El LTV medio de tu tienda no representa a ningún cliente real
Ese número único mezcla en un mismo valor al cliente que compró una sola vez hace dos años con el que llegó este mes y ya ha repetido en tres ocasiones. Un único indicador para grupos que se comportan de maneras completamente distintas. El dato agregado no cuenta la historia completa.
¿Cómo detectar esa diferencia?
Mediante un análisis de cohortes: se agrupan los clientes según el mes de su primera compra y se registra cuánto vale, de media, cada grupo a medida que transcurren los meses. Una matriz de cohortes admite tres lecturas distintas:
1. Por fila: la evolución de una cohorte. Se sigue al mismo grupo a lo largo del tiempo. Un cliente captado en enero valía 28.000 € en el mes de su primera compra y 62.000 € cinco meses después. El salto más pronunciado se produce en el primer mes (+11.000 €); entre el mes 3 y el 5 acumula 9.000 € adicionales en dos meses. ¿Dónde se concentra el mayor incremento? ¿A partir de qué punto se aplana la curva?
2. Por columna: comparación entre cohortes. Se confrontan grupos con la misma antigüedad. En el mes 1, los clientes de enero a marzo valen entre 38.000 € y 39.000 € de media. En abril esa cifra sube a 42.000 € y en mayo a 43.000 €. ¿Los clientes más recientes llegan con mayor valor? ¿Qué lo explica?
3. Por diagonal: el efecto del período. Se observan cohortes distintas durante un mismo mes. Si varias de ellas frenan su crecimiento al mismo tiempo, puede estar actuando un factor externo: un cambio de precios, un problema técnico en el sitio, algún acontecimiento puntual. ¿Hubo algo que afectó a varios grupos simultáneamente?
Y lo que resulta más valioso: una sola matriz puede ocultar diferencias muy relevantes entre segmentos.
Por eso conviene desagregar el análisis de cohortes según:
→ Canal de adquisición
→ Campaña
→ Producto de entrada
→ Región
Dos canales pueden captar 1.000 clientes cada uno, con el mismo CAC, y a los tres meses el cliente de uno vale 52.000 € mientras que el del otro llega a 30.000 €. Esa diferencia obliga a cuestionar la calidad de adquisición de cada canal, no solo su coste.
Conseguir más clientes no siempre equivale a crecer mejor. También importa, y mucho, cuánto vale cada uno con el paso del tiempo.
¿Con qué otra variable segmentarías un análisis de cohortes?
Análisis de cohortes para medir LTV real en ecommerce: más allá del promedio agregado
Resumen técnico
El LTV promedio global mezcla cohortes con comportamientos radicalmente distintos, perdiendo señal analítica. Una matriz de cohortes agrupa clientes por mes de primera compra y rastrea el valor acumulado por período. Permite tres lecturas: por fila (evolución temporal de un grupo), por columna (comparación entre cohortes con igual antigüedad) y por diagonal (efecto de un evento calendario sobre múltiples grupos). En el ejemplo, un cliente de enero acumula $28.000 en mes 0 y $62.000 en mes 5. El salto más alto ocurre en mes 1 (+$11.000). La segmentación por canal puede revelar diferencias de $22.000 en LTV a tres meses con el mismo CAC.
Análisis de implicaciones
Trabajar con cohortes segmentadas obliga a rediseñar el workflow de reporting: ya no es suficiente exportar un LTV único desde el panel de la plataforma. Se requiere construir una tabla dinámica o modelo SQL que cruce fecha de primera compra, canal de adquisición y valor acumulado por ventana temporal. La lectura diagonal introduce una variable crítica: efectos de período como cambios de precios, caídas del servidor o estacionalidad afectan simultáneamente a cohortes distintas, contaminando la lectura longitudinal si no se aíslan correctamente.
Aplicación práctica
En Google BigQuery o dbt, se construye la matriz con una consulta que calcula meses desde primera compra usando DATE_DIFF y agrega revenue acumulado por cohorte. Segmentando por canal de adquisición, es posible detectar que dos campañas con idéntico CAC generan LTV a 90 días de $52.000 vs. $30.000. Esto redirige el presupuesto hacia calidad de cliente, no solo volumen. El producto de entrada es otra variable potente: identifica qué SKU actúa como puerta de conversión a clientes recurrentes de alto valor.
Contexto del sector
En ecommerce, el incremento del CAC en canales paid hace insostenible optimizar solo por conversión inicial. Las plataformas como Shopify, VTEX o Magento ofrecen datos de pedidos pero no generan análisis de cohortes nativos con la granularidad necesaria. Herramientas como Lifetimely, Triple Whale o modelos propios en Looker cubren ese gap. La presión por rentabilidad en 2024-2025 convierte el análisis de cohortes en una herramienta de decisión de inversión, no solo de reporting.
