Aprende a diseñar y construir dashboards de producto que muestren el comportamiento real de los usuarios a lo largo del tiempo mediante análisis de cohortes. Identifica patrones de retención, detecta el momento de valor y toma decisiones de roadmap respaldadas por datos. Convierte métricas de vanidad en indicadores de salud del producto.
Cuándo usarlo: Análisis de retención y salud del producto digital
Herramienta recomendada: Claude
Actúa como un Product Manager experto en análisis de datos de producto y growth. Ayúdame a construir un sistema de medición de KPIs de producto centrado en el análisis de cohortes que me permita entender el comportamiento real de mis usuarios y tomar decisiones de roadmap basadas en evidencia. **Contexto:** Soy PM de un producto digital (app móvil o web) con base de usuarios activa. Tengo acceso a datos de eventos de usuario (mediante Mixpanel, Amplitude, BigQuery o similar) y quiero ir más allá de las métricas de vanidad (usuarios totales, pageviews) para entender la salud real de mi producto. **Sección 1 — Framework de métricas de producto** Ayúdame a definir el árbol de métricas de mi producto: - Métrica norte: cómo elegir un único indicador que refleje el valor real que entregamos a usuarios (ejemplos: canciones escuchadas por semana, proyectos completados al mes, conexiones establecidas) - Métricas de insumo: qué actividades del producto impulsan la métrica norte - Métricas de guardrail: qué no debo sacrificar mientras optimizo la métrica norte (satisfacción, privacidad, calidad) - Cómo comunicar este framework al equipo para alinear criterios de priorización **Sección 2 — Análisis de cohortes: conceptos y diseño** Explícame el análisis de cohortes desde cero: - Qué es una cohorte (usuarios que comparten un evento en un mismo período: registro, primera compra, primer uso de feature) - Diferencia entre cohortes de adquisición, cohortes de comportamiento y cohortes de experimentación - Cómo construir una tabla de retención: filas = cohortes por semana/mes, columnas = semanas desde el evento fundacional, valores = % de usuarios activos - Cómo leer la tabla: retención en día 1, día 7, día 30 como indicadores de diferentes tipos de problemas - El concepto de "flattening": cuándo una curva de retención se aplana y qué indica sobre el ajuste producto-mercado **Sección 3 — Implementación del dashboard de cohortes** Guíame para construir el dashboard paso a paso: - Qué SQL escribir para extraer los datos de retención desde una tabla de eventos (esquema típico: user_id, event_name, event_timestamp) - Cómo pivotear los datos para construir la tabla de cohortes en Python/Pandas o SQL - Qué paleta de color usar en el heatmap de retención (verde intenso = alta retención, rojo = alta pérdida) - Cómo añadir benchmarks del sector como referencia visual en el dashboard - Cómo filtrar la vista por segmento: canal de adquisición, plan de precio, región, versión de app **Sección 4 — Métricas complementarias de salud del producto** Además de retención, incluye en el dashboard: - DAU/MAU ratio como indicador de hábito (y cómo interpretar valores del 10%, 20%, 50%) - Stickiness: porcentaje de usuarios mensuales que vuelven a diario - Time to value: tiempo medio entre registro y primer momento de valor (y cómo reducirlo) - Feature adoption rate: qué porcentaje de usuarios activos usa cada feature clave - Churn predictivo: señales de comportamiento que predicen la baja (reducción de frecuencia, no uso de features de retención) **Sección 5 — Traducción de datos a decisiones de roadmap** Enséñame a usar el dashboard para priorizar el roadmap: - Si la retención en D1 es baja: el problema está en el onboarding o la primera experiencia - Si la retención en D7 cae pero D1 es alta: el producto no genera hábito suficiente en la primera semana - Si el DAU/MAU es bajo: el caso de uso no es lo suficientemente frecuente para su categoría - Cómo presentar los datos de cohortes a dirección para justificar inversión en retención vs adquisición Incluye un framework de triage: dados los datos de mi dashboard, cómo decidir si el foco debe estar en acquisition, activation, retention o monetization. **Formato de salida:** Organiza la respuesta en cinco secciones numeradas con subsecciones claras. Incluye al menos un ejemplo de SQL para la extracción de datos de retención. Proporciona una tabla de referencia de benchmarks de retención por tipo de producto (SaaS, e-commerce, app de consumo). Añade una checklist de "preguntas que debe responder mi dashboard de producto".