Cohort analysis en clínica privada · cómo medir retención de pacientes 2026

La mayoría de clínicas privadas miran "número de pacientes este mes" como si fuera dios. Pero un mes puede ser bueno solo porque cerraron una campaña de Ads. Lo que importa de verdad para predecir el futuro de tu clínica es: de los pacientes nuevos del mes pasado · ¿cuántos volvieron a los 6 meses? Eso es cohort analysis. Aquí está el framework honesto para hacerlo.

Qué es cohort analysis · sin tecnicismo

Una "cohort" es un grupo de pacientes que entraron a tu clínica en el mismo período · por ejemplo "todos los pacientes nuevos de marzo 2026". Cohort analysis es seguir ese grupo en el tiempo · y ver cuántos vuelven mes a mes.

Versus el enfoque común (agregado) que mezcla todos los pacientes sin distinguir cuándo entraron · cohort analysis te dice si la calidad de los pacientes que captas está mejorando o empeorando.

Ejemplo concreto:

• Marzo 2026 · entran 30 pacientes nuevos.
• Mes 1 (abril) · 18 vuelven para tratamiento o revisión · 60%.
• Mes 3 (junio) · 14 siguen viniendo · 47%.
• Mes 6 (septiembre) · 12 siguen activos · 40%.
• Mes 12 (marzo 2027) · 9 vuelven · 30%.
• Mes 24 (marzo 2028) · 5 siguen activos · 17%.

Eso es la retention curve de la cohort de marzo 2026. Y se compara con la cohort de febrero · de enero · etc. Si la cohort de abril retiene mejor que la de marzo · algo mejoraste. Si retiene peor · algo se rompió.

Por qué la primera consulta predice todo el LTV

En clínica dental privada · el determinante #1 de si un paciente nuevo va a volver durante 5-10 años o desaparecer en 3 meses es la experiencia de la primera consulta. No el precio · no el marketing · no la ubicación. La primera visita.

Factores que predicen retención alta · medibles desde la primera visita:

• Tiempo de espera real vs prometido · si prometiste "te atendemos a las 10:00" y le pasaste a las 10:25 · -20% retention.
• Explicación clara del diagnóstico · si el paciente no entendió qué le pasa · no volverá. Métrica: "¿puede repetir lo que entendió?" como cierre consulta.
• Presupuesto entregado al salir · vs prometido para "te lo mando por email mañana". Mañana nunca llega.
• Cita siguiente confirmada al salir · si el paciente sale sin próxima cita en agenda · probabilidad vuelva cae ~50%.
• WhatsApp follow-up dentro 48h · "qué tal está · ¿alguna duda del presupuesto?" · efecto medible en retention M1.

Métricas clave de cohort retention

Retention M1 · Mes 1

¿Qué % de pacientes nuevos volvió en el primer mes? Es el indicador más rápido de calidad primera visita.

• Benchmark dental general · 50-65% es saludable.
• Si <40% · problema en primera consulta (espera · presupuesto · explicación).
• Si >75% · excelente o estás midiendo mal (¿estás contando consulta de control gratuita?).

Retention M6 · Mes 6

Predictor LTV más fuerte. Quien sigue activo a 6 meses · tiene alta probabilidad de quedar 24+ meses.

• Benchmark dental general · 35-50%.
• Estética · menor (25-35%) por naturaleza menos recurrente del tratamiento.
• Si tu M6 es <25% · problema estructural · no marketing.

Retention M12 · Mes 12

"Vuelve para la revisión anual". Es el verdadero indicador de "es mi clínica de cabecera".

• Benchmark dental sano · 50-65% (para los que llegaron a M6).
• Si tu M12 es <35% · pacientes no te ven como dentista habitual · solo como reparación puntual.

Retention M24 · Mes 24

Aquí ves quién realmente es paciente fiel.

• Benchmark dental · ~35% es saludable.
• Si tienes >50% · eres outlier · clínica de muy alta calidad.

Cómo obtener los datos · 3 fuentes

Fuente 1 · PMS (Klinikare · Dentalink · Gesden · etc.)

La mayoría de PMS tiene export CSV de pacientes con fecha primera visita + lista de citas. Trabaja con eso · es la fuente más fiable.

Fuente 2 · Stripe / TPV

Si todos los cobros pasan por un sistema · puedes exportar customers + facturas por mes. No te da revisiones gratuitas · pero te da los pacientes que generaron facturación. Útil como cross-check.

Fuente 3 · Agenda (Cal.com · Google Calendar · agenda papel digitalizada)

Último recurso. Trabajoso · pero te da TODAS las citas incluso las no facturadas (consulta gratuita · control post-tratamiento).

Estructura Excel template básica

Estructura recomendada de pestañas:

• Pestaña "raw_data" · cada fila es 1 cita. Columnas: paciente_id · fecha_cita · cohort_mes (mes primera visita) · meses_desde_primera.
• Pestaña "cohort_table" · tabla pivot. Filas: cohort_mes. Columnas: M0 · M1 · M2 · M3 · M6 · M12 · M24. Celdas: % pacientes cohort que tuvo cita en ese período.
• Pestaña "summary" · agregado por trimestre o por canal de adquisición (Doctoralia · Google Ads · referral · WhatsApp).
• Pestaña "config" · definición operativa: ¿qué cuenta como "activo"? ¿cita facturada? ¿control gratuito sí o no? Tienes que decidirlo y mantenerlo consistente.

Stripe + PMS exports son la base. La mayoría de PMS modernos permite exportar CSV con fecha de cada cita y paciente_id. Eso es todo lo que necesitas.

Ejemplo numérico · clínica con problema

Clínica dental Madrid · 50 pacientes nuevos/mes promedio. Cohort table simplificada (% retention):

• Cohort enero 2026 · M1 65% · M3 50% · M6 40% · M12 30%
• Cohort febrero 2026 · M1 62% · M3 48% · M6 38% · M12 28%
• Cohort marzo 2026 · M1 45% · M3 30% · M6 22%
• Cohort abril 2026 · M1 42% · M3 28%

Lectura honesta: marzo y abril retienen ~20% peor que enero y febrero. Algo cambió. Posibles causas:

• Nueva campaña Google Ads atrae perfil paciente equivocado (precio · no compromiso).
• Nueva recepcionista no domina presupuesto al cierre visita.
• Doctor titular operó menos horas (vacaciones · cursos) · pacientes vieron sustituto y no engancharon.

Sin cohort analysis · este declive habría sido invisible 6 meses más · cuando ya hubiera afectado la facturación. Con cohort analysis · se detecta a las 3-4 semanas y se puede corregir.

Errores comunes que invalidan el análisis

1 · Confundir cohort retention con aggregate retention

Aggregate retention es "del total de pacientes activos · qué % volvieron este mes". Sube y baja por composición mezcla. Cohort retention es por grupo · te dice calidad real.

2 · No definir "activo" consistente

Si en enero contabas solo citas facturadas y en marzo empezaste a contar también controles gratuitos · la tabla miente. Define una vez · documéntalo · respétalo.

3 · Cohorts demasiado pequeñas

Si tu clínica tiene 8 pacientes nuevos/mes · una cohort mensual es ruido. Agrupa por trimestre (Q1 · Q2 · Q3 · Q4) · cohort 24 pacientes ya estadísticamente más útil.

4 · No separar por canal de adquisición

Pacientes de referral retienen ~2x mejor que pacientes de Google Ads. Si los mezclas en una sola tabla · masking completo. Separa siempre por canal.

5 · Mezclar primera visita gratis vs pagada

Si haces consulta primera gratis · ese paciente puede "consumir gratis" y no volver. Hace que tu M1 baje artificialmente. Solución: cohorte separada · pacientes con primera visita pagada vs gratis.

6 · Ignorar tiempo del año

Cohort de agosto vs cohort de octubre tienen estacionalidad muy distinta (verano vs vuelta cole). Compara año-sobre-año · no mes-a-mes.

Cómo conectar cohort retention con LTV

LTV (Lifetime Value) = facturación promedio por mes activo × meses promedio activo.

Si tu cohort retention te dice que los pacientes están activos ~36 meses promedio · y facturación promedio mensual es €40 · LTV ≈ €1.440. Si haces CAC €120 · ratio LTV/CAC es 12 · saludable.

Si tu cohort retention cae y la curva muestra que ahora duran solo 18 meses · LTV cae a €720 · ratio LTV/CAC cae a 6 · todavía rentable pero la mitad. Y si no haces nada · el trimestre siguiente puede ser 12 meses · LTV €480 · ratio 4 · zona roja.

Cómo AI Empire encaja

No vendemos cohort analysis · pero los datos que generamos facilitan el análisis:

• Cada conversación WhatsApp queda log con paciente_id + timestamp · base para cohort.
• Citas confirmadas vía bot quedan en Cal.com con metadata fuente.
• Portal clínica muestra retention rate por cohort si los datos están conectados a Stripe + PMS.
• Bot puede ejecutar follow-up 48h post-primera-visita · factor demostrado mejora retention M1.

Disclaimer: los benchmarks citados son rangos orientativos basados en informes públicos del sector dental y experiencia con clínicas privadas. Tu mercado local · especialidad · y modelo de negocio pueden tener benchmarks diferentes. Cohort analysis es herramienta analítica · no estrategia. Las decisiones derivadas requieren juicio profesional.