Cohort analysis para eCommerce D2C: la métrica que predice si tu negocio escala

Cohort analysis es una técnica que agrupa clientes según un evento común — habitualmente el mes de su primera compra — y sigue su comportamiento (recompra, gasto acumulado, retención) en el tiempo. En lugar de mirar la métrica agregada del negocio (que mezcla clientes nuevos y antiguos y oculta tendencias), miras cómo se comporta cada cohorte de adquisición. Es la única forma fiable de saber si los clientes nuevos de hoy son mejores, iguales o peores que los de hace 12 meses — y por tanto, si tu D2C realmente está mejorando o solo está creciendo en facturación pero degradándose en calidad.

Las cuatro críticas: (1) tasa de recompra a 30/60/90/180/365 días — qué % de la cohorte vuelve a comprar; (2) LTV acumulado por cohorte en cada hito temporal; (3) frecuencia de compra (pedidos por cliente acumulados); (4) AOV de la cohorte vs cohortes anteriores. La quinta opcional pero potente: payback period — cuántos meses tarda una cohorte en cubrir su CAC. En cuentas que auditamos, el simple cruce de payback period vs CAC blended detecta más del 60% de los problemas de escalado antes de que aparezcan en la cuenta de resultados.

Mínimo 6 cohortes mensuales con >50 clientes cada una para detectar tendencias con cierta solidez. Con 12 cohortes ya puedes ver estacionalidad anual y diferenciar entre cohortes Q4 (Black Friday, peor calidad) y cohortes Q1-Q3 (mejor calidad). Por debajo de 50 clientes/cohorte el ruido estadístico hace que cualquier curva de retención sea poco fiable; en ese caso conviene agrupar en cohortes trimestrales en lugar de mensuales hasta tener volumen.

Tres patrones rojos típicos: (1) la tasa de recompra a 90 días de las cohortes recientes es inferior a las cohortes de hace 12 meses — significa que los clientes nuevos son peores; (2) el LTV a 6 meses de cohortes nuevas baja mientras el CAC sube — payback se alarga; (3) las cohortes adquiridas durante picos de spend (sales, BFCM) tienen retención significativamente peor que las orgánicas — el escalado paid está trayendo peor cliente. Si ves los tres, estás escalando facturación a costa de margen futuro, aunque el dashboard mensual diga lo contrario.

Para algo básico, sí. Shopify Analytics tiene reportes de retención por cohorte de adquisición y GA4 ofrece informe de cohortes de retención. Para análisis serio en D2C >100K€/mes ambos se quedan cortos: Shopify mezcla canales y no permite cruzar con CAC; GA4 mide visitas, no clientes. La realidad práctica es que la mayoría de D2C medianos hace cohort analysis en hojas (PostgreSQL/BigQuery + Looker o Sheets) o usa herramientas específicas como Triple Whale, Lifetimely o Polar Analytics — todas tienen vista de cohortes nativa cruzada con spend de marketing.

Depende mucho de margen y recurrencia, pero rangos saludables que vemos: en consumibles (suplementos, café, cosmética con recompra alta) un payback de 2-4 meses es saludable, 6 meses es el límite aceptable. En moda y hogar 4-8 meses. En ticket alto/un solo uso, payback debe ser <1 pedido — el primer pedido tiene que cubrir CAC. Por encima de esos rangos, escalar significa quemar caja: cada nuevo cliente exige financiación durante meses antes de generar margen positivo, y eso solo es viable si hay capital de inversión asegurado.

Tres palancas concretas: (1) si una cohorte adquirida vía un canal concreto (ej. TikTok Ads) tiene retención significativamente peor que la media, ese canal está trayendo tráfico de peor calidad aunque el CAC plataforma parezca bueno — hay que reasignar presupuesto; (2) si las cohortes BFCM son peores, conviene reducir descuentos agresivos o filtrar audiencias para evitar cazadores de oferta; (3) la curva de LTV por cohorte permite calcular un ROAS objetivo realista — si tu LTV a 12 meses es 180€ con margen 40% y quieres payback en 6 meses, el ROAS objetivo de primer pedido se deriva de esos números, no de un benchmark genérico de internet.