# Cohort Analysis

> Realiza análisis de cohortes sobre datos de engagement de usuarios: curvas de retención, tendencias de adopción de funcionalidades e insights a nivel de segmento.

Fuente: https://skillsagentes.com/skills/phuryn/pm-skills/cohort-analysis
Markdown: https://skillsagentes.com/skills/phuryn/pm-skills/cohort-analysis.md

Repositorio: https://github.com/phuryn/pm-skills
Autor: phuryn
Licencia: MIT
Actualizado: hace 5 meses
Coste de contexto: 67 tok instalada, 1.3k tok al activarse, 1.3k tok con todos los archivos del bundle
Bundle: 1 archivo, 5 KB
Permisos que pide: ninguno declarado

## Instalación

Un skill son archivos markdown: los mismos archivos valen para cualquier agente y lo único que cambia es el directorio de destino, es decir la bandera `--agent`. Añade `-g` para instalarlo en todos los proyectos de la máquina.

```bash
# Claude Code
npx -y skills add phuryn/pm-skills --skill cohort-analysis --agent claude-code
# Cursor
npx -y skills add phuryn/pm-skills --skill cohort-analysis --agent cursor
# Codex
npx -y skills add phuryn/pm-skills --skill cohort-analysis --agent codex
# Gemini CLI
npx -y skills add phuryn/pm-skills --skill cohort-analysis --agent gemini
# Windsurf
npx -y skills add phuryn/pm-skills --skill cohort-analysis --agent windsurf
# Cline
npx -y skills add phuryn/pm-skills --skill cohort-analysis --agent cline
```

## Qué hace

- Lee y valida datos de cohortes en CSV, Excel o JSON, comprobando estructura y calidad
- Calcula tasas de retención por cohorte, curvas de abandono y adopción de funcionalidades
- Genera visualizaciones como mapas de calor de retención, gráficos de líneas y comparativas de adopción
- Identifica patrones significativos como churn temprano, clústeres de adopción o tendencias estacionales
- Recomienda investigación cualitativa de seguimiento, como entrevistas o pruebas A/B

## Cuándo usarla

- Analizar la retención de usuarios por cohorte
- Estudiar la adopción de funcionalidades a lo largo del tiempo
- Investigar patrones de churn
- Identificar tendencias de engagement

## Qué la activa

- "Analiza la retención de las cohortes de Q4 2025 frente a Q3"
- "Compara las curvas de adopción de esta nueva funcionalidad entre cohortes"
- "Sube este CSV de cohortes y dime por qué baja la retención"

## Antes de instalar

- Funciona mejor con datos de al menos 3-4 cohortes en CSV, Excel o JSON con identificador de cohorte, periodos de tiempo y métricas de engagement.

## Archivos

- SKILL.md — 5 KB

## SKILL.md

Reproducido tal cual desde phuryn/pm-skills bajo MIT. Esta sección es el documento original y está en inglés.

# Cohort Analysis & Retention Explorer

## Purpose
Analyze user engagement and retention patterns by cohort to identify trends in user behavior, feature adoption, and long-term engagement. Combine quantitative insights with qualitative research recommendations.

## How It Works

### Step 1: Read and Validate Your Data
- Accept CSV, Excel, or JSON data files with user cohort information
- Verify data structure: cohort identifier, time periods, engagement metrics
- Check for missing values and data quality issues
- Summarize key statistics (cohort sizes, date ranges, metrics available)

### Step 2: Generate Quantitative Analysis
- Calculate cohort retention rates and engagement trends
- Identify retention curves, drop-off patterns, and anomalies
- Compute feature adoption rates across cohorts
- Calculate month-over-month or period-over-period changes
- Generate Python analysis scripts using pandas and numpy if requested

### Step 3: Create Visualizations
- Generate retention heatmaps (cohorts vs. time periods)
- Create line charts showing cohort progression
- Build comparison charts for feature adoption
- Visualize drop-off points and engagement trends
- Output as interactive charts or static images

### Step 4: Identify Insights & Patterns
- Spot one or more significant patterns:
  - Early churn in specific cohorts
  - Late-stage engagement changes
  - Feature adoption clusters
  - Seasonal or temporal trends
- Highlight surprising findings and deviations
- Compare cohort performance to establish baselines

### Step 5: Suggest Follow-Up Research
- Recommend qualitative research methods:
  - Targeted user interviews with churning users
  - Feature usage surveys with engaged cohorts
  - Session replays of key interaction patterns
  - Win/loss analysis for high vs. low retention cohorts
- Design follow-up quantitative studies
- Suggest A/B tests or feature experiments

## Usage Examples

**Example 1: Upload CSV Data**
```
Upload cohort_engagement.csv with columns: cohort_month, weeks_active,
user_id, feature_x_usage, engagement_score

Request: "Analyze retention patterns and identify why Q4 2025 cohorts
underperform compared to Q3"
```

**Example 2: Describe Data Format**
```
"I have monthly user cohorts from Jan-Dec 2025. Each row shows:
cohort date, user ID, purchase frequency, and support tickets.
Analyze which cohorts show best long-term retention."
```

**Example 3: Feature Adoption Analysis**
```
Upload feature_usage.xlsx with cohort adoption data.

Request: "Compare adoption curves for our new feature across cohorts.
Which cohorts adopted fastest? Any patterns?"
```

## Key Capabilities

- **Data Reading**: Import CSV, Excel, JSON, SQL query results
- **Retention Analysis**: Calculate and visualize retention rates over time
- **Cohort Comparison**: Compare metrics across cohort groups
- **Anomaly Detection**: Flag unusual patterns or drop-offs
- **Python Scripts**: Generate reusable analysis code for ongoing analysis
- **Visualizations**: Create heatmaps, charts, and interactive dashboards
- **Research Design**: Suggest targeted follow-up studies and interview approaches
- **Statistical Summary**: Provide quantitative metrics and correlation analysis

## Tips for Best Results

1. **Include time dimension**: Provide data across multiple time periods
2. **Define cohort clearly**: Make cohort grouping explicit (signup month, feature launch date, etc.)
3. **Provide context**: Explain product changes, launches, or events during the period
4. **Multiple metrics**: Include retention, engagement, feature usage, revenue, etc.
5. **Sufficient data**: At least 3-4 cohorts for meaningful pattern identification
6. **Request specific output**: Ask for visualizations, Python scripts, or research recommendations

## Output Format

You'll receive:
- **Data Summary**: Cohort overview and data quality assessment
- **Quantitative Findings**: Key metrics, retention rates, and trend analysis
- **Visualizations**: Charts showing retention curves, adoption patterns
- **Pattern Identification**: 2-3 significant insights from the data
- **Research Recommendations**: Specific qualitative and quantitative follow-ups
- **Analysis Scripts** (if requested): Python code for reproducible analysis
- **Next Steps**: Prioritized actions based on findings

---

### Further Reading

- [Cohort Analysis 101: How to Reduce Churn and Make Better Product Decisions](https://www.productcompass.pm/p/cohort-analysis)
- [The Product Analytics Playbook: AARRR, HEART, Cohorts & Funnels for PMs](https://www.productcompass.pm/p/the-product-analytics-playbook-aarrr)
- [Are You Tracking the Right Metrics?](https://www.productcompass.pm/p/are-you-tracking-the-right-metrics)

## Dónde encaja

- Categoría: [Datos y analítica](https://skillsagentes.com/categorias/datos-analitica.md) — Consulta, limpia y visualiza datos sin salir del agente.
- Creador: [phuryn](https://skillsagentes.com/creators/phuryn.md) — 0 skills en el directorio
- [Todas las skills](https://skillsagentes.com/skills.md)
- [Ranking de instalaciones](https://skillsagentes.com/ranking.md)

## Otras skills del mismo repositorio

- [Shipping Artifacts](https://skillsagentes.com/skills/phuryn/pm-skills/shipping-artifacts.md): Conjunto de documentación que hace revisable una app construida con IA antes de lanzarla: arquitectura, flujos de usuario/permisos, permisos, variables/secretos y cobertura de tests, más docs condicionales.
- [Intended Vs Implemented](https://skillsagentes.com/skills/phuryn/pm-skills/intended-vs-implemented.md): Método para encontrar la brecha entre lo que un sistema debería hacer y lo que el código realmente hace, el tipo de bug que los escáneres genéricos no ven por falta de un modelo de intención.
- [Strategy Red Team](https://skillsagentes.com/skills/phuryn/pm-skills/strategy-red-team.md): Hace de red-team de un PRD, roadmap o estrategia: ataca sus supuestos críticos antes de que lo haga la realidad. Defiende y ataca cada afirmación, prioriza por impacto x probabilidad x coste y da el test más barato.
- [Swot Analysis](https://skillsagentes.com/skills/phuryn/pm-skills/swot-analysis.md): Realiza un análisis DAFO detallado (fortalezas, debilidades, oportunidades y amenazas) con recomendaciones accionables.
- [Value Proposition](https://skillsagentes.com/skills/phuryn/pm-skills/value-proposition.md): Diseña una propuesta de valor detallada con una plantilla JTBD de 6 partes (Who, Why, What before, How, What after, Alternatives) para crear o articular por qué elegir tu producto.

---

Skills Agentes · [Índice de páginas en markdown](https://skillsagentes.com/sitemap.md) · [Inicio](https://skillsagentes.com/index.md)