Del D2 al LTV: un modelo de cohortes que cabe en una hoja de cálculo

Retention · 2026-07-13 · 9 min read · By CROCO Games

Por qué la retención de día 2 es el predictor honesto más temprano del LTV del jugador, y un modelo de cohortes paso a paso en hoja de cálculo — columnas, fórmulas, análisis de sensibilidad — con los benchmarks publicados de CROCO.

Todo operador quiere conocer el valor de vida de un jugador, y la mayoría espera meses por la respuesta que su retención de día 2 ya dio. El vínculo entre retención temprana y LTV no es místico — es aritmético: el LTV es el área bajo la curva de retención por el valor de un día activo, y la forma de la curva de retención está determinada en gran medida por sus primeros puntos. Este artículo construye la cadena completa en una hoja de cálculo: del D2 a una curva ajustada, a una estimación de LTV, al análisis de sensibilidad, usando los benchmarks publicados de la cartera de CROCO — 13,78% de retención de día 2 y 26,89% de día 7 — como ejemplo trabajado.

Por qué el día 2, específicamente

La retención de día 2 — la fracción de una cohorte que vuelve al día siguiente del primer juego — es el punto más temprano donde la curva de retención tiene pendiente, y las curvas de retención de slots se comportan bien: caen con fuerza, luego se aplanan, en una forma bien aproximada por una ley de potencias. Una vez que los primeros puntos fijan la curva, la cola sigue. Una cohorte que arranca con un 10% de D2 y otra con un 14% no están a 4 puntos de distancia en el día 90 — están en curvas distintas, y la brecha se compone a través de cada día posterior. Por eso el D2 es un indicador adelantado y no una métrica de vanidad: es medible 48 horas después de una campaña de adquisición o del lanzamiento de un juego, mientras que el D30 te hace esperar un mes para aprender lo mismo.

Una nota de definición antes de la matemática: fija tu convención (retorno en día natural vs ventana de 24–48h, por juego vs por casino) y nunca mezcles convenciones entre cohortes. Las cifras publicadas de CROCO — 13,78% D2, 26,89% D7 — son medias de cartera a nivel de juego; que el D7 supere al D2 te dice que son métricas de retorno acumulado (volvió al menos una vez en N días), no fotografías del día N. Ambas convenciones son legítimas; las comparaciones entre ellas, no.

La hoja de cálculo, columna a columna

Una fila por cohorte diaria (o semanal, para volúmenes menores). Columnas:

  1. A — fecha de la cohorte. Fecha del primer juego.
  2. B — tamaño de la cohorte. Jugadores nuevos ese día.
  3. C..N — activos el día d para d = 1, 2, 3, 7, 14, 30, 60, 90. Recuentos brutos de tu log de rondas.
  4. Retención r(d) = activos(d) / tamaño de la cohorte — una columna por día seguido.
  5. Ajuste de curva. Ajusta r(d) = a·d^(−b): con solo una hoja de cálculo, toma logaritmos — ln r(d) = ln a − b·ln d — y usa PENDIENTE() e INTERSECCION.EJE() sobre los pares observados (ln d, ln r). El exponente b es tu tasa de decaimiento; b menor = producto más pegajoso.
  6. Días activos proyectados en el horizonte H: suma a·d^(−b) para d = 1..H (un SUMAPRODUCTO simple sobre una columna auxiliar de índices de día). Esa es el área bajo la curva — días activos esperados por jugador nuevo.
  7. Valor por día activo. De tu propio P&L: ingresos netos por jugador-día-activo, por segmento si lo tienes. (Para escala: la apuesta media de la cartera de CROCO es 1,77€; combínala con tus giros-por-sesión observados y el hold para comprobar la coherencia de la cifra que te da tu equipo financiero.)
  8. LTV(H) = días activos proyectados × valor por día activo. Repórtalo a horizontes fijos — LTV(90), LTV(180) — nunca como cifra sin límite; las colas de ley de potencias halagan al infinito.

Esa es toda la máquina: ocho grupos de columnas, dos funciones estadísticas, nada de Python. Su poder no es la precisión — es convertir "la retención mejoró" en "los días activos proyectados por jugador pasaron de 4,1 a 4,9, lo que a X€ por día activo paga la campaña dos veces".

La tabla de sensibilidad: cuánto vale +1pp de D2

La salida más útil del modelo es la derivada, no el nivel. Monta una tabla pequeña: recalcula el ajuste con r(2) subido un punto porcentual (manteniendo los demás puntos observados) y lee el cambio en los días activos proyectados. Como los puntos tempranos dominan el ajuste, +1pp en el D2 típicamente arrastra toda la curva hacia arriba y añade varios puntos porcentuales al área bajo la curva — el multiplicador exacto es tu número, y ese es el sentido de poseer el modelo. Ahora toda propuesta tiene una moneda común: un cambio de juego que suma 0,5pp de D2, un flujo de onboarding que vale 1pp, una campaña de crash que dispara el día 1 pero decae más rápido — todo se convierte en euros a horizonte, comparable en un solo eje.

Ejecuta la misma tabla sobre el valor-por-día-activo para mantenerte honesto: el trabajo de retención y el de monetización cotizan en la misma moneda, y a veces el punto más barato está en el otro eje. El estudio de campo de Auer y Griffiths de 2023 (43.731 jugadores, cinco países) es la cautela aquí — la estructura del juego mueve la duración de sesión mucho más que el tamaño de apuesta, así que las palancas de contenido te compran sobre todo el eje de retención; las ganancias de apuesta media tienen que venir del mix de jugadores que trae tu adquisición.

Dónde mueve la aguja de verdad un proveedor

Desconfía de quien afirme que el contenido por sí solo transforma el LTV — pero el eje de retención es genuinamente sensible al contenido, y los mecanismos son específicos:

CROCO publica sus cifras — 13,78% D2, 26,89% D7 en la cartera — precisamente para que los operadores puedan ponerlas en columnas y comprobar la composición por su cuenta en vez de aceptar "contenido engaging" por fe. Pide lo mismo a cualquier proveedor que evalúes, y las definiciones de LTV del jugador detrás de sus afirmaciones.

Modos de fallo de los modelos de cohortes

Cuatro maneras en que esta hoja te miente si la dejas: calidad de adquisición mezclada — una campaña de tráfico barato arrastra las curvas de la cohorte hacia abajo y se lee como "el producto empeoró"; segmenta las cohortes por origen antes de concluir nada. Cohortes pequeñas — la retención en una cohorte de 40 jugadores es una moneda al aire; agrega a cohortes semanales hasta que r(d) se estabilice. Contaminación promocional — un envío de reactivación el día 6 pone un bulto en r(7) que la ley de potencias extrapolará alegremente; anota las fechas de campaña en la hoja. Gula de horizonte — las colas ajustadas más allá de tu ventana observada son hipótesis, no activos; nunca reportes LTV a un horizonte mayor que ~3× tu cohorte observada más antigua.

Preguntas frecuentes

¿Por qué la retención de día 2 predice el LTV? Porque el LTV es el área bajo la curva de retención, y las curvas de retención de slots siguen una forma empinada-luego-plana de ley de potencias fijada por sus puntos más tempranos. Las cohortes que difieren en el D2 están en curvas distintas, y la brecha se compone a diario.

¿Qué es una buena retención de día 2 para slots? Depende de la definición y el mercado — por eso importan los benchmarks publicados con definición declarada. La cartera de CROCO promedia 13,78% D2 y 26,89% D7 (convención de retorno acumulado, nivel de juego) — úsalos como referencia, no como listón universal.

¿Cómo calculo el LTV del jugador a partir de datos de retención? Ajusta r(d) = a·d^(−b) a la retención observada vía regresión log-log, suma la curva ajustada en tu horizonte para obtener los días activos esperados, y multiplica por los ingresos netos por día activo. Reporta a horizontes fijos como LTV(90).

¿Puede un mejor contenido aumentar el LTV del jugador? Sobre todo por el eje de retención: los datos de campo muestran que la estructura del juego afecta fuertemente la duración de sesión pero apenas el tamaño de apuesta. Las elecciones de contenido y lobby compran días activos; el valor-por-día viene en gran parte del mix de jugadores.

Conclusiones clave