← LeaderboardThe Skill Leaderboard

retention-analysis

Estructura 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.

Published by mohitagw15856 ↗mohitagw15856/pm-claude-skills

Try your first task

retention-analysis

Start a fresh conversation. Replace the highlighted placeholders.

Use retention-analysis to analyze retention for [product and business model], [target segment and key question], and [retention metrics and available evidence], delivering root-cause hypotheses, aha-moment correlations, prioritized interventions, and a monitoring plan.

Required inputs

  • [product and business model]
  • [target segment and key question]
  • [retention metrics and available evidence]

User-approved starter prompt based on a pinned source version; check current skill requirements before running. Task evidence ↗

SKILL.md

# machine-translated to es from skills/retention-analysis/SKILL.md — review: pending. Native fixes welcome via PR.name: retention-analysisdescription: "Estructura 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:

  1. Inclinación de la caída inicial (D1–D7) — problema de onboarding
  2. 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

MétricaFórmulaQué te dice
Retención D1Usuarios que regresan el día 2 ÷ usuarios nuevos día 1Calidad de la primera experiencia
Retención D7Usuarios activos el día 8 ÷ usuarios que se unieron hace 7 díasFormación temprana de hábito
Retención D30Usuarios activos el día 31 ÷ usuarios que se unieron hace 30 díasSeñal de product-market fit
Ratio DAU/MAUUsuarios activos diarios ÷ usuarios activos mensualesStickiness (>20% bueno, >50% excelente)
Churn RateUsuarios perdidos en período ÷ usuarios al inicio del períodoMensual o anual
Net Revenue RetentionMRR 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:

MétricaActualBenchmark IndustriaEstado
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:

HipótesisEvidenciaConfianzaTest
[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:

IntervenciónCaída TargetLift EsperadoEsfuerzoPrioridad
[Cambio específico]D1 / D7 / D30[X%]C/M/G1/2/3

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)

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