Curva de Retención (Retention Curve)

Definición completa

La curva de retención es una representación visual de la serie temporal de retención de una cohorte de usuarios o clientes. El eje horizontal representa el tiempo transcurrido desde la adquisición — días, semanas o meses, según la frecuencia de uso esperada del producto — y el eje vertical representa el porcentaje de la cohorte original que sigue activo en cada punto temporal. El valor en el tiempo cero es siempre 100%, ya que todos los usuarios de la cohorte acaban de ser adquiridos. A partir de ahí, la curva desciende a medida que los usuarios dejan de estar activos.

Cuando la curva se construye para grupos de adquisición específicos — todos los usuarios captados en enero, todos los captados en febrero, etc. — recibe el nombre de curva de retención de cohortes. Esta segmentación añade una dimensión analítica crítica: permite comparar el comportamiento de retención entre distintos períodos de adquisición, canales de captación, o versiones del producto. Una empresa puede tener una tasa de retención agregada estable pero una curva de cohortes que revele un deterioro sistemático en las cohortes más recientes, señal de que algo ha cambiado en la propuesta de valor o en la calidad de los usuarios captados.

La curva de retención es equivalente al inverso de la curva de churn acumulado. Si el 30% de una cohorte ha abandonado al cabo de tres meses, la retención en el mes tres es del 70%. Ambas representaciones contienen la misma información, pero la curva de retención es más intuitiva porque el punto de referencia es el 100% inicial y cualquier desviación hacia abajo representa pérdida. Para equipos de producto y operadores sin formación estadística avanzada, la curva de retención es más directamente interpretable que la curva de churn acumulado.

Existen dos dimensiones sobre las que puede construirse una curva de retención: retención de usuarios o clientes (cuántos siguen activos) y retención de ingresos (cuánto MRR o GMV sigue generando la cohorte). La curva de retención de ingresos puede superar el 100% si los clientes que permanecen expanden su gasto con el tiempo, fenómeno conocido como Net Negative Churn. Esta divergencia entre retención de usuarios e ingresos es especialmente relevante en modelos de precios por uso o en plataformas con upsell natural, donde los clientes más maduros gastan significativamente más que al inicio.

Cómo implementar el análisis de curva de retención

1. 1

   Defina el evento de activación y el evento de retención

   Antes de construir la curva, establezca con precisión qué significa "haber sido adquirido" (primera compra, primer pago, primera sesión de uso activo) y qué significa "estar activo" en cada período (haber realizado al menos una acción de valor en el intervalo). Definiciones imprecisas producen curvas que parecen mejores de lo que son.

2. 2

   Agrupe los usuarios en cohortes por período de adquisición

   Para la mayoría de los negocios, las cohortes mensuales son el granularidad adecuada. Si el volumen de adquisición es alto y los ciclos de uso son cortos (aplicaciones diarias), considere cohortes semanales. Si el negocio tiene estacionalidad marcada — como ocurre en muchas PYMEs latinoamericanas con picos de ventas en temporadas específicas — las cohortes trimestrales facilitan comparaciones más limpias.

3. 3

   Construya la tabla de retención y grafíquela

   La tabla de retención es una matriz donde cada fila es una cohorte y cada columna es un período relativo (mes 0, mes 1, mes 2, etc.). Cada celda contiene el porcentaje de la cohorte original activo en ese período. La curva de retención es simplemente la representación visual de una fila de esa tabla. Comparar múltiples filas en la misma gráfica permite detectar mejoras o deterioros entre cohortes consecutivas.

4. 4

   Identifique el punto de inflexión y la altura de la meseta

   El punto donde la curva deja de descender significativamente y se estabiliza — la meseta — es el dato más importante. La altura de esa meseta indica la fracción del mercado que el producto retiene indefinidamente. Si no hay meseta, el producto no tiene retención estructural. Si la meseta está en el 40%, significa que 4 de cada 10 usuarios adquiridos se convierten en clientes permanentes.

5. 5

   Segmente la curva por canal de adquisición y perfil de cliente

   Una curva agregada mezcla segmentos con comportamientos distintos. Construya curvas separadas para clientes adquiridos por canal orgánico vs. pagado, por tamaño de empresa, por industria, o por plan inicial. Con frecuencia la curva agregada parece mediocre pero una de las curvas segmentadas muestra una meseta alta y clara: ese es el segmento prioritario para escalar la adquisición.

Ejemplo concreto: plataforma SaaS en Colombia

Considere una plataforma de gestión de inventarios para tiendas de moda con sede en Bogotá, con precios en COP. La plataforma tiene dos segmentos principales: boutiques independientes (plan Starter a $449,000 COP/mes) y cadenas de tiendas regionales con 3 a 10 puntos de venta (plan Growth a $1,050,000 COP/mes). El equipo construye curvas de retención separadas para cada segmento usando cohortes mensuales.

La curva de retención del segmento boutiques muestra una caída pronunciada en los primeros dos meses — del 100% al 62% — seguida de una meseta relativamente estable que se mantiene en torno al 55% entre los meses 3 y 12. Esto indica PMF moderado: más de la mitad de las boutiques que adoptan la plataforma la conservan indefinidamente. El análisis de los abandonos en los meses 1 y 2 revela que la mayoría ocurren en tiendas con menos de 80 SKUs activos, lo que sugiere que el umbral mínimo de utilidad del producto requiere un catálogo de cierto tamaño.

La curva del segmento cadenas regionales es radicalmente diferente: la caída inicial es mucho más suave — del 100% al 88% en los primeros dos meses — y la meseta se estabiliza en torno al 82% entre los meses 4 y 14. La curva de retención de ingresos de este segmento supera el 100% en el mes 9, porque varias cadenas han añadido puntos de venta adicionales y han subido al plan Scale (equivalente a $2,100,000 COP/mes). Esta divergencia entre las dos curvas lleva al equipo a redirigir el 70% del presupuesto de adquisición hacia el segmento de cadenas regionales, donde tanto la retención como el potencial de expansión son superiores.

Análisis en profundidad

La curva de retención es la visualización preferida por los fondos de capital de riesgo para evaluar el PMF de un producto por una razón matemática concreta: si la curva se estabiliza en una meseta distinta de cero, el producto tiene retención estructural y el negocio puede crecer de forma compuesta simplemente aumentando la adquisición sobre una base retenida estable. Si la curva sigue descendiendo hacia cero, ningún nivel de inversión en adquisición puede construir una base de usuarios duradera — cada nuevo usuario captado simplemente reemplaza a uno que se va, con coste de adquisición constante y sin construcción de activo. Esta distinción matemática es la que separa los negocios que escalan de los que crecen con apariencia de escala pero sin verdadera acumulación de valor.

La interpretación de la curva de retención varía significativamente según la vertical y el modelo de negocio. Para aplicaciones de consumo de alta frecuencia — redes sociales, aplicaciones de fitness, plataformas de contenido — una retención del 25% al 40% en el día 30 se considera saludable. Para herramientas de productividad B2B con ciclos de uso semanales, una retención del 60% al 80% en el mes 6 es el rango objetivo. Para plataformas de e-commerce o marketplaces, la métrica relevante es la frecuencia de recompra a 60 y 90 días. Aplicar benchmarks de una vertical a otra produce conclusiones incorrectas: una tienda de comercio electrónico con 35% de retención a 90 días no tiene PMF débil — tiene PMF excelente para su modelo. Una aplicación B2B SaaS con el mismo número en el mes 6 tendría un problema crítico de retención.

La descomposición de la curva de retención por canal de adquisición es uno de los análisis más valiosos y menos realizados de forma sistemática en empresas de etapas tempranas. Con frecuencia, los canales pagados —Meta Ads, Google Ads, patrocinios de influenciadores— captan usuarios con alta tasa de adquisición inicial pero curvas de retención con pendiente más pronunciada y mesetas más bajas que los canales orgánicos o de referido. Esto ocurre porque los canales pagados optimizan para el clic o el registro, no para la activación de valor. Una empresa que mezcla estos canales en su análisis agregado puede tener una curva aparentemente aceptable que, al descomponerse, revela que el canal de mayor inversión está captando usuarios que abandonan en el mes 1 mientras que el canal orgánico — con menor volumen — produce los usuarios de mayor retención. La implicación estratégica es directa: la asignación de presupuesto de adquisición debe usar la curva de retención por canal como input primario, no solo el CPL o el CAC inicial.

En el contexto latinoamericano, la curva de retención presenta patrones estacionales que las empresas deben calibrar antes de extraer conclusiones sobre PMF. En México y Colombia, los meses de fin de año — noviembre y diciembre — concentran una parte desproporcionada de la adquisición de nuevos clientes para plataformas de comercio, debido a campañas como El Buen Fin o temporada navideña. Estos usuarios captados en picos estacionales tienen típicamente curvas de retención más empinadas que los captados en períodos normales, porque una fracción significativa de ellos compró o se registró por un incentivo puntual sin intención de uso continuo. Si el equipo de análisis no segmenta las cohortes de diciembre y enero del resto del año, la curva agregada parecerá deteriorarse cada año en el primer trimestre — cuando en realidad lo que está midiendo es el desgaste de una cohorte estacional, no un cambio estructural en la propuesta de valor.

La relación entre la forma de la curva de retención y el LTV proyectado permite convertir un análisis visual en una proyección financiera precisa. Si la curva de retención se estabiliza en el mes 4 en el 60% y permanece relativamente plana a partir de entonces, el LTV esperado de un cliente se puede modelar como: el valor generado en los primeros 4 meses (período de alta deserción) más el valor generado durante la vida útil de la fracción del 60% que permanece. Si el valor mensual de un cliente activo es $2,100,000 COP, la retención del 60% en la meseta, con una tasa de descuento mensual del 1%, produce un LTV de largo plazo de aproximadamente $126,000,000 COP para la fracción retenida. Esta conversión de curva a LTV es el puente analítico entre el análisis de producto y la modelación financiera del negocio, y permite tomar decisiones de CAC máximo sostenible con fundamento matemático en lugar de intuición.

Errores frecuentes

• ✗

  Construir la curva de retención con datos de usuarios no activados. Si la definición de "usuario adquirido" incluye registros que nunca completaron la activación del producto — que nunca realizaron la acción de valor central — la curva comenzará artificialmente baja y la caída del mes 1 al mes 2 exagerará la deserción real. El denominador de la curva debe ser usuarios activados, no simplemente registrados o descargados. Esta distinción puede significar una diferencia de 20 a 40 puntos porcentuales en la retención del mes 1 y produce curvas completamente distintas con implicaciones estratégicas opuestas.

• ✗

  Confundir la curva de retención promedio con la curva del segmento prioritario. La curva promedio es un promedio ponderado de todas las cohortes y todos los segmentos. Si el 70% de los usuarios captados son de bajo valor y baja retención, la curva promedio reflejará principalmente su comportamiento y ocultará la curva superior del segmento de alto valor. Tomar decisiones de producto basadas en la curva promedio lleva a optimizar para el segmento equivocado. Siempre construya curvas separadas por segmento y use la curva del segmento prioritario como referencia para las decisiones de hoja de ruta.

• ✗

  Asumir que una meseta estable equivale a cero riesgo de churn futuro. Una curva que lleva seis meses estabilizada en el 65% no garantiza que permanecerá en ese nivel. Un cambio en el producto, en los precios, en la competencia, o en el entorno macroeconómico puede inclinar la meseta hacia abajo. La curva de retención es un diagnóstico del pasado, no una garantía del futuro. Los equipos que dejan de monitorear la curva una vez que han confirmado PMF se exponen a no detectar deterioros graduales que, compuestos durante varios trimestres, pueden erosionar significativamente la base retenida antes de que el problema sea visible en las métricas agregadas.

Cómo Fairview gestiona la curva de retención

Fairview construye automáticamente curvas de retención de usuarios e ingresos para cada cohorte mensual desde las fuentes de datos conectadas — plataformas de facturación, CRM, herramientas de uso del producto — sin necesidad de exportaciones manuales ni configuración de pipelines de datos. La plataforma detecta automáticamente el evento de activación relevante según el tipo de negocio y aplica la definición correcta del denominador: usuarios activados, no simplemente registrados. Cada curva se descompone por canal de adquisición, plan contratado y segmento de empresa, lo que permite comparar directamente el comportamiento de retención entre cohortes de distintos orígenes.

Cuando Fairview detecta que la meseta de retención de una cohorte reciente es significativamente inferior a la de cohortes anteriores — señal de un deterioro en PMF — genera una alerta con el desglose del segmento afectado y las cuentas específicas en situación de riesgo temprano. Esto permite que el equipo de Customer Success intervenga antes de que el abandono se produzca, transformando un análisis retrospectivo en una herramienta de intervención proactiva.

Preguntas frecuentes