- name
SKILL.md
技能檔案保留在發布者的儲存庫中。
在終端機中貼上複製的指令。它會將這個 SKILL.md 安裝到對應的代理中。
npx skills add mohitagw15856/pm-claude-skills --skill cohort-analysis -a cursor -y在終端機中貼上複製的指令。它會將這個 SKILL.md 安裝到對應的代理中。
npx skills add mohitagw15856/pm-claude-skills --skill cohort-analysis -a claude-code -y在終端機中貼上複製的指令。它會將這個 SKILL.md 安裝到對應的代理中。
npx skills add mohitagw15856/pm-claude-skills --skill cohort-analysis -a codex -y在終端機中貼上複製的指令。它會將這個 SKILL.md 安裝到對應的代理中。
npx skills add mohitagw15856/pm-claude-skills --skill cohort-analysis -a grok -y在 Grok Bot 聊天中傳送複製的訊息。Bot 會從 GitHub 取得這個 SKILL.md,並加入你所有 Bot 共用的技能中。
Install this skill: https://github.com/mohitagw15856/pm-claude-skills/tree/HEAD/i18n/es/skills/cohort-analysis來自發布者
Produce un análisis de cohortes estructurado que cubre curvas de retención, estimación de LTV, segmentación comportamental, indicadores principales de churn y intervenciones priorizadas. El resultado está listo para presentar a liderazgo de producto o compartir con equipos de growth y datos.
Solicita cualquiera de estas que falte antes de empezar. No inventes números, benchmarks ni detalles de esquema.
Si el usuario no puede suministrar datos reales, produce el marco con placeholders claramente marcados ([X%], [£X], [N usuarios]) y nota qué secciones requieren datos reales para completarse.
Sigue estos pasos en orden:
Produce las siguientes secciones en orden. Omite una sección solo si explícitamente está fuera de alcance; nota la omisión.
Objetivo del análisis: [Retención / LTV / Segmentación comportamental / Predicción de churn] Definición de cohorte: [p. ej. Mes de adquisición — usuarios agrupados por mes de calendario de primer registro] Ventana de observación: [X meses / semanas] Métrica primaria: [Nombre de métrica y definición] Fuente de datos: [Tablas o métricas usadas — no inventes si no se suministraron] Fecha preparada: [Fecha]
Lógica de cohortes:
Nota: Si alguna cohorte cae por debajo del threshold de tamaño mínimo para confiabilidad estadística, marca explícitamente y exclúyela de conclusiones de tendencias.
Cómo leer: Cada celda muestra el porcentaje de la cohorte que realizó el evento de retención clave en período N. Período 0 = 100% por definición.
Meseta de retención: [¿En qué período se aplana la curva? ¿En qué % se aplana? Si la ventana de observación es demasiado corta para mostrar una meseta, decláralo explícitamente.]
Observaciones clave:
Gráfico de retención — renderiza una línea por cohorte, período en eje x:
{
"type": "line",
"title": "Retención por cohorte (%)",
"labels": ["P0", "P1", "P2", "P3", "P6", "P12"],
"series": [
{ "name": "[Cohorte 1]", "data": [100, "[X]", "[X]", "[X]", "[X]", "[X]"] },
{ "name": "[Cohorte 2]", "data": [100, "[X]", "[X]", "[X]", "[X]", "[X]"] }
]
}
Omite esta sección si los datos de ingresos no están disponibles. No estimes ARPU sin una fuente de datos — nota la brecha y solicítala.
ARPU por período: [Moneda y cantidad por usuario activo por período — sourced from: X] Curva de retención usada: [Qué cohorte o promedio combinado, y por qué]
LTV combinado en 12M: [£X — especifica qué cohortes y método de ponderación]
LTV por segmento:
Los segmentos se definen por lo que hicieron los usuarios, no cuándo llegaron. Los segmentos deben ser mutuamente excluyentes y colectivamente exhaustivos dentro de la población analizada.
Threshold de activación (el "aha moment"): [¿Qué acción específica, realizada dentro de los primeros X días, predice mejor retención a largo plazo? Sourcea esto de los datos — no asumas una respuesta genérica.]
Señales que aparecen antes de que los usuarios hagan churn, habilitando intervención pre-emptiva. Todas las señales listadas deben ser observables en datos de producción — marca cualquiera que sea teórica solamente.
Requerimiento de datos: La fortaleza de correlación debe venir de datos observados. Si no está disponible, marca como [Hipótesis — no validada aún] y recomienda un A/B test o análisis de supervivencia para confirmar.
Evalúa si los cambios de producto son visibles en resultados de retención para cohortes más nuevas.
Veredicto: [¿Están las cohortes más recientes desempeñándose mejor o peor? ¿Qué se deployó durante este período que podría explicar el cambio? Si no hay explicación causal disponible, decláralo — no inventes una.]
Cada recomendación debe referenciar una cohorte, segmento o señal específica de las secciones anteriores. El consejo genérico que podría aplicar a cualquier producto debe ser cortado.
Si el impacto esperado no puede estimarse a partir de datos disponibles, decláralo — no fabrique un porcentaje de lift.
Adapta este template al esquema real del usuario si se suministra. Reemplaza nombres de tablas y columnas placeholder — no ships una query que el usuario no pueda ejecutar.
-- Query de cohorte de retención
-- Reemplaza: users, events, created_at, event_date, user_id, event_type, [start_date], [key_retention_event]
SELECT
DATE_TRUNC('month', u.created_at) AS cohort_month,
DATE_TRUNC('month', e.event_date) AS activity_month,
DATEDIFF('month', u.created_at, e.event_date) AS period,
COUNT(DISTINCT e.user_id) AS retained_users,
COUNT(DISTINCT c.user_id) AS cohort_size,
ROUND(
COUNT(DISTINCT e.user_id) * 100.0
/ NULLIF(COUNT(DISTINCT c.user_id), 0), 1
) AS retention_rate
FROM users u
JOIN (
SELECT user_id, DATE_TRUNC('month', created_at) AS cohort_month
FROM users
WHERE created_at >= '[start_date]'
) c ON u.user_id = c.user_id
AND DATE_TRUNC('month', u.created_at) = c.cohort_month
JOIN events e
ON u.user_id = e.user_id
AND e.event_type = '[key_retention_event]'
GROUP BY 1, 2, 3
ORDER BY 1, 3;
Adapta para tu stack: BigQuery usa DATE_DIFF; Redshift usa DATEDIFF; Snowflake usa DATEDIFF o TIMESTAMPDIFF. Confirma dialect antes de ejecutar.
Puntúa cualquier output de esta skill antes de entregarlo; 32+ es ship-quality.
Ejecuta todos los checks antes de entregar output. No marques un check como pasado a menos que sea verificablemente verdadero dado los datos suministrados.
Evita estos failure modes — producen análisis que parecen rigurosos pero no pueden ser confiados o actados.
Esta skill se activa en frases incluyendo:
Estructura un análisis de cohortes para retención, LTV o patrones de comportamiento. Úsalo cuando se te pida ejecutar un análisis de cohortes, analizar retención por cohorte, segmentar usuarios por co
---name: cohort-analysisdescription: Estructura un análisis de cohortes para retención, LTV o patrones de comportamiento. Úsalo cuando se te pida…---# i18n/es/skills/cohort-analysis/SKILL.md總覽
Estructura un análisis de cohortes para retención, LTV o patrones de comportamiento. Úsalo cuando se te pida ejecutar un análisis de cohortes, analizar retención por cohorte, segmentar usuarios por comportamiento en el tiempo, o calcular valor de vida útil por período de adquisición. Produce un marco completo de análisis de cohortes con metodología, definiciones de cohortes, curvas de retención e intervenciones priorizadas.
常見問題
從發布者下載 i18n/es/skills/cohort-analysis/SKILL.md,或複製路徑後開啟儲存庫。PlugMCP 只收錄這項技能,不代管檔案。
發布者將它存放在 https://github.com/mohitagw15856/pm-claude-skills。
Claude、Cursor、Codex 和 Grok Build 可以讀取你從發布者儲存庫加入的 SKILL.md。在聊天中傳送技能的 GitHub 資料夾連結,Grok Bot 就會安裝它。