Un embudo de conversión estándar muestra el recorrido agregado de todo el tráfico junto, mezclando visitantes de hace un año con los de ayer mismo. El análisis de embudo por cohortes combina dos herramientas ya conocidas por separado (el embudo de conversión y el análisis de cohortes) para responder a una pregunta más precisa: ¿el embudo de conversión mejora o empeora entre distintos grupos de usuarios captados en momentos distintos?
Por qué un embudo agregado puede ocultar tendencias importantes
Si la conversión general del embudo se mantiene estable en el tiempo, podría parecer que nada está cambiando. Pero al desglosar ese mismo embudo por cohorte de captación, puede revelarse que los usuarios más recientes convierten peor que los de hace unos meses, un deterioro que la cifra agregada compensa artificialmente con el rendimiento todavía bueno de cohortes más antiguas, ocultando un problema real que está empeorando en el tráfico más nuevo.
Cómo se construye este análisis combinado en la práctica
- Se agrupan los usuarios según su fecha de primera visita o de primera conversión, formando cohortes mensuales o semanales.
- Para cada cohorte por separado, se calcula el mismo embudo de conversión completo: cuántos avanzan de cada paso al siguiente.
- Se comparan las tasas de conversión de cada paso entre cohortes distintas, buscando patrones de mejora o deterioro consistentes a lo largo del tiempo.
Un ejemplo que muestra su valor diagnóstico
Un cambio de diseño lanzado hace dos meses podría estar generando una caída específica en el paso de «añadir al carrito» únicamente entre las cohortes posteriores a ese lanzamiento, mientras las cohortes anteriores, que no experimentaron ese cambio en su primera visita, mantienen su comportamiento habitual. Un embudo agregado, sin ese desglose por cohorte, mostraría solo una caída general difícil de atribuir a una causa concreta y reciente.
Por qué resulta especialmente útil para medir el impacto real de cambios de producto
Comparar el embudo completo de la cohorte inmediatamente anterior a un cambio con el de la cohorte inmediatamente posterior aísla, con bastante más precisión que una comparación de fechas simple, el efecto real de ese cambio concreto sobre el comportamiento de conversión, controlando mejor por factores estacionales que afectarían por igual a ambas cohortes si están suficientemente próximas en el tiempo.
El coste de esta profundidad: exige más volumen de datos y más tiempo de análisis
Desglosar un embudo ya complejo en múltiples cohortes multiplica la cantidad de datos que hay que revisar y comparar, y exige un volumen de tráfico suficiente en cada cohorte individual como para que las diferencias observadas sean estadísticamente fiables, no simple ruido de una muestra demasiado pequeña dentro de cada grupo concreto analizado por separado.