El Analizador de Retención de Cohortes: Encuentra Dónde Abandonan los Usuarios y Por Qué
Why this prompt matters
Diagnosing a retention dip the ad-hoc way — pulling SQL, building a slide, guessing at causes in a meeting — typically takes a product team 2-3 weeks. By the time the root cause surfaces, the cohort that triggered the alarm has often already fully churned, and the next 2-3 cohorts have gone through the same broken experience unnoticed. A structured retention prompt compresses that diagnostic cycle from weeks to minutes, catching a broken onboarding flow or a bad acquisition channel before it silently degrades the next several thousand signups.
What we use it for
You're a growth PM at a 40-person B2B SaaS company. In Monday's leadership meeting, your CEO asks why the April cohort of new signups is retaining 12 percentage points worse than March's cohort at the Week 4 mark, and you have 20 minutes before your next meeting to come back with an answer that isn't 'we're not sure yet.'
Prompt
Act as a senior product analytics consultant who specializes in retention and cohort analysis for SaaS and consumer products. CONTEXT: [PASTE YOUR COHORT RETENTION DATA HERE — a table of cohort start month/week vs. % of users retained at Week 1, Week 4, and Week 12 or equivalent intervals] Product name: [YOUR PRODUCT NAME] Target user segment: [E.G., SMB FINANCE TEAMS, INDIVIDUAL DEVELOPERS, ENTERPRISE IT ADMINS] Known changes during this period: [LIST ANY PRODUCT CHANGES, ONBOARDING REDESIGNS, PRICING CHANGES, OR MARKETING CAMPAIGNS THAT OVERLAP WITH THE COHORT WINDOWS] TASK: Analyze the retention curves across cohorts to identify: 1. Which cohorts retain significantly better or worse than the others, and by how many percentage points 2. The specific week or month where drop-off accelerates most sharply across cohorts 3. Plausible causes tied to the product changes, onboarding friction, seasonality, or marketing source quality provided above 4. A ranked list of hypotheses for the single biggest retention risk, each with a confidence level and a concrete way to validate it CONSTRAINTS: - Do not just describe the data back to me — provide causal hypotheses grounded specifically in the product changes and context I gave you - Rank hypotheses by likely business impact, not alphabetically or by how confident you are - Flag any data quality issues you notice (e.g., sample size too small to trust, non-monotonic retention that suggests a tracking bug, or missing cohorts) - Limit the ranked hypotheses list to a maximum of 5 — do not pad with low-confidence guesses just to fill space - If the data doesn't support a strong conclusion, say so explicitly rather than forcing a narrative OUTPUT FORMAT: 1. Headline Finding — one to two sentences stating the single most important retention insight 2. Cohort Comparison Table — cohorts ranked best-to-worst with retention % at each measured interval 3. Drop-off Point — where retention falls off most sharply, and by how many percentage points 4. Ranked Hypotheses (up to 5) — cause, confidence level (High/Medium/Low), and how to validate it 5. Recommended Next Action — the single most valuable thing to test or fix first, and why it's the highest-leverage move
Result
Headline Finding
The April cohort's Week 4 retention (58%) is 12 points below March's (70%), and nearly the entire gap opens in the first 7 days — this looks like an onboarding regression, not a slow organic decline.
Cohort Comparison Table
| Cohort | Week 1 | Week 4 | Week 12 |
|---|---|---|---|
| February | 81% | 68% | 52% |
| March | 84% | 70% | 54% |
| April | 69% | 58% | — |
April's Week 1 retention alone is 12-15 points below both prior cohorts, and that gap persists rather than narrowing by Week 4 — the damage is happening immediately after signup, not accumulating gradually.
Drop-off Point
The steepest break is Days 1-3 post-signup. February and March cohorts lose about 6-8 points of retention in this window; April loses 19 points. Every cohort loses users in the first three days — April is losing roughly three times as many.
Ranked Hypotheses
1. Onboarding flow change shipped March 28 (Confidence: High). The new 5-step guided setup replaced a 2-step quick-start exactly 3 days before the April cohort's signup window opens. Early-days drop-off cliffs immediately after an onboarding redesign are one of the most common and well-documented causes of this exact pattern. Validate by: pulling funnel completion rates for the new 5-step flow — if completion rate is below 60%, this is very likely the primary cause.
2. Paid channel mix shift (Confidence: Medium). Marketing notes indicate an increased spend shift toward a new paid social channel starting April 2. Lower-intent traffic from a new acquisition channel commonly produces exactly this kind of front-loaded drop-off. Validate by: segmenting April's Week 1 retention by acquisition source — if the new channel's cohort retains dramatically worse than organic/existing channels, this compounds with hypothesis 1 rather than replacing it.
3. Pricing page A/B test bleed-through (Confidence: Low). A pricing experiment launched April 10 for a different user segment; possible but unlikely cross-contamination into this cohort given the targeting rules described. Validate by: confirming experiment targeting logs excluded new signups during this window.
Data Quality Note
April's Week 12 figure is missing because the cohort hasn't reached that age yet — do not treat this as a data gap requiring investigation.
Recommended Next Action
Pull the new 5-step onboarding funnel's step-by-step completion data before your next meeting. If there's a specific step with an unusually high abandonment rate, you'll likely have a concrete, fixable culprit — not just a correlation — within the hour.
Los dashboards de retención están por todas partes en las herramientas de analítica de producto, pero un dashboard solo te muestra que un número se movió — nunca te dice por qué. La mayoría de los equipos reaccionan a una mala curva de retención sacando los datos a una hoja de cálculo, mirándolos fijamente y especulando en voz alta en una reunión. Ese proceso es lento, desestructurado y fuertemente sesgado hacia la teoría que la persona de mayor rango en la sala favorezca primero.
Este Prompt está diseñado para reemplazar ese ejercicio de adivinanzas con un análisis causal estructurado, usando los mismos pasos de razonamiento que seguiría un analista de crecimiento experimentado — pero comprimidos en una sola solicitud.
Por qué el Prompt está construido así
La instrucción de Role — "senior product analytics consultant" — importa más de lo que parece. Sin ella, los modelos de propósito general tienden a describir los datos ("La Cohorte A retuvo mejor que la Cohorte B") en lugar de diagnosticarlos. Enmarcar al modelo como un consultor que tiene que justificar recomendaciones a un cliente lo empuja hacia el razonamiento causal en lugar de repetir números que ya tienes delante.
La sección de Context pide deliberadamente más que solo los números de retención. Incluir cambios de producto conocidos, rediseños de onboarding y campañas de marketing durante la misma ventana es lo que convierte esto de un ejercicio de descripción de datos en un diagnóstico real — el modelo solo puede proponer hipótesis fundamentadas si tiene algo en qué basarlas. Un Prompt de retención alimentado solo con números producirá explicaciones genéricas ("los usuarios pueden estar perdiendo interés") que son ciertas para cualquier producto SaaS e inútiles para tomar acción.
El bloque de Constraints hace tres trabajos específicos. Primero, fuerza la clasificación por impacto en el negocio en lugar de orden alfabético o de confianza, lo que importa porque la hipótesis de mayor confianza no siempre es la de mayor impacto de arreglar. Segundo, limita la lista de hipótesis a cinco — sin esto, los modelos tienden a generar demasiadas suposiciones de bajo valor para parecer exhaustivos, lo que entierra las una o dos ideas que realmente merecen acción. Tercero, la instrucción explícita de señalar problemas de calidad de datos atrapa un modo de falla específico de los datos de retención: las curvas no monótonas (donde la retención de la semana 4 es mayor que la de la semana 1, lo cual es matemáticamente imposible para una curva de retención correcta) casi siempre indican un bug de tracking en lugar de un patrón de comportamiento real, y un analista que no verifique esto construirá toda una narrativa sobre datos rotos.
Cómo se ve un buen resultado
Una ejecución útil de este Prompt debería producir algo que puedas pegar directamente en un mensaje de Slack antes de una reunión de liderazgo: un hallazgo principal expresado como una afirmación (no una descripción), una pequeña tabla comparativa, el punto específico donde se rompe la curva y — críticamente — una acción siguiente en lugar de solo más análisis. Si el resultado del modelo se lee como una versión más larga de los datos de entrada, el Prompt ha fallado y probablemente necesita una restricción más fuerte para evitar la repetición.
Dónde se extiende este patrón más allá de la retención
La misma estructura de Role + grounded Context + ranked-hypothesis Constraints funciona para cualquier problema del tipo "por qué se movió esta métrica" — picos de churn, caídas en la tasa de conversión, aumentos en el volumen de tickets de soporte. Los campos específicos cambian, pero la forma — forzar el razonamiento causal, fundamentarlo en eventos conocidos, limitar el número de hipótesis, señalar la calidad de los datos — es reutilizable cada vez que le entregas a un modelo una serie temporal y le preguntas "por qué".