible, porque una cohorte es un grupo cerrado y nadie nuevo puede entrar en ella después de su mes de alta.

Conclusión

El análisis de cohortes no es una métrica más para el panel: es la forma de hacer que las métricas que ya tienes signifiquen algo. Un churn del 3 % no te dice si vas bien; la columna del mes 3 subiendo cohorte tras cohorte, sí. Empieza por lo simple —retención de clientes, agrupación mensual, normalizada a porcentaje— y añade la vista de ingresos cuando la primera esté funcionando. Lee la tabla en sus tres direcciones sin confundirlas: la fila te dice cuándo se asienta un cliente, la columna te dice si estás mejorando y la diagonal te avisa de lo que pasó ese mes y afectó a todos. Y no olvides lo que la tabla acaba señalando casi siempre: buena parte de la retención se decide antes de la firma, en a quién dejaste entrar.