Paneles de Performance

Generado 2026-10-02 09:02 ART Usuarios activos hoy: 57

Inicio

Qué hay en cada pestaña — hacé clic en cualquiera para entrar.

Negocio

Suscripciones, activación, consumo y referidos.

  • Churn y conversión de trial: mes cerrado y acumulado del mes en curso, por plan.
  • Detalle de por qué se van: trial (cuándo cancelan y motivo) y bajas de pagadores (con cuánta anticipación y motivo).
  • Distribución de consumo y contribución neta por miembro (los 10 más y los 10 menos rentables).
  • Funnel de activación de estudiante nuevo y programa de referidos.

Operaciones

Cobertura, disponibilidad y salud operativa del día.

  • No-show de tutor vs. cancelación de series recurrentes, y fuga de bono por incidencias.
  • Fill rate de oferta vs. demanda, por hora del día.
  • Estatus del Brain (motor de asignación) y salud semanal de las series recurrentes.
  • Concentración de dependencia por tutor (bus factor).
  • Grupales: fill rate, cuánto tardan en llegar al óptimo y al cupo completo, y clases por día — GS y GC por separado.
  • Con cuánta anticipación cancela el alumno (<12 h a >10 días), 1:1 vs. grupal.

Reoferta y Fast Class

Qué pasa con un slot liberado (reoferta, lista de espera de grupales) y la línea base de oportunidad de Fast Class y del fill activo de grupales, los dos todavía sin dispatcher corriendo.

  • Embudo real de reoferta (slot liberado → notificación → aceptación) y profundidad de la cola.
  • Origen del slot liberado: cancelación de 1:1 vs. de grupal.
  • Lista de espera de grupales: no solo quién fue promovido, sino quién asistió de verdad.
  • Aparte, al final y rotulado como oportunidad (no uso): línea base de Fast Class y del fill activo de grupales — ninguno tiene dispatcher corriendo.

Vínculo con el tutor

Cómo el estudiante marca un tutor (Saved, Flexible, Hidden) y cómo sostiene en el tiempo una serie recurrente con uno puntual.

  • Saved y Flexible: qué % de los activos marca tutores, si esos tutores aparecen después en Flexible o Recurring, y cuánto rotan los que rotan.
  • Clases con un tutor desconocido, y la preferencia “Who you learn with” (los que conozco / balanceado / mixto) contra la conducta real.
  • Recurring: uso, conversión de armado del patrón, salud del cap por tutor.
  • Cancelación de instancia vs. de serie completa, y no-show en clases recurrentes.
  • Distribución día × hora de las series recurrentes vivas.

Educación

Clases, calidad docente y seguimiento de coaching.

  • Class Statistics: completion rate, no-show y cancelación (con el denominador de cada una aclarado).
  • Serie semanal de clases dictadas y destino operativo de cada sesión.
  • Actividades: adopción por status, clases bookeadas, skip y ocultadas por el coach, ritmo de completado, alcance por alumno y creación en el tiempo.
  • Coach Evaluation: ranking de coaches del período cerrado.
  • Cobertura de coaching: con coach, coachless reportado y sin asignar (Starter y Premium).

RRHH

Puntualidad, pipeline de contratación y benchmarks por tier.

  • Tardanza al join de los tutores, últimos 90 días.
  • Pipeline de reclutamiento de tutores.
  • Benchmarks por tier: mediana de cada métrica.
  • Permisos del tutor: del pedido en la app a la resolución real de RRHH.

Riesgo

Reservas y alumnos que los modelos marcan en riesgo, con la acción sugerida. Todo % es la probabilidad calibrada, nunca el score crudo.

  • Reservas con probabilidad alta de no-show o cancelación, con la acción sugerida.
  • Alumnos con probabilidad alta de cancelar la suscripción, con la acción sugerida.

Data

Salud de los modelos de ML: si la tasa real se mueve, si el score está calibrado y si el modelo todavía discrimina.

  • Monitoreo de los modelos: tasa real vs. predicha, por cohorte mensual.
  • Calibración: cuánto infla el score crudo en cada decil.
  • Acierto: tasa de confirmación por banda de riesgo.

Evolución

Mes contra mes: ¿la base crece o se vacía, y por qué. Plan de mejora v3.0, Prioridad 1 — primeros 2 de 6 módulos.

  • Balance de fuerzas mensual: altas vs. bajas, y si la base crece o se vacía.
  • Plan × recurrencia: activos vs. cancelados, por plan.
  • Oferta desperdiciada: tutores con más slots publicados y ninguna reserva.

Amplitude

Comportamiento de producto. Ojo: esta fuente arrastra 10-18 h de desfase (ver REFRESH_Y_FRESCURA.md).

  • Actividad por hora del día y por día de la semana.
  • Reserva 1:1 y grupal: de entrar al flujo a reservar, cruzado con las reservas reales de la DB.
  • Errores al reservar (por motivo y flujo) y arrepentimiento en el flujo de cancelación.
  • Ojo: esta fuente arrastra 10-18 h de desfase (ver REFRESH_Y_FRESCURA.md).

Outgoing

Correos salientes (Laravel mailer): volumen por miembro, tasa de falla y opt-out de email, con las salvedades de fuente bien visibles.

  • Promedio diario y semanal de correos recibidos por miembro.
  • Tasa de falla de envío, por semana y por tipo de correo.
  • Opt-out explícito de email — sin universo confiable de opt-in, con las salvedades de fuente siempre visibles.

Negocio

Suscripciones, activación, consumo y referidos.

Estudiantes pagando
622
+20 vs hace 30 días
suscripción activa con cobro resuelto
Activos operacional
651
+12 vs 2026-09-25
usan el servicio: incluye trial y past_due con due_date
En trial
18
-15 vs hace 30 días
ventana de trial abierta, status trialing
Pausados
7
-5 vs 2026-09-25
hold temporal: no cobran, no consumen, NO son churn
Churn del mes cerrado
4,78%
-4,0% vs mes anterior
clientes que pagaban y se fueron
Conversión de trial
40,5%
-20,1% vs mes anterior
de los trials que terminaron en el mes cerrado
Churn del mes en curso
0,35%
acumulado a 2 días del mes — no proyectado a fin de mes
Conversión de trial (mes en curso)
25,0%
trials que ya terminaron este mes, medidos a hoy
Tiempo de retención
5,0 meses
-0,4 meses vs mes anterior
cuánto duraron los que se fueron en el mes

Composición de la base y churn, plan por plan

Cómo se reparte la base activa entre los tres planes de venta, y cuánto se vacía cada uno. Ojo con los denominadores: el primero reparte el 100% de la base, el segundo es una tasa sobre cada plan.

Composición de la base activa por plan

620 suscripciones activas en los 3 planes de venta. Starter concentra 45,6% de la base.

0%25%50%75%100%StarterPremiumGroup45,6%

El porcentaje es sobre el total de la base activa, así que las tres columnas suman 100%. "All Access" queda afuera: es un plan legacy residual (3 suscripciones) que solo agrega ruido al eje.

Ver tabla de datos
PlanSuscripciones activas% de la base activa
Starter28345,6%
Premium27945,0%
Group589,4%
Churn por plan — mes cerrado vs mes en curso

Starter fue el plan que más se vació en Septiembre: 5,1% de sus activos se fue. El mes en curso (Octubre) todavía tiene menos días para acumular bajas — no se lee como comparable 1:1.

Septiembre (cerrado)Octubre (en curso, a hoy)
0%2%4%6%8%Starter · SeptiembreStarter · OctubrePremium · SeptiembrePremium · OctubreGroup · SeptiembreGroup · Octubre5,1%

Acá el denominador es cada plan por separado (bajas sobre sus propios activos al inicio del mes), así que ninguna de las dos barras suma 100% — es una tasa por plan, no un reparto. Usa las mismas reglas que la tarjeta de churn de arriba (pagó al menos una vez, sin blips de 72 h, sin los que ya volvieron), no las de mart_revenue_retention — con las del mart estos números salían 2-3 veces más altos porque contaban como baja a todo el que cancela en el trial. La barra "en curso" corta HOY, no al fin de mes: compararla contra el mes cerrado como si fueran equivalentes subestima cuánto puede seguir subiendo.

Ver tabla de datos
PlanActivos (cerrado)Bajas (cerrado)Churn (cerrado)Activos (en curso)Bajas (en curso)Churn (en curso, a hoy)MRR perdido (cerrado)
Starter237125,1%25820,8%$3.192
Premium258124,7%25500,0%$10.461
Group4724,3%5000,0%$158

Por qué se van: trial (nunca llegaron a pagar)

De los últimos 90 días, cuándo cancelan el trial y qué razón dejan. Población DISTINTA de churn (NB1): acá nunca pagaron ni una vez — es una fuga de conversión, no una baja de cliente pagador.

Trials cancelados
107
últimos 90 días
Cancelan en las primeras 24 h
61,7%
del inicio del trial
Cuándo cancelan el trial

61,7% cancela en el primer día — antes de que el trial tenga tiempo de mostrar nada.

020406080Día 0-1Día 1-3Día 3-5Día 5+66

Bandas sobre el día de inicio del trial (trial_start), no sobre trial_end.

Razón declarada al cancelar el trial

49,5% no dejó ninguna razón.

■ Sin razón declaradaCon razón
(sin razón)53too_expensive23other17unused12switched_service1low_quality1

"Otro" es la categoría más grande incluso acá — sin comentario libre asociado, no dice mucho por sí sola. Ver la tabla de comentarios abajo para el detalle en texto de quien sí escribió algo.

Ver tabla de datos
RazónCancelaciones% del total
(sin razón)5349,5%
too_expensive2321,5%
other1715,9%
unused1211,2%
switched_service10,9%
low_quality10,9%
Comentarios libres — los últimos 15 con texto

cancel_comment, cuando el usuario escribió algo además de (o en vez de) elegir una razón.

Ver tabla de datos
Día del trialRazónComentario
2,0othertest
6,2too_expensiveI want to come back but I have to save money
0,0otherN/A
6,3too_expensiveI really enjoyed the classes. The plan is just not currently in my budget.
0,0unusedEs prueba
6,3otherI'm going to take a break then come back
0,0too_expensiveMuy caro
0,0too_expensiveTa muy caro
5,5otherVoy a regresar - me ha encantado mi experiencia en esta plataforma. Es que necesito cumplir mi subscripcion de preply antes de comenzar porque no puedo pagar por dos subscipciones. Mi subscipcion de preply va a terminar en seis semanas
6,0too_expensiveMe agrada la plataforma pero no tengo el presupesto necesario
6,3otherI'm leaving for a trip but will join back when I return
1,0too_expensiveWould prefer to pay month to month rather than one lump sum for 6 months
0,0unusedGollo me dijo que no
6,9unusedI'm going into a busy period in which I don't have time to use it. Also, there is some inconsistency in the quality of instructors.
0,1unusedtest

Por qué se van: suscriptores que ya pagaban

Últimos 90 días. Misma población que el churn de la tarjeta de cabecera (pagó al menos una vez, sin blips de 72h, sin suscripción viva hoy) — acá se corta por cuánta anticipación tuvo la cancelación y qué razón dejaron.

Bajas de suscriptores pagadores
111
últimos 90 días
Cancelan con 7+ días de anticipación
60,4%
al fin del ciclo ya pagado — decisión tomada con margen
Cuánta anticipación tiene la cancelación al fin del ciclo pagado

60,4% cancela con 7 días o más de margen — no es una decisión de último momento para la mayoría.

012253850Después del fin (accedía vencido)< 1 día antes1-7 días antes7-20 días antes20+ días antes44

cancel_requested_at parece el campo para "cuándo pidió cancelar" vs. "cuándo se hizo efectivo", pero medido: en el 100% de las filas donde está poblado es idéntico a canceled_at — no aporta nada nuevo, no se usa. La señal real es canceled_at contra current_period_end: el status pasa a 'canceled' de inmediato, no queda programado para el fin del período — no hay certeza de si retiene acceso hasta esa fecha o lo pierde ya, eso es una pregunta de producto.

Razón declarada al cancelar

32,4% no dejó ninguna razón.

■ Sin razón declaradaCon razón
other37(sin razón)36unused23too_expensive10switched_service3low_quality1too_complex1
Ver tabla de datos
RazónBajas% del total
other3733,3%
(sin razón)3632,4%
unused2320,7%
too_expensive109,0%
switched_service32,7%
low_quality10,9%
too_complex10,9%
Comentarios libres — los últimos 15 con texto

cancel_comment, cuando el usuario escribió algo además de (o en vez de) elegir una razón.

Ver tabla de datos
Días de anticipaciónRazónComentario
0,2unusedI had some life events come up last month and I wasn't able to use my membership :(
0,0unusedNot enough time to use it.
23,5otherThe new interface is terrible. Its harder to book classes. I am going to find another service. I want to cancel my plan immediately and be refunded for this month.
8,0unusedGreat service. Will sign up again once I have more time.
17,2otherEscribí un mensaje al equipo de sorportar ayer.
13,6unusedRegresaré a la universidad este fin de mes y no tendría vida ni tiempo para nada. Lo siento mucho.
28,8too_expensiveNo issues with the platform/pricing but I will need to time to recuperate my money after leaving for Europe in October.
27,6too_expensiveI love Worlds Across. But the price is steep and I need to refocus my energy on other things. I also didn't like seeing messages about losing my coach because I can't schedule activities. I didn't appreciate the pressure of "do something today or lose your coach".
11,1too_expensiveI really enjoy using the application, but the price keep going up. I will be taking a break, but might return in the future.
22,8unusedit breaks my heart but I have to be realistic. I have not been able to make the time to use my membership.
17,3otherI’ve realized that I learn best when I can work consistently with the same professor. WorldsAcross does an excellent job of tracking progress across instructors, but the professors I work best with are often booked, making it difficult to maintain that consistency.
31,0unusedcacsc
1,9otherNo tengo suficiente tiempo el proximo mes
3,8otherVacation
1,0otherLack of time

Consumo: cuánto reserva cada usuario y en qué días

Dos cortes del mismo hecho. Primero la distribución: si el consumo se concentra en pocos o está repartido, y cómo se movió contra el período anterior. Después el calendario: qué días del mes se reserva más y cómo viene el mes en curso contra el anterior.

Consumo promedio (30 días)
3,0
-0,3 vs septiembre 1-2
reservas por usuario con al menos una reserva
Mediana de reservas
2
0 vs septiembre 1-2
p50 de la distribución
Brecha p99 / p50
9,4x
cuánto se despega la cola de la mediana
Distribución de consumo — Octubre 1-2 vs Septiembre 1-2

Meses calendario. El mes en curso va del 2026-10-01 al 2026-10-02 (223 usuarios con al menos una reserva) y se compara contra el mismo tramo del mes anterior, del 2026-09-01 al 2026-09-02 (279). Septiembre completo cerró con una mediana de 14 reservas por usuario: ahí es donde puede llegar el mes en curso. La brecha p99/p50 es de 9,4x: eso es la señal de consumo anómalo, no el máximo suelto.

Octubre 1-2Septiembre 1-2
05101520p25p50p75p90p9918,813,4

El mes anterior se corta en el mismo día del mes, no completo: contra el mes entero el mes en curso siempre pierde por tener menos días, no por consumir menos. La columna del mes completo está en la tabla, como referencia de cierre. El promedio no es un punto de la curva porque no es un cuantil: no tiene una posición fija en un eje ordenado de percentiles, así que va como tarjeta arriba y en la tabla, las dos veces con su comparativa.

Ver tabla de datos
MétricaOctubre 1-2Septiembre 1-2CambioSeptiembre completo
p2511+0,06
p5022+0,014
p7534-1,028
p9057-2,048,4
p9918,813,4+5,4105,7
promedio33,3-0,320,8
máximo4522+23,0214
usuarios con al menos 1 reserva223279-56,0634
Reservas por día del mes — cuándo se reserva

El pico del último mes completo fue el día 25 con 825 reservas. El mes en curso corta en el día de hoy: los días que faltan no son una caída, todavía no pasaron.

SeptiembreOctubre
02505007501.000135791113151719212325272930378144

El eje X es el día del mes, así que los dos meses se superponen y se puede comparar día contra día. El color sigue a “mes en curso / mes anterior”, no al nombre del mes: cuando cambie el mes el chart no cambia de colores.

Ver tabla de datos
Día del mesSeptiembreOctubreSeptiembre acumuladoOctubre acumulado
1460519460519
2457144917663
3452—1.369—
4483—1.852—
5280—2.132—
6338—2.470—
7400—2.870—
8502—3.372—
9536—3.908—
10509—4.417—
11451—4.868—
12337—5.205—
13320—5.525—
14438—5.963—
15517—6.480—
16500—6.980—
17596—7.576—
18411—7.987—
19300—8.287—
20310—8.597—
21453—9.050—
22379—9.429—
23417—9.846—
24403—10.249—
25825—11.074—
26315—11.389—
27373—11.762—
28509—12.271—
29567—12.838—
30378—13.216—
Acumulado del mes — cómo viene contra el mes anterior

La misma serie sumada día a día. Sirve para leer el ritmo: si la curva del mes en curso va por encima, el mes viene más fuerte al mismo día.

SeptiembreOctubre
05.00010.00015.00020.00013579111315171921232527293013.216663

Va en un chart aparte y no junto al volumen diario porque las escalas no son comparables: el día ronda las 300-580 reservas y el acumulado llega a cinco cifras. En un eje compartido la serie diaria quedaría pegada al piso. La tabla de datos del chart de arriba trae las dos columnas.

Top 15 por volumen de reservas 1:1 (últimos 30 días)

Solo clases 1:1 y sin cuentas internas: las grupales se reservan con otra dinámica y mezclarlas hacía que la columna midiera cosas distintas.

Quedan afuera el dominio corporativo y las cuentas de soporte y prueba ya identificadas, que antes encabezaban el ranking. La lista sirve para contactar: son estudiantes reales.

Ver tabla de datos
UsuarioEmailBookings (30d)
Ramesh Ponnciaoramesh@yahoo.com198
Juan M Herrerajuannieto1313@gmail.com141
Zachary Carnellcarnellzachary@gmail.com115
Amanda Hunteramandahunter787@gmail.com113
Brian Amighamigh235@gmail.com109
Del Santiago Arnolddelbert2002@gmail.com107
Patrick Tsepattse@yahoo.com96
Jesse Collinsjessecollins0808@gmail.com94
Jarret Banksjarret.banks123@gmail.com92
Jason Nolascojro.nolasco@gmail.com91
Gavin Morrisongavin@gavin.pro87
William Fouquetworldsacross@williamfouquet.simplelogin.com82
Joanne Swansonjoanne.g.swanson@gmail.com81
Andy Maddisona.b.maddison@gmail.com76
Abdulrahman Adamnnannaidoko@yahoo.com71

Activación: qué hace un estudiante nuevo y cuándo lo hace

El recorrido desde que se crea la cuenta. Primero cuántos llegan a cada paso, después cuánto tardan en darlos — que resultan ser dos historias distintas.

Altas que nunca activaron
58%
251 de 433 altas de los últimos 90 días
Tiempo hasta la 1ª reserva
0,4 h
mediana · p90 de 86,1 h
Tiempo hasta la 1ª clase
22,1 h
mediana · p90 de 168,6 h
Convirtió a pago
112
mediana de 169 h desde el alta
Funnel de activación — alta, primera reserva, primera clase

De 433 altas, 47,8% llega a reservar y 42,0% completa una clase. La caída grande es la primera.

Altas (90 días)433 · 100%Hizo su 1ª reserva207 · 47,8%-52.2% vs anteriorCompletó su 1ª clase182 · 42,0%-12.1% vs anterior

Tres pasos realmente anidados: completar una clase exige haber reservado, y reservar exige el alta. El problema no es la velocidad: el que reserva lo hace a las 0,4 horas del alta (mediana). La fricción está en cuántos arrancan, no en cuánto tardan.

Ver tabla de datos
PasoUsuarios% de las altasMediana desde el altap90
Altas (90 días)433100,0%——
Hizo su 1ª reserva20747,8%0,4 h86,1 h
Completó su 1ª clase18242,0%22,1 h168,6 h
El recorrido completo, hora a hora

Todo el arranque pasa dentro de la primera hora: mirar precios, empezar el trial y reservar. La primera clase llega al día siguiente (22 h) y el pago recién a las 169 h — que es cuando se termina el trial, no cuando el estudiante se decide.

Fuente híbrida: los hitos con timestamp propio salen de la base; “miró precios” sale de Amplitude y está instrumentado para 37,2% de las altas, por eso va en la tabla y NO como escalón del embudo — como paso leería que el resto nunca vio precios, y eso es cobertura de instrumentación, no comportamiento. El reenganche se mide desde la cancelación, no desde el alta: es la única fila con otra referencia.

Ver tabla de datos
HitoUsuarios% de las altasMediana desde el altaNota
Creó la cuenta433100,0%0,0 hpunto de partida
Miró precios16137,2%0,0 hsolo Amplitude: instrumentado parcialmente
Arrancó el trial20246,7%0,1 htrial_start de la suscripción
Hizo su 1ª reserva20747,8%0,4 h
Completó su 1ª clase18242,0%22,1 h
Canceló durante el trial7417,1%—se fue sin llegar a pagar
Convirtió (primer pago)11225,9%169,1 hcoincide con el fin del trial
Volvió después de cancelar30,7%1,3 díasmediana medida desde la cancelación, no desde el alta
Altas que nunca activaron (251 nombres)

La lista está para contactarlos, por eso trae el email. ⚠ El filtro de cuentas de prueba es léxico y no puede ser completo: saca las que dicen prueba, test o grupal en el nombre o el mail y nunca pagaron, pero una cuenta de QA creada con un nombre cualquiera pasa igual. La solución de fondo es una bandera en la base — el RFC de suscripciones sintéticas la propone para suscripciones y hace falta el equivalente a nivel usuario.

Ver tabla de datos
NombreEmailFecha de alta
Sam Kilbournnislami76@gmail.com2026-10-02T02:39:10
Earth Bennettnn8dmwk4b9@privaterelay.appleid.com2026-10-02T00:42:51
reynaldo frederickreynaldofrederick10@gmail.com2026-10-01T21:40:37
Silvi Nlptnlptn1@gmail.com2026-10-01T17:28:59
Zack Flemingzack.fleming@henry.k12.va.us2026-09-30T23:32:10
Michael J.app.worldsacross.com.stonewall803@passmail.com2026-09-30T06:28:19
Daniel Herakdanherak@gmail.com2026-09-29T18:02:48
Mia Strong1mimi6089@gmail.com2026-09-28T23:05:29
Myra Cephasmceeph@aol.com2026-09-28T22:59:35
wendy belkinwbelkin@bellsouth.net2026-09-28T22:58:25
Eric Jorgensene.jorgy@gmail.com2026-09-28T22:57:02
Bruce Jonessummerbruce15@gmail.com2026-09-28T19:27:25
Kerry McCoykerrymccoymft@hotmail.com2026-09-28T15:13:56
Emma Tamemmazetam@gmail.com2026-09-28T14:01:51
Howell Benjamínhowellb49@gmail.com2026-09-27T21:35:50
Joe CookeJoecooke10@hotmail.com2026-09-27T18:00:42
Faye Andersonandersonfaye7@gmail.com2026-09-27T14:42:49
Tanner Busackertanner.busacker@gmail.com2026-09-26T19:56:31
jay Panjerjeroenpanjer@gmail.com2026-09-26T18:24:25
Ignacio Gonzalezignacioggonzalez96@gmail.com2026-09-26T12:26:40
Sean Pockneeseanpocknee@gmail.com2026-09-26T09:40:08
jonathan stephensjsteph00921@gmail.com2026-09-25T20:50:05
Melanie Seremetfpk7cs88fy@privaterelay.appleid.com2026-09-25T18:51:52
Norelis Idlerriv.norelis.idler@gmail.com2026-09-25T16:01:30
Grace Laneyvirginia.laney1419@gmail.com2026-09-25T00:50:07
ben weinerbenweiner2025@gmail.com2026-09-24T13:15:34
Rian Andrea Norristalktoriannorris@gmail.com2026-09-24T12:55:39
Elizabeth Weinerfiggyweiner@gmail.com2026-09-24T12:37:39
Sankhya Rajansankhyarajan@gmail.com2026-09-23T03:51:16
Elaine Louwagieelainelou1957@gmail.com2026-09-22T14:48:53
User kate.mayes@franklincovey.com2026-09-21T23:42:32
Dan Undetwoodboatbuildetdan@gmail.com2026-09-21T14:39:48
Esther Dillonesther.leah76@gmail.com2026-09-20T02:07:13
Target fasttargetfast@gmail.com2026-09-18T19:36:44
Crystal Bashoresimplyhands2@gmail.com2026-09-18T13:43:39
Dave harrissuiradinc@gmail.com2026-09-18T12:10:57
Angela Liangelali314159@gmail.com2026-09-18T04:09:21
kuntum melatikuntummelati@gmail.com2026-09-18T01:26:42
Rachel Wilsonrachel.wilson@sim.org2026-09-17T14:20:34
Juan PruebitaGjuanpruebitag@yahoo.es2026-09-17T12:40:58
Martha Galmadickinson@gmail.com2026-09-17T11:55:39
Gustavo Jalfongusfastclass@gmail.com2026-09-15T20:24:58
Hannah Harshehannahharshe@gmail.com2026-09-15T20:08:21
Jeremy Hutchinsonjrhutch@gmail.com2026-09-15T16:22:12
Franquito Escudodfjwbc8vgh@privaterelay.appleid.com2026-09-15T13:38:22
User peter.a.karlsson90@gmail.com2026-09-15T08:09:31
User dwvasquez97@gmail.com2026-09-15T03:30:46
Jesse Markwayjesseceilings2@protonmail.com2026-09-14T23:49:36
Michael Millsvzgvsrytm7@privaterelay.appleid.com2026-09-14T22:46:11
rob fzorroberto@proton.me2026-09-14T22:29:15
Molly Powersmollkpow@gmail.com2026-09-14T20:32:54
José Ricardo Serrano Rodríguez5jdyhrv8fv@privaterelay.appleid.com2026-09-14T14:57:48
User jtbx6dwkbd@privaterelay.appleid.com2026-09-14T14:49:44
Denmark Aleluya7vkjr99sz4@privaterelay.appleid.com2026-09-13T18:00:59
Benja Gelvezbenjagelvezm@gmail.com2026-09-11T16:05:02
Jordan Mancid6f7wms77v9@privaterelay.appleid.com2026-09-11T15:23:10
Jordan Francishoodfame727@gmail.com2026-09-11T15:20:20
Hannah Englandleah19@tutamail.com2026-09-11T10:42:30
Kat kkkoucha2@gmail.com2026-09-10T22:03:50
Jordan foluwaj545@gmail.com2026-09-10T21:09:08
Gabriel RoxanaGabrielroxana@yahoo.es2026-09-10T19:06:52
Gabriel RoxanaGabrielRoxana@yahoo.es2026-09-10T19:05:33
Jane Emjeniaemadi@gmail.com2026-09-10T10:46:56
User eliover678@gmail.com2026-09-10T02:56:02
Collin Elliotcollinelliot@gmail.com2026-09-10T00:04:28
User amejia49@gmail.com2026-09-09T14:22:31
Juan Grupaljuangrupal@yahoo.es2026-09-09T14:18:14
Gustavo Jalfongusfreetrial@gmail.com2026-09-09T13:01:48
Katherine mckissickgavindog88@gmail.com2026-09-09T01:15:08
Lorraine Burketrinidadlorraine222@gmail.com2026-09-08T19:49:34
User ziadmazen15@gmail.com2026-09-08T17:37:52
User abohomeez2@gmail.com2026-09-08T17:30:08
User ashlynhoop1014@gmail.com2026-09-08T16:07:57
Yan legretYan.legret@gmail.com2026-09-08T10:25:04
Una Kimunakimstuff@gmail.com2026-09-08T05:14:48
Matthew Travismatttravis86@gmail.com2026-09-08T02:27:30
User daliawezka@gmail.com2026-09-08T01:18:00
bru jmannymanny7000@gmail.com2026-09-07T03:07:20
User madeline.beeton@hydrationroom.com2026-09-06T18:13:34
User madelinemargaretbeeton@gmail.com2026-09-06T18:11:30
Mark Anthony Whiteckpf75sr5d@privaterelay.appleid.com2026-09-05T05:03:41
User austin.miller76581@gmail.com2026-09-05T04:41:18
Odlaumor Richardsodlaumor.richards@icloud.com2026-09-04T01:32:31
paul dewanjpsdewani97888@gmail.com2026-09-04T00:39:19
Melanie O'Brienmelanieobrien0204@gmail.com2026-09-03T19:04:45
Franquito Escudofranlspada@gmail.com2026-09-03T18:59:31
User hssjjhsshwj@gmail.com2026-09-03T11:21:53
marquis poindexterknightwing334@gmail.com2026-09-02T22:58:21
User hayden.phillips.jr@gmail.com2026-09-02T21:20:35
Bruna Miquelinobrunamiquelinoo@gmail.com2026-09-02T12:39:17
User zarifboyevjavohir27@gmail.com2026-09-02T09:36:34
User munther96@gmail.com2026-09-02T08:26:17
Chris Papazian2r664gc854@privaterelay.appleid.com2026-09-02T05:26:16
User upperroomplanning@gmail.com2026-09-01T23:09:27
Stephanie Roblestephanieroble@gmail.com2026-09-01T17:53:08
Joshua Coej.coe2571@gmail.com2026-09-01T02:59:47
Mike Scudshepherdmurray7@gmail.com2026-09-01T00:31:42
Mike Scudderscudder2005@gmail.com2026-09-01T00:26:07
User wmckie.stewart@gmail.com2026-08-31T21:09:06
Raed Ibrahimraed504123@gmail.com2026-08-31T16:42:29
User panyuwei.2007@gmail.com2026-08-31T13:54:16
vdv acasafa@yahoo.es2026-08-31T01:20:48
ad faffafa@yahoo.es2026-08-31T01:16:44
User john.carpenter4@gmail.com2026-08-31T00:11:11
User trentstrongx@gmail.com2026-08-30T22:41:05
User 6kgdhfc6c2@privaterelay.appleid.com2026-08-30T18:02:00
Jeff Prousejeff@eprouse.com2026-08-30T14:30:39
User jprouse@gmail.com2026-08-30T14:21:31
juan nietojuan@yahoo.es2026-08-30T12:54:58
User alexmanganas@gmail.com2026-08-30T11:50:00
jovai Djoremdjoremjovan@gmail.com2026-08-29T07:44:23
Lena Gmfftpkr2ks@privaterelay.appleid.com2026-08-29T05:15:57
connor kellyckelly1224@yahoo.com2026-08-29T03:51:56
User ty.j.espinoza@gmail.com2026-08-29T01:14:12
Tyler Espinozakyc69wrmmk@privaterelay.appleid.com2026-08-29T01:03:33
Matthew Dillinghamhouseofdillingham@gmail.com2026-08-28T23:26:31
jss bshdshas@yahoo.es2026-08-28T20:23:38
Juan Jjuani@yahoo.es2026-08-28T20:21:41
Juan Perrinperrinjuan@yahoo.es2026-08-28T20:07:20
David Beckng5tjhfp6c@privaterelay.appleid.com2026-08-28T19:55:50
KAMELIA BRITTON5rr4dgr9st@privaterelay.appleid.com2026-08-28T19:44:12
John Apple67jj57ccd6@privaterelay.appleid.com2026-08-28T07:31:20
User fjjacques26@gmail.com2026-08-28T01:41:01
User jgasiorospanish@gmail.com2026-08-28T00:22:02
User wgieser@gmail.com2026-08-27T22:16:46
Benjamin Gelvezbenjagelvez@gmail.com2026-08-27T19:00:53
Alex Blinkhornalexblinkhorn@yahoo.com2026-08-27T17:14:44
Preba tangoprebatango13@yahoo.es2026-08-27T12:49:32
lander schlessingerbusiness@landerschlessinger.com2026-08-27T02:43:14
Morris Barrittmorrisbarritt55@gmail.com2026-08-26T16:55:19
Perrito Tangoperritotango@gmail.com2026-08-26T12:13:49
Anna M.anniesmanson93@gmail.com2026-08-26T12:03:17
User vincenthodgsoncoyle@gmail.com2026-08-26T09:08:18
Allie McGrathallie4mcgrath@gmail.com2026-08-25T20:08:44
User rfthq9b2ck@privaterelay.appleid.com2026-08-25T17:11:20
Carmen Manriquevir1311@gmail.com2026-08-25T15:59:16
Santiago Gonzalezignacioggonzalez94@gmail.com2026-08-25T13:14:34
iphone juanjuaniphone@yahoo.es2026-08-25T13:10:35
popmanu popmandevpopm@gmail.com2026-08-25T04:34:49
Anthony Hughesjontaemorri25@outlook.com2026-08-25T04:05:26
Pruea juantanguito18@gmail.com2026-08-24T21:26:33
Juan Nieto tanguitotangonieto@gmail.com2026-08-24T21:19:30
Juanito tangojuanitotango12@gmail.com2026-08-24T20:44:24
lyle farmerthisislyle@gmail.com2026-08-24T19:57:23
manuel popmanuelpopuhude@gmail.com2026-08-24T19:22:58
Allie McGrathAllie4mcgrath@gmail.com2026-08-24T14:33:29
Arturo Tomasarturotomas@yahoo.com2026-08-24T14:15:35
Katrina Chapmankcchapman18@gmail.com2026-08-21T23:43:19
Manuel Poprondeaugollo@gmail.com2026-08-21T20:06:04
Cassidy DeFinacldefina@gmail.com2026-08-20T23:51:03
Leslie Johnsonlesjohnson1999@gmail.com2026-08-20T22:59:54
Étienne Mleuxmleuxx.e@gmail.com2026-08-20T22:56:36
Elias Bensoneliben4@gmail.com2026-08-19T19:47:51
Samuel Carringtoncarrisamuel25@gmail.com2026-08-19T19:26:49
Jeffrey Lantsonjeffreylantsoncorp@gmail.com2026-08-19T17:15:32
Bruce Jonesknuckifyoubuck10000@gmail.com2026-08-19T17:07:53
Anna Shanafeltac.budgets82@gmail.com2026-08-19T00:49:59
BullTerrier TerrierBulljinihuz81@curuth.com2026-08-18T17:43:15
James Clarkjamesclark0319@gmail.com2026-08-18T05:15:21
Brad Fossierbradleyfossier@gmail.com2026-08-17T15:39:51
Elena Dutchelenadutch1@gmail.com2026-08-16T01:05:56
Ileana DiazIleanadiaz22@proton.me2026-08-15T21:25:34
Aide Alejandraaide.alejandra200101@gmail.com2026-08-15T21:18:14
Faisal Manjifaisalmanji9@gmail.com2026-08-15T20:04:42
Dong Liudongliu20022@gmail.com2026-08-15T01:19:15
Christian mccartymccartyc@yahoo.com2026-08-15T00:06:06
David Villardavidvillar@elfuegoacademy.com2026-08-14T16:39:08
Meg Dalemegtdale@gmail.com2026-08-14T10:01:16
pamela schafferpamschaffer1@gmail.com2026-08-13T20:53:12
John Boutchergeoviola2@gmail.com2026-08-13T17:55:16
Wayne Goldsteinwayne@getgert.com2026-08-13T13:11:45
Nail Rizvicnrizvic@yahoo.com2026-08-13T11:46:17
Colin Delahuntycolindela@gmail.com2026-08-13T02:52:46
Roy Ganworldsacross@royg42.com2026-08-12T02:56:05
Marc Williamsmarc.williams@email.com2026-08-12T01:45:24
Anthony Adamoanthony.adamo.mi@gmail.com2026-08-11T16:16:26
kyle shoemakerkyleshoe2@gmail.com2026-08-11T06:59:17
Alex Meliaalexmelia365@gmail.com2026-08-10T19:29:28
MIKHAIL Babichdocbabich@mail.ru2026-08-10T10:50:16
Kiana Carringtonkc.kayalize@gmail.com2026-08-10T02:57:10
Anthony Mc Glynnanthonymcglynn10@gmail.com2026-08-09T15:15:17
Mina Engquistmina.engquist@gmail.com2026-08-09T06:31:04
Kim Tsuimasr96@gmail.com2026-08-09T03:01:24
Karl ingrahamkingraham9@gmail.com2026-08-08T21:30:20
Gabrielle Harrisongabriellemartin.1.gm@gmail.com2026-08-08T16:44:32
Kristina Leutarleutar.kristina@gmail.com2026-08-07T19:55:12
Ben Amureben@amure.net2026-08-06T20:00:00
Cat Flowerscasserpooh@gmail.com2026-08-06T19:12:50
Anna Paulsonpaulsona99@outlook.com2026-08-06T13:43:21
MArius Daugelamarius.daugela@outlook.com2026-08-06T12:45:33
Loren Hardyh-loren7@gmail.com2026-08-05T21:59:13
Adam Melenkivitzadam.melenkivitz@icloud.com2026-08-05T21:31:21
Lucas Buckelslbuckels1503@gmail.com2026-08-04T21:46:30
Cam Uribeheycamuribe@gmail.com2026-08-03T22:40:02
Pawan Dewanipsdewani9788@gmail.com2026-08-03T08:53:54
Marc Williamsstretlow@outlook.com2026-08-03T05:00:24
Damon Stachlerdamon.stachler@gmail.com2026-08-03T00:28:29
Karam Al Shoumalikaram.shoumali@gmail.com2026-08-02T20:16:16
Betsy Jaimebetsy.ramser@gmail.com2026-08-02T17:53:30
Faisal Alharbifaisal14245678@gmail.com2026-08-02T03:50:28
Abbie Robinsonafr5774@psu.edu2026-08-01T16:26:41
Candelaria Peirettipeiretticandelaria@gmail.com2026-07-31T18:25:07
Lucas Hammellucas.hammel@upr.edu2026-07-31T10:57:07
Leyla Martinmley33@gmail.com2026-07-31T00:12:55
Liam Wrightliamwright50@gmail.com2026-07-30T23:47:36
Emma Mukhambetovamukhemma@gmail.com2026-07-30T12:54:52
Angelina DiFioreangelina_difiore@yahoo.com2026-07-29T20:02:06
Caleb Denvercaleb7275@gmail.com2026-07-28T03:04:13
Brett Robertsonbrettmrob@gmail.com2026-07-27T20:47:56
Franny Jonesfranny_pie@icloud.com2026-07-27T16:41:36
Van Schoemakervanschoemaker@icloud.com2026-07-27T06:11:01
Aaron Fitzgeraldazedfitzgerald@gmail.com2026-07-27T02:40:37
Jason Townsjaytowns@gmail.com2026-07-26T13:32:02
Di Stroyunrealboson@gmail.com2026-07-26T04:57:10
Annik Régimbalannik.regimbal@gmail.com2026-07-23T11:23:38
Evan Jacksonevan.j.jackson93@gmail.com2026-07-22T04:33:41
Stewart Hangewastewart_life@yahoo.com2026-07-19T16:02:44
Monai Tripptripp.connect@icloud.com2026-07-19T15:56:09
caroline oppenheimcv421@nyu.edu2026-07-18T23:33:48
Charlington Jafarcharlessupportrealteam@gmail.com2026-07-18T19:50:47
David Leeethicaltechnologies@gmail.com2026-07-18T14:41:59
Gavin Hoffmanghoffmanpromo@gmail.com2026-07-17T21:41:54
Gavin Hoffmanghoffmanpromo@gmai.com2026-07-17T21:41:27
Thomas Dinhtdinhbos92@gmail.com2026-07-17T18:11:28
John Killmorejohnkillmore384@gmail.com2026-07-15T23:58:03
samuel Elliottsamuelelliottye9@gmail.com2026-07-15T18:59:14
Manuel Popmanuelpopmprobando@gmail.com2026-07-15T15:57:45
Mailie Duffinmailie@duffin.org2026-07-14T20:31:20
ZAHRA WILSON JOYCEzahrajoyce227@gmail.com2026-07-14T04:19:05
Claire Falconckfalc01+dup9356@gmail.com2026-07-14T01:14:16
TOYGUN TOKALACtokalactoygun@gmail.com2026-07-13T12:38:45
Et Ezetez@yopmail.com2026-07-12T23:00:49
Jane Nicholsonjane.nicholson1000@gmail.com2026-07-12T12:01:10
Jacob Brecheisenbrecheisen.jacob@gmail.com2026-07-11T18:11:57
Tolga Cakmaktolgacakmak2@gmail.com2026-07-11T12:36:14
Heather DuPlooyheatherjduplooy@gmail.com2026-07-11T02:01:04
Darlenys De La Cruzdarlenysalcala5@gmail.com2026-07-11T00:59:01
Anfal Hawsawitresellea@gmail.com2026-07-10T21:45:21
Isik Onderionder7@yahoo.com2026-07-10T18:59:17
Kayla Postrinkaypsolutions@gmail.com2026-07-10T12:32:26
Iuliana Grekhovayulianagrekhova@gmail.com2026-07-10T11:24:52
Manuel Riveramannyrivera2133@yahoo.com2026-07-09T19:17:34
Ellen Kochremmal74@yahoo.com2026-07-09T14:29:42
Koby Davieskobydavies24@gmail.com2026-07-09T12:51:44
Tony Ngngtony469@gmail.com2026-07-07T23:23:05
Avalena valdinaavalenavaldina@gmail.com2026-07-07T15:25:08
Adam Jensenuni@unicorporate.net2026-07-06T11:52:44
Erik Ramaekerserik.ramaekers@live.be2026-07-05T22:43:01
Abdulrazag Ahmedoxx_500@hotmail.com2026-07-05T18:28:15
Sarah Etkinorgetkinsara@gmail.com2026-07-05T09:22:36
Shannon Binnst_h_e_a_n_g_e_l@yahoo.com2026-07-04T17:50:21

Contribución neta: quién deja margen y quién lo consume

Precio del plan menos el costo de las clases que tomó, miembro por miembro. Entran sólo cuentas con suscripción activa que además facturan plata de verdad: quedan afuera las internas y las otorgadas a mano, que antes copaban el extremo positivo aportando un precio de lista que nadie pagó.

Miembros con contribución negativa
12
de 562 miembros del mes
Empatados en la contribución máxima
7
topan en $249: pagan y no consumen
Miembros sin ninguna clase en el mes
115
pagan el plan completo sin usarlo
Contribución neta por miembro — top 10 de cada extremo (2026-09-01)

El extremo que más cuesta es Ramesh Ponn ($-249,6 con 135 clases y 134,0 horas). 7 miembros comparten el máximo de $249.

● Aporta margen■ Cuesta margen
Steven Ellman249 USDJonathon Mason249 USDCraig Rowe249 USDNekeed U249 USDGabe Aydelott249 USDwang ting249 USDSankhya Rajan249 USDMarvin Marshall246,5 USDJoey Hoskins245,5 USDShanelle Pierre245,2 USDConnor Pearson-28,6 USDNicole Hancock-29,4 USDKasia Mroz-34,3 USDPatrick Tse-34,6 USDGavin Morrison-41,3 USDWilliam Fouquet-49,5 USDDan Thibodeau-57,8 USDBrian Amigh-100,5 USDDel Santiago Arnold-106,2 USDRamesh Ponn-249,6 USD

⚠ Alto no significa mejor cliente. La contribución neta es precio menos costo atribuido, así que topa en el precio del plan y solo baja cuando el miembro toma clases: el extremo positivo son los que pagan y no consumen (115 miembros no tomaron ni una clase en el mes) y el negativo son los usuarios intensivos. Leído como ranking de "mejores", premia justo al que está a punto de irse. Por eso los lados dicen aporta/cuesta. La escala es la misma a los dos lados del cero.

Ver tabla de datos
MiembroPlanContribución netaClasesHorasPrecio del mes
Steven EllmanPremium$249,000,0$249
Jonathon MasonPremium$249,000,0$249
Craig RowePremium$249,000,0$249
Nekeed UPremium$249,000,0$249
Gabe AydelottPremium$249,000,0$249
wang tingPremium$249,000,0$249
Sankhya RajanPremium$249,000,0$249
Marvin MarshallPremium$246,511,0$249
Joey HoskinsPremium$245,521,0$249
Shanelle PierrePremium$245,211,0$249
Connor PearsonPremium$-28,66256,5$199
Nicole HancockPremium$-29,47473,5$199
Kasia MrozGroup$-34,34335,0$79
Patrick TsePremium$-34,69865,5$199
Gavin MorrisonPremium$-41,37166,5$199
William FouquetPremium$-49,56868,0$199
Dan ThibodeauPremium$-57,87271,5$199
Brian AmighPremium$-100,58481,5$199
Del Santiago ArnoldPremium$-106,29090,0$199
Ramesh PonnPremium$-249,6135134,0$199

Programa de referidos

Dos preguntas distintas y por eso dos denominadores: si la gente usa el código que se le emite, y si los referidos que sí llegan terminan concretándose.

Códigos que alguien usó
3,23%
158 de 4.885 códigos emitidos
Referidos que se concretaron
36,7%
58 de 158 referidos reales
Completados que siguen activos
26
de 58 referidos completados
Programa de referidos — de código emitido a referido concretado

Solo 3,23% de los códigos emitidos llega a tener un referido, pero de los que sí lo tienen se concreta 36,7%. Son dos problemas distintos y solo el primero es grande.

Códigos emitidos4.885 · 100%Alguien usó el código158 · 3,2%-96.8% vs anteriorReferido completado58 · 1,2%-63.3% vs anterior

⚠ Corrección de denominador (2026-09-07): esta métrica mostraba un único “1,07% de conversión”, que era completados sobre TODOS los códigos emitidos. El 97% de esas filas son códigos que nadie usó nunca (se emite uno por usuario), así que ese número medía la emisión automática de códigos, no el desempeño del programa. Ahora los dos pasos van con su propio denominador.

Ver tabla de datos
PasoCantidad% del paso anterior
Códigos emitidos4.885100,0%
Alguien usó el código1583,23%
Referido completado5836,7%
Detalle por status y referidos completados

Las filas 'pending' sin referido son códigos emitidos y no usados.

Ver tabla de datos
StatusFilasCon referido realCon suscripción activa
completed585826
expired363613
pending4.791642
Últimos referidos completados
Ver tabla de datos
ReferrerReferidoCompletado
Chris YontzSankhya Rajan2026-09-30T04:54:00
John McDadeQuinn Burke2026-09-29T22:51:57
Chris YontzDaniel Lynch2026-09-28T22:38:19
Mark CRebecca Devos2026-09-24T18:28:05
Allen ClarkHannah Harris2026-09-22T21:48:46
Chris YontzTerri Smith2026-09-22T20:33:27
John McDadeMatthew Andrew2026-09-21T20:05:21
Devon MossMadeline French2026-09-20T22:14:55
Allen ClarkJared Hale2026-09-16T00:10:31
Chris YontzBeatrice Feir2026-09-14T22:40:07
Allen ClarkPavlo Kadysh2026-09-11T18:40:06
Angela BerglundDaniel Wolf2026-09-10T23:35:09
Jeff BoazKelsey Fenn2026-08-30T23:15:40
Jocelyne CuttinoSammi Zhang2026-08-30T03:00:12
Kay KratunisDanielle Chu2026-08-25T00:52:42
Angela BerglundJoseph Hillard2026-07-06T23:47:50
Jeff BoazEric Harrington2026-07-03T15:17:21
Yair Cohenkeinan dolev2026-06-16T18:33:17
Angela BerglundPriscilla Hudyberdi2026-05-27T18:36:34
Alfred ForinoAlexander Rose2026-05-23T03:01:14

Operaciones

Cobertura, disponibilidad y salud operativa del día.

Peor fill rate por hora
49,8%
-0,4% vs 2026-09-25
hora 9:00 ART
Mejor fill rate por hora
66,4%
-0,2% vs 2026-09-25
hora 21:00 ART
Concentración del tutor top
15
0 vs 2026-09-25
estudiantes recurrentes en un solo tutor
Cancelación con 2+ no-shows
44,1%
series canceladas de tutores con 2 o más no-shows
Tutores cobrando bono con incidencias
7
+1 vs 2026-09-25

O1 — No-show de tutor vs cancelación de series recurrentes

Ventana fija jun-ago 2026, tutores con ≥10 sesiones completadas. A más no-shows, más cancelación de series (bucket '2+' vs '0').

BucketTutoresSeries% cancelada
0 no-shows3466138.12%
1 no-shows1435437.85%
2+ no-shows48113444.09%

O3 — Fuga de bono por incidencias

7 tutores con ≥3 incidencias en el período cobrando >80% del bono máximo.

Ver lista nominal
TutorPeríodoBonoIncidencias
Jhon SanjuanJulio 2026$200.0 (83.3% del máx)8
Leticia Sanchez ArellanoJulio 2026$200.0 (83.3% del máx)4
Rossana RodriguezAgosto 2026$200.0 (83.3% del máx)4
Fernando RamosJulio 2026$200.0 (83.3% del máx)3
Rossana RodriguezJulio 2026$200.0 (83.3% del máx)3
Daniel GomezSeptiembre 2026$200.0 (83.3% del máx)3
Daniel GomezAgosto 2026$200.0 (83.3% del máx)3
Fill rate por hora del día (oferta vs demanda, ART)

Peor bloque con volumen: 09:00 ART (49,8% de ocupación sobre 9.637 slots). Mejor: 21:00 ART (66,4%).

0%25%50%75%100%00h02h04h06h08h10h12h14h16h18h20h22h49,8%

La columna destacada es la peor hora con volumen real en ART; el resto queda en gris para que el hueco se lea de una. Solo se comparan horas con más de 1.000 slots ofertados — por debajo el porcentaje es ruido. Total de la ventana: 122.683 slots.

Ver tabla de datos
Hora (ART)OfertadosOcupadosFill rateVolumen
00:001.80899955,3%
01:0087644650,9%bajo — no comparable
02:001000,0%bajo — no comparable
03:001000,0%bajo — no comparable
04:001000,0%bajo — no comparable
05:00400,0%bajo — no comparable
06:00400,0%bajo — no comparable
07:003.6432.04056,0%
08:005.8843.38557,5%
09:009.6374.79649,8%
10:0010.2785.98858,3%
11:0010.7096.32659,1%
12:009.0745.56361,3%
13:008.1844.99861,1%
14:008.3194.92559,2%
15:008.6025.29661,6%
16:008.4195.08160,4%
17:006.4844.17264,3%
18:005.3233.39463,8%
19:005.7263.54561,9%
20:006.0173.93865,4%
21:005.0803.37566,4%
22:004.9563.22565,1%
23:003.6262.31863,9%

O7 — Estatus del Brain

Pipeline sano, sin errores. Decisiones: {'accepted': 1567} — nota: si 100% 'accepted', confirmar con Ops si falta el registro de rechazos.

FuenteLagEvents sentError
availability_slots57404s949479OK
booking_sessions57403s77837OK
proposal_decisions57403s1530OK
tutors57403s6698OK
O9 — Salud de las series recurrentes, por semana

Series creadas contra series canceladas: misma unidad, mismo eje. Última semana del corte: neto -104.

ActivasCanceladas
05010015020008-0308-1008-1708-2408-3109-0709-1409-2109-2812420

El neto por semana es lo accionable: cuando las canceladas empatan o superan a las nuevas, la base recurrente se está encogiendo — y la recurrencia es el vínculo más caro de reponer.

Ver tabla de datos
SemanaActivasCanceladasSlot consumedNeto
2026-08-030147-14
2026-08-1005255-52
2026-08-1745061-46
2026-08-2423100108-77
2026-08-316110413-43
2026-09-0767421+25
2026-09-1481823-1
2026-09-21106961+10
2026-09-28201240-104

O11 — Fast Class: Inventario (idle)

⚠ Aproximación. El 88% del PR #62 se calculó sobre la réplica de BigQuery cuando estaba inflada ~20x por el sync sin captura de deletes (ya arreglado) — ese número está sesgado, no es la referencia correcta. Este cálculo corre sobre la réplica ya sana, pero el SQL completo del PR no está documentado, así que sigue pendiente de reconciliar. 51.3% de 2401 slots ofertados quedó idle (últimas 48h).

O12 — Fast Class: Salud/canario (recuperación por banda de lead time)

⚠ Aproximación. El 25.8/30.4/32.2/41.5% del PR #62 se calculó sobre la réplica de BigQuery cuando estaba inflada ~20x (ver O11) — ese número está sesgado. Este cálculo corre sobre la réplica ya sana, pendiente de reconciliar con el SQL original del PR.

BandaCanceladas% recuperado
12-24h70332.6%
24-48h69939.6%
3-6h41823.0%
6-12h61024.8%

O14 — Concentración de dependencia por tutor (bus factor)

Ver top 10 tutores
TutorEstudiantes recurrentes
Fernando Ramos15
Rossana Rodriguez15
Daniela Tellez14
Ricardo Durán12
Mc Kaderin Quintero12
Leticia Sanchez Arellano11
Ricardo Coropo11
Ignacio Steffens11
Liliana Martinez10
Lilian Gallosa9

Oferta de grupales publicada — día × franja horaria (ART)

Próximos 14 días. 640 sesiones publicadas (518 GS, 122 GC). Celdas vacías o casi vacías son huecos reales de oferta, no falta de demanda registrada.

Sesiones publicadas por día y franja
vie 2sáb 3dom 4lun 5mar 6mié 7jué 8vie 9sáb 10dom 11lun 12mar 13mié 14jué 1506-0808-1010-1212-1414-1616-1818-2020-2222-2407

GS (group_session) y GC (group_classes) combinados -- GC hoy es apenas 19,1% del volumen (carga manual semanal, todavía sin generación automática), así que un corte separado por tipo no tendría suficiente volumen para leerse.

Ver tabla de datos
Franjavie 2sáb 3dom 4lun 5mar 6mié 7jué 8vie 9sáb 10dom 11lun 12mar 13mié 14jué 15
06-0801200100000000
08-1006655455656666
10-1246565555656676
12-1456555454455566
14-1656455546555665
16-1847545345463666
18-2057565655455566
20-2254674444466546
22-2435656446464454
Sesiones de grupales publicadas por semana

4 semanas atrás, 4 adelante -- en gris, la semana actual destacada.

010020030040008-3109-0709-1409-2109-2810-0510-1210-1910-26302

Las últimas semanas de la ventana hacia adelante suelen verse más bajas todavía no porque haya menos oferta planeada, sino porque falta que se termine de publicar (GS es día a día, GC es batch semanal) -- no leer como caída real.

Ver tabla de datos
SemanaGSGCTotal
2026-08-3140040
2026-09-0713317150
2026-09-1415564219
2026-09-2119543238
2026-09-2826240302
2026-10-0524166307
2026-10-1227061331
2026-10-1914370213
2026-10-2604242

Grupales realizadas — cuánto se llenan

Últimos 28 días (ART), GS y GC por separado. Óptimo = 2 alumnos (umbral de viabilidad del modelo de grupales); completo = cupo de la sesión.

GS — fill rate (mediana)
60%
422 realizadas · cupo 5
GS — llegan al óptimo
77,5%
terminan con ≥2 alumnos
GS — capacidad completa
19,7%
terminan con cupo lleno
GC — fill rate (mediana)
20%
64 realizadas · cupo 15
GC — llegan al óptimo
84,4%
terminan con ≥2 alumnos
GC — capacidad completa
0%
terminan con cupo lleno
Tiempo desde la publicación hasta el óptimo y hasta el cupo completo

Mediana en días. La barra gris es la ventana completa en la que la sesión estuvo publicada.

GS · hasta óptimo6,2 dGS · hasta completo8,6 dGS · ventana publicada10,5 dGC · hasta óptimo3,3 dGC · ventana publicada6,4 d

Se mide sobre la cuenta NETA de reservas vigentes (altas menos cancelaciones de asiento): una sesión puede llegar al óptimo y caer después, por eso '% que llega al óptimo' en las tarjetas (resultado final) no es el complemento de 'nunca llegó' de la tabla.

Ver tabla de datos
TipoHasta óptimo (p50)Hasta óptimo (p75)Nunca llegó al óptimoHasta completo (p50)Hasta completo (p75)Nunca llegó a completoPublicación → inicio (p50)
GS6,2 d10,8 d10,4%8,6 d10,3 d67,8%10,5 d
GC3,3 d5,4 d14,1%——100,0%6,4 d
Fill rate mediano por semana
GSGC
0%20%40%60%80%08-0308-1008-1708-2408-3109-0709-1409-2109-2840%20%

Semana lunes a domingo (ART), por fecha de la clase. La semana en curso está incompleta.

Ver tabla de datos
SemanaTipoSesionesFill p50% óptimo% completas
2026-08-03GS3560,0%80,0%14,3%
2026-08-10GS11640,0%74,1%12,1%
2026-08-17GS10840,0%63,0%10,2%
2026-08-24GS9860,0%80,6%22,4%
2026-08-31GS8160,0%77,8%32,1%
2026-09-07GS9560,0%91,6%29,5%
2026-09-14GS10560,0%77,1%26,7%
2026-09-21GS11640,0%71,6%7,8%
2026-09-28GS7140,0%69,0%5,6%
2026-09-14GC1233,3%91,7%0,0%
2026-09-21GC3720,0%81,1%0,0%
2026-09-28GC1520,0%86,7%0,0%
Grupales realizadas por día de la semana

Promedio por semana, últimos 28 días (ART): 422 GS y 64 GC realizadas.

05101520LunMarMiéJueVieSábDom19

Solo sesiones que corrieron (completed/incomplete). La oferta publicada a futuro está en O15.

Ver tabla de datos
DíaGS (total)GC (total)Promedio por semanaAlumnos inscriptos
Lun621118,2208
Mar611318,5202
Mié641219,0223
Jue561317,2209
Vie561016,5211
Sáb62416,5198
Dom61115,5177

Con cuánta anticipación se cancela

Cancelaciones del alumno sobre clases de los últimos 28 días (ART), 1:1 vs grupal.

1:1 — cancelan con <12 h
32,2%
de 1.908 cancelaciones del alumno
1:1 — cancelan con >10 días
6,6%
Grupal — cancelan con <12 h
52,8%
de 810 cancelaciones del alumno
Grupal — cancelan con >10 días
1,5%
Distribución de la anticipación de la cancelación
1:1
1.908 cancelaciones del alumno
<12 h32,2%12-24 h13,6%1-3 días20,4%3-10 días27,2%>10 días6,6%
Grupal
810 cancelaciones del alumno
<12 h52,8%12-24 h13,1%1-3 días17,7%3-10 días14,9%>10 días1,5%

La banda <12 h incluye las canceladas con la clase ya empezada (1 en 1:1, 0 en grupal). Aparte, y fuera del gráfico: 520 cancelaciones de 1:1 y 77 de grupal fueron del sistema u operación (sesión cancelada, reemplazo fallido, serie pausada, limpiezas) — no son una decisión del alumno. El late cancel oficial (T-30 min) está en Educación, E1.

Ver tabla de datos
Anticipación1:1% 1:1Grupal% Grupal
<12 h61532,2%42852,8%
12-24 h26013,6%10613,1%
1-3 días38920,4%14317,7%
3-10 días51927,2%12114,9%
>10 días1256,6%121,5%

Reoferta y Fast Class

Qué pasa con un slot liberado (reoferta, lista de espera de grupales) y la línea base de oportunidad de Fast Class y del fill activo de grupales, los dos todavía sin dispatcher corriendo.

Adopción de reoferta (T-12)
1%
Asistencia real tras promoción
42,7%
+0,8% vs 2026-09-25
Oportunidad · Inventario ocioso (24h)
54,3%
+4,3% vs 2026-09-25
Fast Class aún no lanzó — esto es oportunidad, no uso
Oportunidad · Grupales bajo capacidad (6 días)
99,5%
+0,6% vs 2026-09-25
el fill activo de grupales aún no despacha — es oportunidad, no uso

Reoferta: qué pasa cuando se le ofrece a alguien un slot liberado

Un tutor pierde una clase (cancelación 1:1 o de grupal) y el slot se reofrece por gates de prioridad — gate 1 es la contribución neta más alta. Producción real desde el 2026-09-09, con tres regímenes de ventana: sin filtro hasta el 11-sep, T-6 del 12 al 27-sep, y T-12 desde el 28-sep (hoy). Primero la adopción por slot; después el detalle por oferta.

Captura (T-12)
82,7%
81 de 98 cancelaciones elegibles entraron al mecanismo
Adopción (T-12)
1%
1 de 98 elegibles se reocuparon
Adopción (T-6, referencia)
3,6%
250 elegibles, 12 al 27-sep
Adopción de la reoferta, por slot

De cada cancelación 1:1 que el mecanismo debería reofrecer: si entró, si se le mandó oferta a alguien y si se reocupó. Muestra chica: T-12 lleva pocos días (98 cancelaciones elegibles) — leer junto con la fila de T-6.

Cancelaciones 1:1 elegibles (T-12)98 · 100%Entraron al mecanismo81 · 82,7%-17.3% vs anteriorCon al menos una oferta enviada72 · 73,5%-11.1% vs anteriorReocupadas1 · 1,0%-98.6% vs anterior

Elegible = cancelación del alumno de una clase 1:1 con aviso dentro de la ventana de su régimen (≤6 h en T-6, ≤12 h en T-12). Una reserva de 60 min libera 2 slots de 30: se cuenta por reserva, no por slot. "Perdidas con ≥40 min" son elegibles que nunca generaron released_slot pese a tener tiempo de sobra antes del deadline T-40 — el hueco de captura a corregir del lado de Dev. Un asiento suelto de grupal no cuenta: la clase igual ocurre y no libera slot del tutor.

Ver tabla de datos
RégimenElegiblesCapturadas% capturaCon ofertaReocupadas% adopciónPerdidas con ≥40 min
T-6: hasta 6 h de aviso (12 al 27-sep)25021987,6%19393,6%27
T-12: hasta 12 h de aviso (desde el 28-sep)988182,7%7211,0%15
Tasa de aceptación (sobre resueltas)
1,1%
24 de 2.146 ofertas ya resueltas — mezcla los tres regímenes
Profundidad de cola, aceptadas
4,3
candidatos notificados en promedio hasta que alguien dijo que sí
Ofertas todavía pendientes
188
ni aceptaron ni se venció su ventana
Embudo de la reoferta

De 2.334 ofertas, 1,1% de las resueltas terminó en una reserva.

Ofertas enviadas2.334 · 100%Resueltas (no quedaron pendientes)2.146 · 91,9%-8.1% vs anteriorAceptadas24 · 1,0%-98.9% vs anterior

La tabla corta por gate: gate 1 es a quien más le prioriza el sistema por contribución neta. Si la aceptación no es mayor en gate 1 que en gate 3, la priorización no se está traduciendo en mejor resultado.

Ver tabla de datos
GateAceptadasRechazadasVencidasPendientes% aceptación (resueltas)
111101.055731,0%
296548561,6%
343500590,8%
Aceptación de ofertas, por régimen de ventana

Mismo mecanismo, tres ventanas distintas — no promediar sin mirar esta tabla.

Profundidad de cola por desenlace, para referencia: aceptadas 4.3, rechazadas 3.9, vencidas 4.4, pendientes 5.5 — cuanto más alto, más profundo tuvo que bajar el sistema en la cola de prioridad antes de resolver.

Ver tabla de datos
RégimenOfertasResueltasAceptadas% aceptación
Sin filtro de anticipación (antes del 12-sep)678611132,1%
T-6: hasta 6 h de aviso (12 al 27-sep)1.1231.055100,9%
T-12: hasta 12 h de aviso (desde el 28-sep)53548010,2%
Fill rate de la reoferta, por qué liberó el slot

La reoferta puntual de "grupal cancelada → 1:1" tiene 0,0% de fill rate hoy (0 de 58 slots, 28 eventos de cancelación), contra 4,2% de la cancelación 1:1, que es el origen principal por volumen.

■ Fill rate ceroCon alguna toma
1:1 cancelada4,2%Grupal cancelada0%

Cada cancelación de grupal libera 2 filas en released_slots — el prep y la clase (is_prep_slot) — así que "eventos" (la mitad) es la cifra que importa para contar cancelaciones reales, no "slots". Este 2x va a desaparecer con el tiempo: el prep se está eliminando del flujo en general. Todo lo que se toma, de cualquier origen, termina en una clase 1:1 — verificado sobre el 100% de los bookings resultantes. "Grupal cancelada" acá es 100% Group Session — 0% Coaching Group (verificado vía la sesión original que se canceló): no es que CG rinda mal, es que hoy CG no genera ningún evento de reoferta todavía.

Ver tabla de datos
OrigenEventosSlots liberadosTomadosVencidosAbiertosFill rateLead mediano
1:1 cancelada4779444089644,2%3.1 h
Grupal cancelada285805050,0%10.8 h
Lead time por origen, en cada régimen de ventana

Con cuánta anticipación se libera el slot, según la ventana vigente en cada período.

Ver el docstring del módulo para el detalle de los dos quiebres (12-sep y 28-sep).

Ver tabla de datos
OrigenSin filtro (<12-sep)T-6 (12 al 27-sep)T-12 (desde 28-sep)
1:1 cancelada83.0 h (344 slots)2.2 h (438 slots)4.2 h (162 slots)
Grupal cancelada31.1 h (12 slots)2.8 h (12 slots)8.4 h (34 slots)

Lista de espera de grupales — quién entra y con cuánta anticipación

Cuando una grupal llena tiene una baja, el primero de la lista que pasa los chequeos (horario libre, nivel, sigue activo) entra automático. Acá no hay ventana fija: entra apenas se libera el asiento. "Promovido" NO es lo mismo que "asistió" — ver el embudo real abajo.

Tasa de asistencia real
42,7%
32 asistió de 75 promociones ya resueltas
Tasa de promoción (consiguió el cupo)
46,5%
ojo: esto NO mide si asistió, solo si le dieron el lugar
Esperando ahora
0
El embudo real de la lista de espera

De 74 promociones, 26 cancelaron después de tomar el cupo y 17 no se presentaron — más de la mitad de "promovido" no termina en un alumno sentado.

Anotado en la lista159 · 100%Promovido (consiguió el cupo)74 · 46,5%-53.5% vs anteriorAsistió de verdad32 · 20,1%-56.8% vs anterior

Corregido 2026-09-15: contar "promovido" como éxito de la lista infla el resultado más del doble. El desenlace real vive en el status del booking que genera la promoción (joined/cancelled/no_show), no en el estado de la lista de espera en sí.

Promociones por cuánto faltaba para el inicio de la clase

De las promociones ya ocurridas, cuánta anticipación tuvo cada una.

010203040< 2 h2-6 h6-24 h24 h+29

Es la métrica que GROUP_SESSION_WAITLIST_FLOW.md §6.2 pide medir desde el día uno: si la lista rinde saldando bajas de último momento o con margen — las dos son útiles, pero cambian qué tan crítico es que la promoción sea instantánea.

Ver tabla de datos
EstadoEstudiantes
Promovidos (entraron)74
Vencidos (la sesión empezó sin ellos)65
Se retiraron20
Esperando ahora0
Expiración de la lista, por qué falló — no todo 'expired' es lo mismo

11 de 65 expirados SÍ tuvieron un lugar liberado y no pudieron tomarlo — eso es lo accionable.

last_attempt_block no se usaba en ningún panel hasta ahora. Separa "nunca hubo nada que hacer" de "hubo algo que hacer y no se pudo" — reconfirmar disponibilidad o reactivar la cuenta son intervenciones distintas a simplemente aceptar que la demanda no estaba.

Ver tabla de datos
MotivoEstudiantes
Nunca se liberó un lugar (nada accionable)54
Se liberó, pero la cuenta no seguía activa1
Se liberó, pero chocaba de horario10
Asistencia real por nivel — dónde la lista rinde peor

La tasa de asistencia real varía fuerte por nivel — un solo número agregado esconde esto.

Nivel resuelto vía legacy_group_session_id/group_session_id de booking_sessions (mismo patrón que Fase 2, §10.3). El 100% de las filas de esta tabla hoy son grupales (GS), no Coaching Groups (que resuelven nivel por group_template_id, columna distinta, sin filas en esta tabla hoy).

Ver tabla de datos
NivelAsistióCancelóNo-showTasa de asistencia real
B11418934,1%
B242344,4%
A2136554,2%
C1100100,0%
Expiración de la lista por nivel — el otro corte

Esto mide si CONSIGUE el cupo, no si lo aprovecha — ver la tabla de arriba para eso.

Ver tabla de datos
NivelPromovidosExpirados% expirado
A101100,0%
B281666,7%
A2242045,5%
B1412840,6%
C1100,0%

Oportunidad (sin dispatcher corriendo — no es adopción)

Todo lo de acá abajo es línea base: Fast Class no está lanzado y el fill activo de grupales (Fase 2) no despacha notificaciones todavía. Los números miden el tamaño de la oportunidad, no uso real — no compararlos contra R1-R3 de arriba.

Fast Class — línea base de oportunidad, no de adopción

Fast Class todavía no existe en producción: 0 clases con origin='fast_class', y los 3 registros de pack son de prueba, no ventas. No hay "usuarios con el pack", "clases usadas" ni "horario más tomado" que reportar todavía — eso es ausencia de producto, no un hallazgo. Lo que sí se puede medir hoy es la oportunidad que Fast Class consumiría al lanzar, y el canario que va a decir si lo está haciendo sin dañar lo que ya funciona.

Inventario ocioso, próximas 24 h
54,3%
709 de 1.305 medias horas de tutores activos
Reagendo orgánico, cancelación con 3-6 h de aviso
25%
el canario: si esto baja después de lanzar, Fast Class está secando disponibilidad
Canario de salud — cancelaciones que se reagendan solas, por anticipación

Cancelaciones de 1:1 de los últimos 90 días, agrupadas por cuánto aviso dieron.

012253850< 30 min30-90 min1,5-3 h3-6 h6-12 h12-24 h24-48 h42,4

A mayor anticipación, más chance de que el mismo tutor/horario reciba otra reserva sin intervención. Esta es la disponibilidad que sostiene learning-first y flexible booking — si esta tasa cae después de lanzar Fast Class, está compitiendo con esa recuperación orgánica en vez de vivir del inventario que hoy se pierde (54,3% de las próximas 24 h).

Ver tabla de datos
Anticipación de la cancelaciónCancelaciones (90 días)Se reagendó solo%
< 30 min368113,0%
30-90 min651649,8%
1,5-3 h57712722,0%
3-6 h52713225,0%
6-12 h60817428,6%
12-24 h96633734,9%
24-48 h1.04344242,4%

Fill activo de grupales — el tamaño de la oportunidad

Fase 2 (esquema_flows/slot_reoffer.md §10) busca activamente candidatos para grupales que no llenaron su capacidad, en vez de esperar a que se cancelen solas. Está diseñada y tiene tabla en producción, pero el dispatcher de notificación no está corriendo — esto es cuánto hay para rescatar, no cuánto se rescató.

Grupales bajo capacidad (próx. 6 días)
188
99,5% de 189 sesiones
Asientos libres que suman
784
Ocupación promedio
0,9
sobre una capacidad promedio de 5.0
Grupales de los próximos 6 días, por cuántos inscriptos tienen hoy

784 asientos libres repartidos en 189 sesiones.

0255075100012345+93

Usa scheduled_start como ancla en vez del slot de prep que usa el diseño — para dimensionar la oportunidad la diferencia es de minutos, no de magnitud. Si se construye el dispatcher real, ese detalle sí hay que resolverlo.

Ver tabla de datos
InscriptosSesiones
093
153
227
311
44
5+1
¿Se salvan solas? Grupales con 0 inscriptos a T-6h, últimos 90 días

De 604 sesiones que llegaban a T-6h sin un solo inscripto, 76,2% terminó cancelada y solo 10,8% logró al menos un alumno para el inicio, sin que nadie interviniera.

■ 0 inscriptos a T-6h1 o más ya asegurado
0 inscriptos a T-6h76,2%1 inscriptos a T-6h1,9%2+ inscriptos a T-6h0,6%

Esta es la línea base contra la que se mide Fase 2 el día que despache: si una sesión en 0 ya se salva sola el 13% de las veces, el mecanismo tiene que superar eso, no compararse contra cero. Con 1 inscripto asegurado a T-6h, casi ninguna se cancela — la brecha está enteramente en el bucket de 0.

Ver tabla de datos
Inscriptos a T-6hSesiones (90 días)Canceladas% canceladaLlegó viva (≥1)
060446076,2%10,8%
142081,9%100,0%
2+88950,6%100,0%

Vínculo con el tutor

Cómo el estudiante marca un tutor (Saved, Flexible, Hidden) y cómo sostiene en el tiempo una serie recurrente con uno puntual.

Estudiantes usando Saved
394
+22 vs 2026-09-25
Conversión Flexible
60,3%
+0,7% vs 2026-09-25
Conversión Saved
50,6%
+1,2% vs 2026-09-25
Estudiantes que rotan saved
76
+8 vs 2026-09-25
es un piso: re-guardar un tutor no deja rastro
Conversión de armado (recurring)
82%
+0,5% vs 2026-09-25
Cancelación de series (recurring)
52,3%
+1,7% vs 2026-09-25

Saved — adopción sobre la base activa y uso de esos mismos tutores

Qué parte de los activos guarda tutores, y si el tutor guardado aparece después en Flexible o en una serie Recurring.

Activos con al menos un Saved
52,4%
341 de 651 activos
Activos con al menos un Flexible
84,8%
552 de 651 activos
De los que usan Saved, también usan Flexible
97,4%
332 estudiantes con los dos
Estudiantes con al menos un Saved vigente, día a día
01002003004002 sep4 sep6 sep8 sep10 sep12 sep14 sep16 sep18 sep20 sep22 sep24 sep26 sep28 sep30 sep2 oct392

La serie cuenta a todos los estudiantes no internos con Saved vigente, no solo a los activos — es el histórico que guarda P1 desde el 2026-09-02. El % sobre activos de arriba se empieza a guardar desde hoy.

Ver tabla de datos
DíaEstudiantes con Saved
2026-09-02267
2026-09-03275
2026-09-04285
2026-09-05291
2026-09-06293
2026-09-07296
2026-09-08302
2026-09-09305
2026-09-10307
2026-09-11314
2026-09-12321
2026-09-13325
2026-09-14333
2026-09-15338
2026-09-16341
2026-09-17345
2026-09-18344
2026-09-19345
2026-09-20349
2026-09-21353
2026-09-22356
2026-09-23360
2026-09-24365
2026-09-25372
2026-09-26377
2026-09-27380
2026-09-28381
2026-09-29387
2026-09-30389
2026-10-01392
2026-10-02392
Los mismos tutores guardados, ¿aparecen en Flexible o en Recurring?
Pares guardados (Saved)2.789…también en Flexible866…con serie Recurring activa189…en Flexible y con Recurring123

Par = estudiante + tutor. Saved vigente de estudiantes activos, cruzado contra favorite_tutors status='active' y recurring_booking_series status='active' del mismo par.

Ver tabla de datos
Pares estudiante-tutorCantidad% de los guardados
Pares guardados (Saved)2.789100,0%
…también en Flexible86631,1%
…con serie Recurring activa1896,8%
…en Flexible y con Recurring1234,4%
Clases con un tutor guardado
56,2%
2.934 de 5.221 clases 1:1
En Recurring
60,6%
415 de 685 clases
En clases sueltas
55,5%
2.519 de 4.536 · Flexible, Learning First, Standard
Clases con un tutor guardado, por canal de reserva

Solo estudiantes activos que tienen al menos un Saved vigente.

Recurring60,6%Flexible55,6%Learning First55,7%Standard48,7%

Clases 1:1 dictadas (completed + joined) de las últimas 4 semanas completas, lunes a domingo ART. “Tutor guardado” = el par estaba en saved_tutors al momento de la clase. Canal = bookings.booking_type_id (Flexible = reserva desde el perfil de un tutor en Flexible).

Ver tabla de datos
CanalClases 1:1Con tutor guardado%
Recurring68541560,6%
Flexible2.3261.29355,6%
Learning First2.1341.18955,7%
Standard763748,7%
Mediana de tutores guardados
5
p90 de 19 · 3.086 pares activos
Máximo de un solo estudiante
41
39,0% de los 105 tutores en Saved
Saved — cuántos tutores guarda cada estudiante

Buckets en orden natural: la forma de la cola es el dato.

0255075100123-56-1011-2021+91

Saved es un bookmark simple: no altera la lógica de reserva. El mecanismo que sí participa del booking (prebooking y acceso anticipado) es Flexible — ver la comparación de conversión abajo.

Ver tabla de datos
Tutores guardadosEstudiantesPares
16969
254108
3-580313
6-1091717
11-20701.044
21+30835
Saved vs Flexible — conversión a reserva (ambos desde 2026-08-13)

Flexible convierte 9,7 puntos por encima de Saved. NO es por diferenciación técnica activa — prebooking_enabled/early_access_hours/is_default/priority están en su valor default en el 100% de las filas de favorite_tutors. Es más consistente con selección: reservar directo desde el perfil ya es más intención que solo guardar un bookmark.

Flexible60,3%Saved50,6%

Ambos lados miden desde el 2026-08-13 hasta hoy — Saved nació esa fecha, y darle a Flexible su historia completa desde junio inflaría su conversión por tener más tiempo para acumular reservas. “Convertido” = existe una reserva con ese tutor posterior al momento de marcarlo.

Ver tabla de datos
MecanismoPares marcadosCon reserva posteriorConversión
Flexible1.06664360,3%
Saved3.0861.56250,6%

Saved — rotación de la lista por estudiante

76 de 399 estudiantes sacaron al menos un tutor de Saved (232 bajas en total). El top rota hasta 119 veces en 35 días. En promedio, un rotador pasa por 15,7 tutores distintos (máximo 68).

Rotación de Saved — conversión de cada rotador

La barra es la conversión a reserva; los eventos de rotación van en el tooltip. Rotar mucho no garantiza conseguir el cupo.

■ Rota fuerte y convierte <30%Rota y consigue cupo
Juan M Herrera54%Samantha Newman68%Ramesh Ponn78%Peter Cho63%Alex Lavin43%Olivia Zotter53%Kay butler53%Jarret Banks97%Brandon Grinstead22%Phil McAlpin65%Andy Maddison67%William Pasternak50%Isabel Foster38%Os Student33%Patrick Tse43%

Los 1 marcados en crítico son el cohorte accionable: están peleando contra la disponibilidad y no la consiguen. Los otros rotan y les funciona, así que no hay nada que intervenir ahí.

Ver tabla de datos
EstudianteAltasBajasEventosDíasEv./díaConversión
Juan M Herrera6851119353,454%
Samantha Newman41041341,268%
Ramesh Ponn37340321,378%
Peter Cho38240490,863%
Alex Lavin301040321,343%
Olivia Zotter30939142,853%
Kay butler38038219,053%
Jarret Banks36137430,997%
Brandon Grinstead36137291,322%
Phil McAlpin31536162,365%
Andy Maddison33134291,267%
William Pasternak26733152,250%
Isabel Foster29332420,838%
Os Student30131400,833%
Patrick Tse30131440,743%

⚠ Estos números son un piso, no un techo: la tabla tiene UNIQUE (student_id, tutor_id) que no excluye las filas borradas, y no tiene updated_at — si un estudiante vuelve a guardar un tutor que había sacado, la app sobrescribe la fila y ese ciclo no deja rastro. La rotación real es mayor o igual a la medida. Para cerrarlo haría falta una tabla de historial de eventos, o un updated_at + contador de reactivaciones.

Cuentas internas excluidas del ranking: Support WorldsAcross, Student for Support, Gus prueba funnel (ids 6287,8636,9633).

Estudiantes con tutores hidden
34
Tutores ocultados (al menos 1 vez)
83
Pares estudiante-tutor
205
Tutores más ocultados — top 15

34 estudiantes ocultaron a 83 tutores distintos (205 pares).

Angélica Torres9Daniel Malagon8Williams Camacho7Raul Martinez6Luisana Carrero6Andrea Guilio6Miguel Angel Rojas5Diego Garcia5Jorge Reyes5Miguel Nava5Daniela Libreros5Guillermina Rojas5Yuliana Chacón4Catherine Escobar4Nelly Granados4

⚠ Fuente transitoria: user_settings.custom_preferences.hidden_tutor_ids (jsonb). El concepto todavía no vive en user_booking_restrictions (existe en el esquema, 0 filas en producción) — la migración del backfill y del punto de escritura de la app quedan pendientes de ejecución, fuera de este panel: es una escritura de producción con efecto de comportamiento real, no un cambio de solo lectura.

Ver tabla de datos
TutorEstudiantes que lo ocultaron
Angélica Torres9
Daniel Malagon8
Williams Camacho7
Raul Martinez6
Luisana Carrero6
Andrea Guilio6
Miguel Angel Rojas5
Diego Garcia5
Jorge Reyes5
Miguel Nava5
Daniela Libreros5
Guillermina Rojas5
Yuliana Chacón4
Catherine Escobar4
Nelly Granados4

Clases con un tutor desconocido

Qué parte de las clases 1:1 es la primera vez de ese estudiante con ese tutor.

Clases con un tutor desconocido
15,4%
1.018 de 6.598 clases 1:1 · últimas 4 semanas completas
Estudiantes que probaron un tutor nuevo
63,2%
308 de 487 con clase 1:1 en la ventana
% de clases 1:1 con un tutor desconocido, por semana
0%5%10%15%20%3 ago10 ago17 ago24 ago31 ago7 sep14 sep21 sep28 sep15,1%

Semana lunes a domingo (ART). La última barra es la semana en curso, todavía parcial.

Ver tabla de datos
SemanaClases 1:1Con tutor desconocido%
3 ago1.82725113,7%
10 ago1.77229016,4%
17 ago1.76922912,9%
24 ago1.83328115,3%
31 ago1.75927915,9%
7 sep1.66226616,0%
14 sep1.59824215,1%
21 sep1.57923114,6%
28 sep98914915,1%
Tutor desconocido, por canal de reserva (últimas 4 semanas completas)
Recurring2,3%Flexible4,5%Learning First31,7%Standard6,5%

Recurring casi nunca es con un tutor nuevo por construcción: la serie se arma con un tutor ya elegido y solo su primera instancia puede contar como primera vez.

Ver tabla de datos
CanalClases 1:1Con tutor desconocido%
Recurring871202,3%
Flexible2.9251324,5%
Learning First2.71086031,7%
Standard9266,5%

Preferencia de booking — “Who you learn with”

Qué modo eligen los activos, y si reservar con ese modo cambia con quién terminan tomando clase.

Activos que eligieron un modo
24,7%
161 de 651 activos
Modo elegido en la cuenta, estudiantes activos
Los que conozco10,4%Balanceado13,4%Mixto / descubrir0,9%Sin elegir75,3%

Preferencia guardada en la cuenta (user_settings, sin historial: si el estudiante la cambia se pisa). “Sin elegir” incluye a quien nunca tuvo fila en user_settings.

Ver tabla de datos
ModoValor en la DBEstudiantes activos%
Los que conozcocontinuity6810,4%
Balanceadobalanced8713,4%
Mixto / descubrirdiscover60,9%
Sin elegir(sin clave)49075,3%
¿El modo se nota en la conducta? — % de clases con un tutor desconocido, por modo
Los que conozco9,1%Balanceado46,9%Mixto / descubrir69,7%

Clases 1:1 dictadas reservadas por Learning First desde el 2026-09-09 (desde ahí bookings guarda el modo de cada reserva). “Tutor desconocido” = misma definición que P14. Las reservas por la pantalla de Tutores no guardan modo y no entran.

Ver tabla de datos
Modo de la reservaClases 1:1Con tutor desconocido%
Los que conozco352329,1%
Balanceado1.06950146,9%
Mixto / descubrir332369,7%

Recurring: quién sostiene una clase semanal fija con el mismo tutor

Series vivas hoy, y si llegaron ahí como alta nueva, renovación de una serie anterior, o cambio de tutor (que en el modelo real se resuelve como cancelar-la-vieja-y-crear-una-nueva, no como edición in-place).

Alumnos con recurring vivo
250
810 series entre activas y con horizonte consumido — tope de 2 series `active` por alumno, sin excepciones hoy
Series activas ahora mismo
364
+ 446 que agotaron su horizonte (slot_consumed)
Series vivas por tipo de continuidad

Sobre series active + slot_consumed (las que llegaron a confirmarse).

0125250375500NuevaRenovación467

“Cambio de tutor” no es una edición: en el modelo real, cambiar de tutor recurrente se resuelve cancelando la serie vieja y creando una nueva — por eso cuenta acá como su propio tipo de continuidad, no como una renovación.

Ver tabla de datos
TipoSeries vivas
Nueva467
Renovación343
Cuándo se agendan las series recurrentes — día × horario

El pico es Lunes a las 20:00 ART (21 series).

000102030405060708091011121314151617181920212223LunesMartesMiércolesJuevesViernesSábadoDomingo021 series

La hora y el día están expresados en ART (America/Argentina/Buenos_Aires, UTC-3), convertidos a partir de start_time en la serie. Sobre series vivas hoy (active + slot_consumed): 100% tienen esta hora registrada.

Ver tabla de datos
Día000102030405060708091011121314151617181920212223
Lunes3000000366818141571379912111410
Martes3000000485101810141315989813563
Miércoles1000000221112014131510141486613106
Jueves12000005111115978610561237451
Viernes00000000315128131111368225002
Sábado100000010155729140002110
Domingo000000020414591262004342
Conversión de armado
82%
389 abandonaron sin confirmar (draft_expired)
Sigue viva de las confirmadas
45,8%
el resto se canceló después de haber confirmado
Embudo de recurring — de armar el patrón a sostenerlo

82,0% de quienes terminan de armar el patrón confirma la serie; de esas, 45,8% sigue viva hoy.

Terminó de armar el patrón2.156 · 100%Confirmó la serie1.767 · 82,0%-18.0% vs anteriorSigue viva hoy810 · 37,6%-54.2% vs anterior

No arranca en “preselección de tutor” porque esa tabla del diseño (recurring_tutors) está vacía en producción — el punto de partida real es la serie misma.

Ver tabla de datos
EtapaSeries% del total
Terminó de armar el patrón2.156100,0%
Confirmó la serie1.76782,0%
Sigue viva hoy81037,6%
Tutores con al menos un día cerrado
23
de 98 con regla de cap configurada
% de cap usado, promedio de la plataforma
13,9%
tutor x día que trabaja de verdad; la mayoría está lejos del techo
Top 10 tutores más ajustados al cap de recurrentes

En rojo, tutores con al menos un día de la semana ya cerrado (is_closed).

■ Con al menos un día cerradoSin días cerrados
Ignacio Steffens55%Mc Kaderin Quintero47,2%Alejandra Lopez40%Marcia Trucco40%Miguel Chaparro40%Fernando Ramos37,5%Rossana Rodriguez31%Ricardo Durán30%Jhon Sanjuan30%Liza Garcia30%

Un tutor “cerrado” no acepta más recurrentes ese día de la semana — no es que esté sobrecargado en general, es ese día puntual. El % es promedio de todos los días con regla configurada para ese tutor.

Ver tabla de datos
Tutor% cap promedioDías cerradosDías con reglaSlots reservados/totales
Ignacio Steffens55,0%5522/40
Mc Kaderin Quintero47,2%4624/62
Alejandra Lopez40,0%1512/30
Marcia Trucco40,0%3516/40
Miguel Chaparro40,0%3516/40
Fernando Ramos37,5%1530/80
Rossana Rodriguez31,0%0530/96
Ricardo Durán30,0%2524/80
Jhon Sanjuan30,0%1512/40
Liza Garcia30,0%1512/40

Ocupación de recurring por tutor (ART)

Quién tiene activo como recurring cada tutor, y qué día/hora en ART (UTC-3) — el detalle nominal detrás del % agregado de P7. Desplegable por tutor, ordenado de más a menos ocupado.

Tutores con recurring activo
81
Series activas
364
Alumnos distintos
224
Rossana Rodriguez — 15 alumnos recurring (Lun 2 · Mar 4 · Mié 4 · Jue 3 · Vie 2)
AlumnoDíaHora (ART)
Chris ThornburgLunes08:00 ART
Kay KratunisLunes11:00 ART
Brandon McWilliamsMartes11:00 ART
Alicia CertainMartes14:00 ART
Kelsey FennMartes17:00 ART
Cathy StangMartes19:00 ART
Kevin BaseyMiércoles11:00 ART
Connor PearsonMiércoles14:00 ART
Stefanie SalzerMiércoles16:00 ART
Alison RobertsMiércoles17:00 ART
Amanda EganJueves09:00 ART
Marcin BuryJueves15:00 ART
William GieserJueves18:00 ART
Nicole HancockViernes14:00 ART
Janelle HertzlerViernes17:00 ART
Fernando Ramos — 15 alumnos recurring (Lun 3 · Mar 3 · Mié 2 · Jue 3 · Vie 4)
AlumnoDíaHora (ART)
Brian AmighLunes10:00 ART
Nancy YeamansLunes12:00 ART
Austin JorgensenLunes13:00 ART
Joanne SwansonMartes12:00 ART
Rowena MorganMartes14:00 ART
Carmen AlvisMartes15:00 ART
Peter SmolensMiércoles13:00 ART
David EnglisbeeMiércoles15:00 ART
Alison BrookesJueves07:00 ART
Justin HarkinsJueves08:00 ART
Lexie Jacob-ValenciaJueves10:00 ART
Steffen WittViernes09:00 ART
Maria MöllerViernes12:00 ART
Lillian PetersenViernes13:00 ART
Chris WolfViernes14:00 ART
Daniela Tellez — 14 alumnos recurring (Lun 3 · Mar 3 · Mié 4 · Jue 2 · Vie 1 · Dom 1)
AlumnoDíaHora (ART)
Daryl NounnanLunes12:00 ART
William FouquetLunes14:00 ART
Eli RobertsonLunes21:00 ART
Marcin BuryMartes14:00 ART
Arielle CharlesMartes20:00 ART
Dan ThibodeauMartes21:00 ART
Allie CMiércoles16:00 ART
Mandy FouquetMiércoles20:00 ART
Jake PetekMiércoles21:00 ART
Leonardo VoMiércoles23:00 ART
Keon ShoularsJueves13:00 ART
Brandon GrinsteadJueves23:00 ART
Joseph NicollsViernes11:00 ART
Jennifer LDomingo20:00 ART
Ricardo Durán — 12 alumnos recurring (Lun 4 · Mar 3 · Mié 4 · Vie 1)
AlumnoDíaHora (ART)
Phil McAlpinLunes11:00 ART
Laura MaioneLunes12:00 ART
Jeff BeelerLunes14:00 ART
Abigail TischlerLunes17:00 ART
David EnglisbeeMartes14:00 ART
Stefanie SalzerMartes16:00 ART
Christine CervaniaMartes19:00 ART
Nik MoulineMiércoles12:00 ART
Alicia CertainMiércoles14:00 ART
Andrea BaloghMiércoles16:00 ART
Kyle WarnockMiércoles18:00 ART
Kevin BaseyViernes12:00 ART
Mc Kaderin Quintero — 12 alumnos recurring (Lun 1 · Mar 3 · Mié 3 · Jue 3 · Vie 1 · Dom 1)
AlumnoDíaHora (ART)
Gwen RobertsLunes15:00 ART
Justin HarkinsMartes08:00 ART
Chris WolfMartes14:00 ART
Connor PearsonMartes15:00 ART
Leigh PashleyMiércoles10:00 ART
Julien BréchotMiércoles11:00 ART
Isabel FosterMiércoles14:00 ART
Shannon O'ConnorJueves08:00 ART
Allie CJueves11:00 ART
Sidney SmithJueves14:00 ART
Wolf ThomsenViernes11:00 ART
Jason NolascoDomingo15:00 ART
Leticia Sanchez Arellano — 11 alumnos recurring (Lun 2 · Mar 3 · Mié 3 · Jue 2 · Vie 1)
AlumnoDíaHora (ART)
Susan BattleLunes11:00 ART
Margarett McmullenLunes13:00 ART
Rya KeahiMartes11:00 ART
Ginny GrayMartes19:00 ART
Brent McKownMartes20:00 ART
Antonio SantiagoMiércoles12:00 ART
Vincent LuMiércoles19:00 ART
Ryan ReviereMiércoles20:00 ART
David TaffetJueves13:00 ART
True MerrillJueves22:00 ART
Natasha SharpeViernes12:00 ART
Ricardo Coropo — 11 alumnos recurring (Mié 2 · Jue 3 · Vie 3 · Sáb 1 · Dom 2)
AlumnoDíaHora (ART)
Nathan CampbellMiércoles13:00 ART
Austin JorgensenMiércoles14:00 ART
Rachel SchneirJueves13:00 ART
Joshua BregerJueves14:00 ART
Francis CalizoJueves16:00 ART
Shengzhi LiViernes10:00 ART
Petru PopoviciViernes13:00 ART
Jim HawkinsViernes14:00 ART
Jerreth HudsonSábado13:00 ART
Kay KratunisDomingo09:00 ART
Nancy WalshDomingo13:00 ART
Ignacio Steffens — 11 alumnos recurring (Lun 2 · Mar 3 · Mié 2 · Jue 2 · Vie 2)
AlumnoDíaHora (ART)
Lillian PetersenLunes20:00 ART
Patrick TseLunes23:00 ART
Kathleen EganMartes10:00 ART
Monica ChaoMartes11:00 ART
Taylor RiveraMartes13:00 ART
Brandon ThomasMiércoles12:00 ART
Elisabeth TesarMiércoles13:00 ART
Sarah HusainJueves10:00 ART
Alfred ForinoJueves12:00 ART
Lexie Jacob-ValenciaViernes10:00 ART
Brandon McWilliamsViernes11:00 ART
Liliana Martinez — 10 alumnos recurring (Mié 2 · Jue 1 · Vie 2 · Sáb 3 · Dom 2)
AlumnoDíaHora (ART)
lily reynenMiércoles18:00 ART
Cathy StangMiércoles19:00 ART
Alexander RenoJueves21:00 ART
Wanda WaterworthViernes12:00 ART
Angie MuellerViernes18:00 ART
Jacalyn McCarthySábado11:00 ART
Nancy WalshSábado14:00 ART
Joseph BolliniSábado14:00 ART
Sussan BattleDomingo11:00 ART
Janelle HertzlerDomingo12:00 ART
Lilian Gallosa — 9 alumnos recurring (Lun 3 · Mar 1 · Mié 2 · Jue 2 · Vie 1)
AlumnoDíaHora (ART)
Catherine GarzaLunes10:00 ART
Katie CleeremanLunes12:00 ART
Amanda HunterLunes15:00 ART
Peter SmolensMartes13:00 ART
Kyle GrovesMiércoles11:00 ART
Maya van TolMiércoles12:00 ART
Kathleen WanJueves13:00 ART
Eric HarringtonJueves15:00 ART
Lauren ChunViernes10:00 ART
Miguel Chaparro — 8 alumnos recurring (Lun 1 · Mar 1 · Mié 2 · Vie 2 · Dom 2)
AlumnoDíaHora (ART)
James BronsonLunes11:00 ART
Lauren ChunMartes11:00 ART
Taylor RiveraMiércoles13:00 ART
Joanne SwansonMiércoles14:00 ART
Monica ChaoViernes11:00 ART
Mandy FouquetViernes13:00 ART
Jason NolascoDomingo12:00 ART
Shannon FlickDomingo13:00 ART
Marcia Trucco — 8 alumnos recurring (Lun 3 · Mar 1 · Mié 1 · Vie 2 · Sáb 1)
AlumnoDíaHora (ART)
Kyle GrovesLunes13:00 ART
Claude PaytonLunes15:00 ART
Andrew SmithLunes00:00 ART
Lief HurtMartes15:00 ART
Mitchell SartoskiMiércoles16:00 ART
Finnian Jacobson-SchulteViernes13:00 ART
Devin Stokes-HowellViernes14:00 ART
Wolf ThomsenSábado10:00 ART
Antonella Capetta — 7 alumnos recurring (Mar 2 · Mié 2 · Jue 1 · Vie 2)
AlumnoDíaHora (ART)
Kyle WarnockMartes17:00 ART
Dan ThibodeauMartes22:00 ART
Simon BloggMiércoles17:00 ART
Juan M HerreraMiércoles23:00 ART
Owen JonesJueves14:00 ART
AIexander BridgemanViernes16:00 ART
Del Santiago ArnoldViernes23:00 ART
Alexia Sansoni — 7 alumnos recurring (Lun 3 · Mar 1 · Mié 2 · Jue 1)
AlumnoDíaHora (ART)
Daniel HarrisLunes12:00 ART
Olivia ZotterLunes15:00 ART
Jens MessnerLunes16:00 ART
Zachary CarnellMartes17:00 ART
Jonathan DiamondMiércoles11:00 ART
Francis CalizoMiércoles16:00 ART
Yordan VasevJueves15:00 ART
Fernanda Gálvez — 7 alumnos recurring (Mié 1 · Jue 3 · Vie 2 · Dom 1)
AlumnoDíaHora (ART)
Robert MylesMiércoles22:00 ART
Jim HawkinsJueves17:00 ART
Jane WillenbucherJueves18:00 ART
Freddie hillJueves22:00 ART
Jenny MinerViernes19:00 ART
Grant ChandlerViernes20:00 ART
Chad SeamanDomingo22:00 ART
Mariana Viloria — 6 alumnos recurring (Mié 3 · Jue 2 · Sáb 1)
AlumnoDíaHora (ART)
Brent McKownMiércoles10:00 ART
Laura MaioneMiércoles11:00 ART
Zachary CarnellMiércoles17:00 ART
Christy JohnstonJueves10:00 ART
Jonathan DiamondJueves12:00 ART
Shannon O'ConnorSábado10:00 ART
Nicolas Pereyra — 6 alumnos recurring (Lun 1 · Mié 2 · Jue 3)
AlumnoDíaHora (ART)
Brandon ThomasLunes13:00 ART
Lief HurtMiércoles10:00 ART
Joseph NicollsMiércoles11:00 ART
Emily HardyJueves10:00 ART
Curtis McMillenJueves11:00 ART
Katie LaurenceJueves15:00 ART
Liza Garcia — 6 alumnos recurring (Mié 2 · Jue 1 · Vie 1 · Sáb 1 · Dom 1)
AlumnoDíaHora (ART)
Steven CampbellMiércoles13:00 ART
Katie LaurenceMiércoles15:00 ART
Luke GillJueves13:00 ART
Gwen RobertsViernes14:00 ART
Janet MclainSábado14:00 ART
Jad AmmarDomingo13:00 ART
Daniel López — 6 alumnos recurring (Lun 1 · Mar 3 · Mié 1 · Jue 1)
AlumnoDíaHora (ART)
Michael SullivanLunes22:00 ART
Jaaron BotelloMartes20:00 ART
Eleni CaryotakisMartes21:00 ART
Peter ChoMartes23:00 ART
Jose BibiloniMiércoles21:00 ART
Justin SporeJueves21:00 ART
Franco Martínez — 6 alumnos recurring (Lun 2 · Mar 2 · Jue 1 · Vie 1)
AlumnoDíaHora (ART)
Joel HaasLunes08:00 ART
Patrick TseLunes13:00 ART
Kathleen EganMartes11:00 ART
Olivia EmbryMartes12:00 ART
Christine CervaniaJueves08:00 ART
Andrew SmithViernes09:00 ART
Luis Gamez — 6 alumnos recurring (Lun 3 · Mié 1 · Jue 1 · Sáb 1)
AlumnoDíaHora (ART)
Nicholas GarciaLunes09:00 ART
Olivia EmbryLunes11:00 ART
Carrie MarkleLunes20:00 ART
Brennan MonroMiércoles19:00 ART
Leah LiuJueves18:00 ART
Nancy YeamansSábado12:00 ART
Alejandra Lopez — 6 alumnos recurring (Lun 1 · Mié 2 · Jue 1 · Vie 1 · Dom 1)
AlumnoDíaHora (ART)
Brandon GrinsteadLunes23:00 ART
Melanie MoralesMiércoles21:00 ART
Tyler HarperMiércoles22:00 ART
Sussan BattleJueves20:00 ART
Cole VarnerViernes20:00 ART
Sidney SmithDomingo21:00 ART
Jhon Sanjuan — 6 alumnos recurring (Lun 1 · Mar 1 · Mié 1 · Jue 1 · Vie 2)
AlumnoDíaHora (ART)
Shannon FlickLunes20:00 ART
Nik MoulineMartes19:00 ART
Brian AmighMiércoles22:00 ART
James BronsonJueves20:00 ART
Jacalyn McCarthyViernes08:00 ART
Bert TaylorViernes13:00 ART
Viviana Garcia — 6 alumnos recurring (Lun 2 · Mar 1 · Mié 2 · Sáb 1)
AlumnoDíaHora (ART)
Alison RobertsLunes18:00 ART
Keon ShoularsLunes20:00 ART
Penny GoldingMartes20:00 ART
Abigail TischlerMiércoles17:00 ART
Maddie McKayMiércoles19:00 ART
Yordan VasevSábado15:00 ART
Ingrid Aragon — 5 alumnos recurring (Lun 1 · Mar 2 · Jue 1 · Dom 1)
AlumnoDíaHora (ART)
Scott PalominoLunes20:00 ART
Stephen PollardMartes13:00 ART
Doug KoobsMartes18:00 ART
Evelyn GouldJueves18:00 ART
Kim GalantDomingo13:00 ART
Mauricio Soler — 5 alumnos recurring (Mar 3 · Vie 1 · Sáb 1)
AlumnoDíaHora (ART)
Jon BennettMartes11:00 ART
Lincoln HowarthMartes12:00 ART
Simon BloggMartes17:00 ART
Rachel SeligmanViernes17:00 ART
Carrie MillerSábado16:00 ART
Diana Diaz — 5 alumnos recurring (Lun 1 · Mar 1 · Mié 1 · Vie 1 · Sáb 1)
AlumnoDíaHora (ART)
Jad AmmarLunes07:00 ART
Christos PapazianMartes07:00 ART
Barrett TaylorMiércoles07:00 ART
Krista HarfordViernes08:00 ART
Dina WilkeSábado16:00 ART
Joshua Araujo — 5 alumnos recurring (Lun 2 · Mar 1 · Jue 2)
AlumnoDíaHora (ART)
Phil McAlpinLunes10:00 ART
Tillman DeanLunes18:00 ART
Cole VarnerMartes18:00 ART
Heljar WilhelmsenJueves15:00 ART
Jaaron BotelloJueves18:00 ART
Gina Spataro — 5 alumnos recurring (Mar 2 · Jue 3)
AlumnoDíaHora (ART)
Christy JohnstonMartes08:00 ART
Kim GalantMartes11:00 ART
Leigh PashleyJueves08:00 ART
Niklas TillenburgJueves09:00 ART
Andy MaddisonJueves10:00 ART
Wendy Garzon — 4 alumnos recurring (Lun 1 · Mié 2 · Vie 1)
AlumnoDíaHora (ART)
Sean McGladeLunes11:00 ART
Margarett McmullenMiércoles11:00 ART
Leonardo VoMiércoles17:00 ART
Sam ClarkViernes12:00 ART
Raul Martinez — 4 alumnos recurring (Lun 3 · Jue 1)
AlumnoDíaHora (ART)
Delisa FryeLunes18:00 ART
Dee BanksLunes20:00 ART
Ashlie BakerLunes21:00 ART
Jesse CollinsJueves18:00 ART
Paula Barrientos — 4 alumnos recurring (Lun 1 · Mar 2 · Jue 1)
AlumnoDíaHora (ART)
Alex LavinLunes08:00 ART
Devin Stokes-HowellMartes08:00 ART
Duncan PerkinsMartes10:00 ART
Allison CossinsJueves07:00 ART
Paula Grimaldos — 4 alumnos recurring (Lun 1 · Mié 2 · Dom 1)
AlumnoDíaHora (ART)
Ryan ReviereLunes20:00 ART
David BudnickMiércoles21:00 ART
Osereme OduaMiércoles23:00 ART
Amanda HunterDomingo07:00 ART
Sandra Sanchez — 4 alumnos recurring (Lun 2 · Mar 1 · Mié 1)
AlumnoDíaHora (ART)
Penny GoldingLunes20:00 ART
Robert TwiltLunes21:00 ART
Gavin MorrisonMartes18:00 ART
Jane WillenbucherMiércoles18:00 ART
Rubén Valerio — 4 alumnos recurring (Lun 2 · Vie 1 · Sáb 1)
AlumnoDíaHora (ART)
Samantha NewmanLunes22:00 ART
Robert MylesLunes23:00 ART
Eric HarringtonViernes09:00 ART
Barrett TaylorSábado07:00 ART
Stephane Richol — 4 alumnos recurring (Mié 2 · Sáb 1 · Dom 1)
AlumnoDíaHora (ART)
Rosemarie ManfrediMiércoles21:00 ART
JAMES MCMINNMiércoles22:00 ART
Scott PalominoSábado21:00 ART
Keith CornwellDomingo20:00 ART
Erik Vicencio — 4 alumnos recurring (Lun 1 · Mar 2 · Vie 1)
AlumnoDíaHora (ART)
Larry FoxLunes11:00 ART
David TaffetMartes13:00 ART
Michael HudginsMartes19:00 ART
Carrie MarkleViernes17:00 ART
Noira Padron — 4 alumnos recurring (Vie 2 · Dom 2)
AlumnoDíaHora (ART)
Amanda EganViernes09:00 ART
Rachel SeligmanViernes12:00 ART
Umair CheemaDomingo11:00 ART
Gavin MorrisonDomingo16:00 ART
Nelly Granados — 4 alumnos recurring (Mar 2 · Mié 1 · Jue 1)
AlumnoDíaHora (ART)
Samantha NewmanMartes22:00 ART
Erin DyvigMartes00:00 ART
James BaneyMiércoles22:00 ART
Lisette LahanaJueves22:00 ART
Elias Martinez — 4 alumnos recurring (Lun 2 · Mar 1 · Sáb 1)
AlumnoDíaHora (ART)
Antonio SantiagoLunes11:00 ART
Luke HallLunes12:00 ART
Corey ChenMartes11:00 ART
Josh ComstockSábado12:00 ART
Marisol Meza — 4 alumnos recurring (Lun 2 · Mié 1 · Dom 1)
AlumnoDíaHora (ART)
Robert TwiltLunes16:00 ART
Chris HarringtonLunes17:00 ART
Steve BloomMiércoles15:00 ART
Daniel CossinsDomingo16:00 ART
Rodolfo García — 3 alumnos recurring (Mar 1 · Jue 1 · Vie 1)
AlumnoDíaHora (ART)
Kelsey RuaneMartes09:00 ART
Daryl NounnanJueves11:00 ART
Claude PaytonViernes16:00 ART
Catherine Escobar — 3 alumnos recurring (Mar 2 · Vie 1)
AlumnoDíaHora (ART)
Dee BanksMartes07:00 ART
Jacob BrownMartes09:00 ART
Tom GibsonViernes09:00 ART
Claudia Peroza — 3 alumnos recurring (Mié 2 · Dom 1)
AlumnoDíaHora (ART)
Corey R TerzoMiércoles10:00 ART
Briana ThaMiércoles00:00 ART
Doug KoobsDomingo09:00 ART
Ayline Díaz — 3 alumnos recurring (Mar 2 · Jue 1)
AlumnoDíaHora (ART)
Hannah HammersmithMartes10:00 ART
Deborah SchneirMartes12:00 ART
Eleni CaryotakisJueves18:00 ART
Jorge Reyes — 3 alumnos recurring (Mié 1 · Jue 1 · Vie 1)
AlumnoDíaHora (ART)
AIexander BridgemanMiércoles12:00 ART
Paul BaisleyJueves12:00 ART
Luke HallViernes12:00 ART
Victor Carrizales — 3 alumnos recurring (Lun 1 · Mar 2)
AlumnoDíaHora (ART)
Eli RobertsonLunes20:00 ART
Delisa FryeMartes18:00 ART
Susan BattleMartes20:00 ART
Javier Nazar — 3 alumnos recurring (Mar 2 · Mié 1)
AlumnoDíaHora (ART)
Jon BennettMartes10:00 ART
Katie CleeremanMartes13:00 ART
Michael HaworthMiércoles10:00 ART
Evants Lobo — 3 alumnos recurring (Mié 2 · Vie 1)
AlumnoDíaHora (ART)
Tillman DeanMiércoles18:00 ART
Annette GrahamMiércoles19:00 ART
Joel HaasViernes15:00 ART
Milagros Nieto — 3 alumnos recurring (Lun 1 · Mié 1 · Jue 1)
AlumnoDíaHora (ART)
Jacob BrownLunes09:00 ART
Chris HarringtonMiércoles15:00 ART
Michael HaworthJueves07:00 ART
Samantha Ochoa — 3 alumnos recurring (Jue 1 · Vie 1 · Sáb 1)
AlumnoDíaHora (ART)
Krista HarfordJueves11:00 ART
Jett LarsonViernes10:00 ART
Umair CheemaSábado11:00 ART
Mariana Monsalve — 2 alumnos recurring (Mar 2)
AlumnoDíaHora (ART)
Jimmy JohnsonMartes20:00 ART
JAMES MCMINNMartes22:00 ART
Pierina Duque — 2 alumnos recurring (Jue 1 · Sáb 1)
AlumnoDíaHora (ART)
Evelyn GouldJueves20:00 ART
Del Santiago ArnoldSábado22:00 ART
Adriana Reynaud — 2 alumnos recurring (Mar 1 · Jue 1)
AlumnoDíaHora (ART)
Tom GibsonMartes16:00 ART
Caroline OersoeJueves16:00 ART
Santiago Perez — 2 alumnos recurring (Lun 1 · Mar 1)
AlumnoDíaHora (ART)
Jenny MinerLunes18:00 ART
Dilan HazellMartes18:00 ART
Demo Tutor Training — 2 alumnos recurring (Sáb 1 · Dom 1)
AlumnoDíaHora (ART)
Ana DemoSábado14:00 ART
Ana DemoDomingo14:00 ART
María Fernanda Moreno — 2 alumnos recurring (Mié 1 · Vie 1)
AlumnoDíaHora (ART)
William FouquetMiércoles17:00 ART
Gretchen CiambroneViernes17:00 ART
Daniela Alarcón — 2 alumnos recurring (Mié 1 · Jue 1)
AlumnoDíaHora (ART)
Steffen WittMiércoles15:00 ART
Andy MaddisonJueves09:00 ART
Valentina Vargas — 2 alumnos recurring (Lun 1 · Mar 1)
AlumnoDíaHora (ART)
True MerrillLunes13:00 ART
Nathan CampbellMartes10:00 ART
Angélica Torres — 2 alumnos recurring (Lun 1 · Jue 1)
AlumnoDíaHora (ART)
Janine HaynesLunes21:00 ART
Kaleb McCartyJueves22:00 ART
Dulce Rivas — 2 alumnos recurring (Mar 1 · Jue 1)
AlumnoDíaHora (ART)
Jens MessnerMartes16:00 ART
Owen JonesJueves14:00 ART
Aura Vasquez — 2 alumnos recurring (Lun 1 · Sáb 1)
AlumnoDíaHora (ART)
Duncan PerkinsLunes12:00 ART
Janine HaynesSábado12:00 ART
Miguel Angel Rojas — 2 alumnos recurring (Mié 1 · Jue 1)
AlumnoDíaHora (ART)
Daniel HarrisMiércoles12:00 ART
Oscar IrigoyenJueves08:00 ART
Cinthya Sofia Hernandez — 2 alumnos recurring (Mié 2)
AlumnoDíaHora (ART)
Alex LavinMiércoles08:00 ART
crystal endlessMiércoles13:00 ART
Jose Dugarte — 2 alumnos recurring (Lun 1 · Mié 1)
AlumnoDíaHora (ART)
William GieserLunes20:00 ART
Kaleb McCartyMiércoles21:00 ART
Angela Cuatin — 2 alumnos recurring (Lun 1 · Jue 1)
AlumnoDíaHora (ART)
Xavier FergusonLunes15:00 ART
Kelsey RuaneJueves09:00 ART
Fidel Orozco — 2 alumnos recurring (Lun 1 · Dom 1)
AlumnoDíaHora (ART)
Brennan MonroLunes18:00 ART
James BaneyDomingo22:00 ART
Andrea Guilio — 2 alumnos recurring (Mié 1 · Sáb 1)
AlumnoDíaHora (ART)
Olivia ZotterMiércoles11:00 ART
Annette GrahamSábado11:00 ART
Johan Morales — 2 alumnos recurring (Mar 1 · Sáb 1)
AlumnoDíaHora (ART)
Chris MullinsMartes08:00 ART
Victoria WinegarSábado12:00 ART
Paula Gomez — 2 alumnos recurring (Lun 1 · Jue 1)
AlumnoDíaHora (ART)
Andrew MiramonLunes19:00 ART
David BudnickJueves16:00 ART
Maira Permayú — 2 alumnos recurring (Mié 1 · Vie 1)
AlumnoDíaHora (ART)
Mitchell SartoskiMiércoles11:00 ART
Michael SullivanViernes09:00 ART
Valentina Horie — 1 alumno recurring (Mar 1)
AlumnoDíaHora (ART)
Juan M HerreraMartes14:00 ART
Daniel Gomez — 1 alumno recurring (Mar 1)
AlumnoDíaHora (ART)
Jeff BeelerMartes13:00 ART
Luisana Carrero — 1 alumno recurring (Vie 1)
AlumnoDíaHora (ART)
Os StudentViernes15:00 ART
José Riera — 1 alumno recurring (Mar 1)
AlumnoDíaHora (ART)
Caroline OersoeMartes15:00 ART
Gabriela Nieto — 1 alumno recurring (Lun 1)
AlumnoDíaHora (ART)
Tyler HarperLunes20:00 ART
Miguel Nava — 1 alumno recurring (Jue 1)
AlumnoDíaHora (ART)
Michael HudginsJueves19:00 ART
Enrique Castañeda — 1 alumno recurring (Jue 1)
AlumnoDíaHora (ART)
Lincoln HowarthJueves17:00 ART
Yramma Roche — 1 alumno recurring (Jue 1)
AlumnoDíaHora (ART)
Rya KeahiJueves11:00 ART
Sol Gonzalez — 1 alumno recurring (Jue 1)
AlumnoDíaHora (ART)
Erin DyvigJueves00:00 ART
Diego Garcia — 1 alumno recurring (Mar 1)
AlumnoDíaHora (ART)
Justin SporeMartes21:00 ART

¿Se sostiene el compromiso semanal? Instancia vs serie

Cancelar la clase de esta semana puntual y cancelar la serie completa son dos cosas distintas con dos efectos distintos sobre el cap del tutor — nunca hay que leerlas como una sola 'tasa de cancelación'.

Asistencia en recurring
56%
de 2.940 clases ya dictadas
No-show en recurring
3%
Cancelación — instancia puntual vs serie completa

41,0% de las clases puntuales ya dictadas se cancelan, y 52,3% de las series confirmadas terminan canceladas del todo.

Instancia (esta semana puntual)41%Serie completa52,3%

El denominador de instancia es distinto al de serie (clases dictadas vs series confirmadas) — las dos barras comparten escala de % pero miden poblaciones distintas a propósito, para poder leerlas una al lado de la otra.

Ver tabla de datos
Desenlace de la instanciaClases%
Asistió1.64756,0%
No-show873,0%
Canceló la instancia1.20541,0%
Otro estado (colgado)10,0%
Alumnos que rotan de tutor recurrente
231
de 297 con series confirmadas
Tutores distintos, en promedio (entre los que rotan)
3,2
solo sobre quienes tuvieron 2 o más tutores
Rotación de tutor recurrente — top 15 por tutores distintos

La barra es el % de series canceladas de cada estudiante; el número de tutores distintos va en la etiqueta.

■ 3+ tutores y 60%+ canceladasEl resto
Juan M Herrera (38 tutores)96%Gustavo Jalfon (11 tutores)94%Amanda Hunter (10 tutores)76%Os Student (8 tutores)80%Brandon Thomas (8 tutores)67%Emily Hardy (7 tutores)50%Owen Jones (7 tutores)75%Erin Dyvig (7 tutores)57%Sarah Husain (7 tutores)74%Eli Robertson (7 tutores)78%Brandon Grinstead (7 tutores)78%Petru Popovici (7 tutores)86%Gavin Morrison (6 tutores)58%Ryan Reviere (6 tutores)50%Janet Mclain (6 tutores)64%

11 estudiantes marcados en crítico probaron 3 o más tutores recurrentes distintos Y cancelan 60% o más de sus series — el patrón de quien no encuentra un match que le funcione. Cambiar de tutor recurrente se resuelve cancelando la serie vieja y creando una nueva, así que cada cambio de tutor deja una cancelación registrada por diseño.

Ver tabla de datos
EstudianteTutores distintosSeriesCanceladas% cancelación
Juan M Herrera38938996%
Gustavo Jalfon11323094%
Amanda Hunter10211676%
Os Student810880%
Brandon Thomas812867%
Emily Hardy710550%
Owen Jones7161275%
Erin Dyvig714857%
Sarah Husain7191474%
Eli Robertson7231878%
Brandon Grinstead7231878%
Petru Popovici7141286%
Gavin Morrison612758%
Ryan Reviere610550%
Janet Mclain611764%

Flexible — rotación de tutor

Mismo análisis que la rotación de Saved (P3), acá sobre favorite_tutors: cuántos estudiantes marcan y sacan tutores de Flexible con alta frecuencia, y si eso viene acompañado de reservas reales.

Estudiantes que rotan Flexible
765
de 1.244 con algún Flexible
Tutores distintos, en promedio (entre los que rotan)
9,8
máximo 78
Rotación de Flexible — conversión de cada rotador

La barra es la conversión a reserva; los eventos de rotación van en el tooltip. Igual que en Saved, rotar mucho no garantiza conseguir el cupo.

■ Rota fuerte y convierte <30%Rota y consigue cupo
Juan M Herrera60%Yousef AlOtaibi0%Annie Vx38%Christine Cervania37%Corey R Terzo27%Jarret Banks97%Douglas Alvarez53%Os Student47%Ramesh Ponn75%Jason Nolasco65%Dan Thibodeau63%Alex Graniere20%Ben Schoenberg48%Penny Golding19%Scott Palomino52%

4 estudiantes marcados en crítico. Mismo gap de instrumentación que Saved: favorite_tutors SÍ tiene updated_at (Saved no), pero sin tabla de historial no se puede contar cuántas veces se reactivó el MISMO tutor — la rotación acá es un piso, no un techo.

Ver tabla de datos
EstudianteAltasBajasEventosDíasMarcadosConversión
Juan M Herrera7873151737860%
Yousef AlOtaibi656212726650%
Annie Vx5551106265538%
Christine Cervania463985694637%
Corey R Terzo443983734427%
Jarret Banks383674753897%
Douglas Alvarez363167263653%
Os Student342862683447%
Ramesh Ponn322759723275%
Jason Nolasco312657783165%
Dan Thibodeau302555743063%
Alex Graniere302555273020%
Ben Schoenberg292453702948%
Penny Golding272249632719%
Scott Palomino272148762752%

Educación

Clases, calidad docente y seguimiento de coaching.

Clases dictadas (30 días)
7.888
-668 vs 2026-09-02
Rating promedio
4,98
0 vs 2026-09-02
Completion rate
68,1%
-1,6% vs 2026-09-02
No-show rate
5%
+0,3% vs 2026-09-02
Coachees en Critical
261
+3 vs 2026-09-25
Adopción de actividades (90 días)
26,7%
student_activities completadas sobre el total — E7 degradado a card
E7 — Student activities (adopción, últimos 90 días)

11.636 actividades totales · 26,7% completadas.

PENDINGCOMPLETEDSCHEDULEDREJECTEDREOPENED
55,7%26,7%11,6%6,0%

A diferencia de booking_activities, acá sí hay confirmación real de completitud — es la fuente usable para medir adopción.

Ver tabla de datos
StatusTotal%
PENDING6.48755,7%
COMPLETED3.10426,7%
SCHEDULED1.34411,6%
REJECTED7006,0%
REOPENED10,0%
Clases con actividad
10,6K
últimos 90 días
Skip
0,8%
11 de 1.450 sugeridas
Ocultadas por el coach
99,2%
1.439 de 1.450 candidatas
E8 — Clases bookeadas con actividad, por status

10.560 clases con actividad en los últimos 90 días.

SCHEDULEDCOMPLETEDIN_PROGRESSPENDING
46,4%39,9%13,7%

Grano CLASE (booking_activities), no actividad — la misma actividad puede aparecer en varias clases. Ojo: su status puede quedar desactualizado (IN_PROGRESS) aunque la actividad ya haya completado en student_activities (ver E7) — E7 es la fuente de completitud, acá se mide el embudo de clases.

Ver tabla de datos
StatusTotal%
SCHEDULED4.89846,4%
COMPLETED4.21239,9%
IN_PROGRESS1.44513,7%
PENDING50,0%

Skip y Ocultadas: 1.450 candidatas en cola (activity_interactions) en la misma ventana — muestra chica, feature reciente.

E9 — Ritmo y alcance de las actividades

Cuánto tardan en completarse y a cuántos alumnos llegan, últimos 90 días.

Clases hasta completar una actividad
1,80
mediana 1 · 64.1% en una sola clase
Alumnos tomando clases con actividad
571
últimos 90 días
Clases con actividad por alumno
18,49
mediana 12
E10 — Actividades creadas por coach, por semana

8.280 actividades creadas en 16 semanas.

05001.0001.5002.00006-0806-2207-0607-2008-0308-1708-3109-1409-28413

Autoría real (coach_activities), no el ciclo de vida de E7/E8. Pico en la semana del 08-24 (1.150, vs. 446 promedio del resto) — revisar si fue una carga masiva/bulk, no ritmo orgánico.

Ver tabla de datos
SemanaActividades creadas
2026-06-08130
2026-06-15566
2026-06-22500
2026-06-29329
2026-07-06444
2026-07-13383
2026-07-20277
2026-07-27511
2026-08-03461
2026-08-10485
2026-08-17561
2026-08-241.150
2026-08-31527
2026-09-07407
2026-09-14631
2026-09-21505
2026-09-28413

E11 — Actividades del sistema vs. del coach

Adopción y rating, comparando el origen de la actividad.

Adopción — actividades del coach
40,5%
últimos 90 días
Adopción — actividades del sistema
8,9%
últimos 90 días
E11 — Status de la actividad, coach vs. sistema

Actividades creadas en los últimos 90 días, agrupadas por status. Las del coach se completan 4.6× más que las del sistema (40.5% vs 8.9%) y el sistema tiene más rechazo (13.5% vs 0.2%).

Ver tabla de datos
StatusCoach% CoachSistema% Sistema
COMPLETED2.65340,5%4518,9%
PENDING2.98545,6%3.50268,9%
REJECTED130,2%68713,5%
REOPENED10,0%00,0%
SCHEDULED90013,7%4448,7%
Rating del tutor — actividad del coach
4,70
n=640
Rating del tutor — actividad del sistema
4,56
n=73

Dónde se concentra la base — estudiantes activos por sub-nivel

Población activa (active + past_due, ADR-010) por sub-nivel del currículum. Sirve para priorizar asignación de tutores por nivel y detectar cuellos de botella de contenido.

Distribución por sub-nivel

B1.1 concentra 28,7% de la base activa (182 estudiantes).

B1.128,7%B2.121,3%A2.117,6%C1.116,5%A1.15,4%B2.23,3%A2.22,2%B1.22%A1.20,8%C1.20,3%

12 estudiantes activos (1,9%) no tienen sub-nivel asignado y quedan fuera del gráfico -- no se excluyen de la base activa, solo no tienen dónde clasificarse todavía.

Ver tabla de datos
NivelEstudiantes%
B1.118228,7%
B2.113521,3%
A2.111217,6%
C1.110516,5%
A1.1345,4%
B2.2213,3%
A2.2142,2%
B1.2132,0%
A1.250,8%
C1.220,3%

E13 — Cobertura de coaching

Sobre los estudiantes activos con derecho a coach (planes Starter y Premium): quién tiene coach, a quién lo reportaron coachless, y quién quedó sin asignar.

Con coach asignado
77,4%
455 de 588 con derecho a coach
Coachless reportado
47
8,0% — el coach lo reportó (ON_HOLD)
Sin coach asignado
86
14,6% — tienen derecho y nadie los tiene
Cobertura de coaching, Starter + Premium
Con coachCoachless reportadoSin coach
77,4%8,0%14,6%

Contexto, no gap: 63 activos más están en planes sin derecho a coach (Group 61, All Access 2). Total activos operacional: 651, igual que la tarjeta del header.

Ver tabla de datos
PlanCon coachCoachless reportadoSin coachTotal
Starter2342342299
Premium2212444289
Total4554786588
Por qué se reportó coachless
Inactivo19No responde18Intentos repetidos sin respuesta6Otro (texto libre)4

reason_code del último paso a ON_HOLD en student_journal_status_history. “Inactivo” incluye a quienes el coach reporta porque no quieren el servicio.

Ver tabla de datos
Motivo del reporte coachlessEstudiantes
Inactivo19
No responde18
Intentos repetidos sin respuesta6
Otro (texto libre)4
Salud de los coachees

10 coaches activos, 3.703 estudiantes con journal activo. Carga promedio: 93,2%.

■ Critical▲ At Risk● On Track
47,2%17,9%34,9%

Critical: cancelación programada, más de 31 días sin clase, o más de 45 sin CM. At Risk: 16-31 días sin clase, 26-45 sin CM, o faltó a las últimas 2 clases. La tabla lista los casos ordenados por severidad para poder accionarlos.

Ver tabla de datos
EstudianteHealthDías s/claseDías s/CMCancel. programada
James Byrnes■ CRITICALNuncaNunca
Jennifer Dunston■ CRITICALNuncaNunca
Ana Demo■ CRITICALNuncaNunca
Bruno Demo■ CRITICALNuncaNunca
Carla Demo■ CRITICALNuncaNunca
Shanelle Pierre■ CRITICALNuncaNunca
Virginia Pavicich■ CRITICALNuncaNunca
Josh Coe■ CRITICALNuncaNunca
Rishi Luthra■ CRITICALNuncaNunca
Maria Flores■ CRITICAL521453
LaShonna Singleton■ CRITICAL521Nunca
Julie Early■ CRITICAL499532
Mark White■ CRITICAL344Nunca
Mats Gjertsen■ CRITICAL301327
Tyler Merritt■ CRITICAL300300
Adam Brady■ CRITICAL300330
Stephen Lorio■ CRITICAL286273Sí
Will Pizio■ CRITICAL250245
Bolivar Vargas■ CRITICAL224237
Jacob vanderLeeuw■ CRITICAL224236
Austin Bewley■ CRITICAL221244
darryl shears■ CRITICAL218266
Yousef AlOtaibi■ CRITICAL206230
Carlos Yick■ CRITICAL185Nunca
Charlie Jacques■ CRITICAL179211
Ashley Henderson■ CRITICAL175203
Jana Coolegem■ CRITICAL174174
Mark C■ CRITICAL156175
Gabriel Mariano■ CRITICAL146144
Jake Crook■ CRITICAL142149
Niklas Nordlof■ CRITICAL141163
Vicky prueba■ CRITICAL114Nunca
Nekole Eaton■ CRITICAL112105
Linda G Miller■ CRITICAL108134
Natalie Hogan■ CRITICAL108102
Audrey Bertin■ CRITICAL107Nunca
Manuel Grossi■ CRITICAL104122
Yair Cohen■ CRITICAL102102
Shane Dodge■ CRITICAL99146
Raymond Cobby■ CRITICAL965
Nathan Sutherland■ CRITICAL9493
Courtney Jackson■ CRITICAL91Nunca
jason naufel■ CRITICAL87266
Alicia Bello■ CRITICAL8781
Alex Graniere■ CRITICAL84104
Rick Nelson■ CRITICAL84Nunca
Lukas Šidlauskas■ CRITICAL81102
Scott Douthit■ CRITICAL7999
Jane Greene■ CRITICAL7581
Leonard Go■ CRITICAL75Nunca
Cortney Barbica■ CRITICAL73166Sí
Amber Bowens■ CRITICAL7292
Kate Mayes■ CRITICAL7272
Milan Yamaoka■ CRITICAL68100
Kevin Boss■ CRITICAL65108
Hayden Phillips■ CRITICAL64101
Andrea Austin■ CRITICAL6463
Steven Akins■ CRITICAL64Nunca
Lauren Murphy■ CRITICAL63Nunca
Bryan Dollarhide■ CRITICAL62Nunca
Carga de cada coach contra su cap

El relleno pasa a warning sobre el 80% del cap y a crítico sobre el 95%.

Silvia Donoso105/100+5%
Jesus Hernandez83/60+38%
Mauricio Nuñez81/60+35%
Melina Martinez76/60+27%
Mariana Isabel Peralta60/60
John Kevin Andersson56/50+12%
Jose Avendaño41/60
Valentina Vargas11/15
Ingrid Aragon6/15
Alexia Sansoni5/15
Ver tabla de datos
CoachAsignadosCapUso
Silvia Donoso105100105,0%
Jesus Hernandez8360138,3%
Mauricio Nuñez8160135,0%
Melina Martinez7660126,7%
Mariana Isabel Peralta6060100,0%
John Kevin Andersson5650112,0%
Jose Avendaño416068,3%
Valentina Vargas111573,3%
Ingrid Aragon61540,0%
Alexia Sansoni51533,3%
Coaches evaluados
10
Score promedio
69,0
E4 — Coach Evaluation (EV)

Período 2026-09-01 (cerrado). La barra es el score; el bono de cada coach está en el tooltip y en la tabla.

Silvia Donoso78,9 ptsValentina Vargas78,2 ptsIngrid Aragon76,2 ptsMauricio Nuñez73,5 ptsJesus Hernandez72,3 ptsMelina Martinez70,1 ptsAlexia Sansoni67,0 ptsMariana Isabel Peralta60,6 ptsJohn Kevin Andersson60,6 ptsJose Avendaño52,2 pts

Fuente: coach_evaluation_snapshots, el sistema real que paga el bono — este panel LEE ese resultado, no lo recalcula.

Ver tabla de datos
CoachScoreMult.BonoCoacheesUtilityAdoptionSkipRatingCM Cov.Reliability
Silvia Donoso78,94x5.3503$409,689796,7%48,0%100,0%100,0%81,4%98,4%
Valentina Vargas78,19x7.0757$55,321060,0%54,0%100,0%100,0%100,0%100,0%
Ingrid Aragon76,22x4.6524$21,286100,0%34,6%100,0%100,0%83,3%100,0%
Mauricio Nuñez73,52x4.0456$208,207096,8%41,0%99,9%100,0%68,6%97,1%
Jesus Hernandez72,28x3.5179$188,167498,6%36,9%100,0%100,0%66,7%98,1%
Melina Martinez70,11x3.5179$162,786695,3%41,4%100,0%100,0%54,5%100,0%
Alexia Sansoni66,98x5.3503$17,92540,0%46,6%100,0%100,0%80,0%100,0%
Mariana Isabel Peralta60,64x4.0456$142,295839,3%40,3%100,0%100,0%64,4%95,7%
John Kevin Andersson60,61x3.5179$113,015339,6%38,8%99,9%100,0%64,2%100,0%
Jose Avendaño52,19x4.0456$67,563239,3%35,2%100,0%0,0%75,0%100,0%
Drill-down: coachees del coach con menor score (Jose Avendaño)

“—” es sin dato de adoption; “0%” es adoption medida en cero.

Ver tabla de datos
EstudianteAdoptionDías s/CMCM en ventana
Linda G Miller—132No
David Budnick0,0%56No
Mikhail Maliuta0,0%41Sí
Calvin Edwards0,0%71No
Adi Cohen0,0%90No
Paul Gore0,0%2Sí
ian boldon0,0%82No
Andrew Smith8,3%68No
Alex Manganas11,1%30Sí
Joel Haas11,1%37Sí

Class Statistics: Core Metrics

Todos los tipos de sesión combinados (1:1 + Grupal + Coaching) — no un servicio puntual. Últimos 30 días. Reconstruido contra booking_sessions/bookings en vivo: el spec original apunta a las tablas _history, vacías en producción.

Métricas core

Ojo con el grano: "Completion rate" cuenta SESIONES (una grupal = 1), "No-show"/"Cancelación" cuentan BOOKINGS (una grupal = 1 por alumno anotado) — son denominadores distintos a propósito, no un error de consistencia. Cancelación tardía (T-30, cancelada ≤30 min antes de la clase) es la definición oficial de negocio y un subconjunto de la cancelación total, no una métrica aparte; T-24h es la misma población con un umbral más laxo.

Ver tabla de datos
MétricaValorNota
Clases dictadas7.888
Duración promedio54.8 minAgendada — no hay registro de duración real
Estudiantes únicos (suscripción activa)650
Rating promedio4.98sobre 1.609 feedbacks
Completion rate68,1%
No-show rate5,0%sobre 13.158 bookings
Cancelación (total)28,4%cualquier momento, no solo tardía
Cancelación tardía (T-30)2,0%definición oficial de negocio — subconjunto de la cancelación total
Cancelación tardía (T-24h)14,2%referencia secundaria
Clases por semana (últimos 90 días)

Tendencia de completadas: decreciente (-10.6%). Semanas parciales excluidas del cálculo, pero visibles en el chart: 2026-06-29, 2026-09-28.

AgendadasCompletadas
01.0002.0003.0004.00006-2907-0607-1307-2007-2708-0308-1008-1708-2408-3109-0709-1409-2109-281.8161.159

La ventana corta la primera semana por el medio y la última está en curso, así que las dos vienen parciales; incluirlas sesga la tendencia en direcciones opuestas. Reconstruido contra booking_sessions/bookings en vivo: el spec original apunta a las tablas _history, vacías en producción.

Ver tabla de datos
SemanaAgendadasCompletadasNota
2026-06-29555366semana parcial
2026-07-063.2732.220
2026-07-133.1492.198
2026-07-203.1622.195
2026-07-273.1002.155
2026-08-032.9552.047
2026-08-102.9851.985
2026-08-172.7661.993
2026-08-242.7542.025
2026-08-312.6711.922
2026-09-072.7131.845
2026-09-142.6921.827
2026-09-212.6361.827
2026-09-281.8161.159semana parcial
Destino de la sesión agendada (últimos 90 días)

Sobre 42.497 sesiones agendadas. Son destinos mutuamente excluyentes, no etapas de un embudo — el funnel de reserva en la UI es otro, y vive en A4 desde Amplitude.

AsistidosCanceladosNo-showOtro estado
65,8%28,7%

Reconstruido contra tablas vivas: el spec apunta a booking_sessions_history / bookings_history, ambas vacías en producción. "Cancelado tarde" se deriva de cancelled_at vs scheduled_start, no de la flag is_late_cancellation (captura solo ~37% de los casos). El umbral oficial es T-30; T-24h queda en la tabla como referencia secundaria.

Ver tabla de datos
EtapaBookings% del total
Agendados42.497100,0%
Asistidos (joined)27.97165,8%
No-show2.1095,0%
Cancelados (total)12.21328,7%
Cancelados tarde (T-30) — oficial9922,3%
Cancelados tarde (T-24h) — referencia6.16114,5%
Cuándo se dictan las clases — día × hora (ART)

Pico: Miércoles a las 11:00 ART (369 clases).

00010708091011121314151617181920212223DomingoLunesMartesMiércolesJuevesViernesSábado0369 clases

Hora ART (America/Argentina/Buenos_Aires, UTC-3). Más oscuro es más clases; la escala está debajo de la grilla.

Ver tabla de datos
Día00010708091011121314151617181920212223
Domingo28960101165219243207169168170168150106911199711895
Lunes451992186256296344294269279300299238183214252233187121
Martes7529103201271343368295306285285312233207244214185182132
Miércoles6223106182260318369322288306322322220184216249212187145
Jueves612198170271351354312291278303297242206236251203177111
Viernes422410119229632835931128225927927221716115117914213291
Sábado20010413322427323822916617018114914011398103888767

RRHH

Puntualidad, pipeline de contratación y benchmarks por tier.

Contratos que nunca activaron
72,9%
0% vs 2026-09-25
Tardanza al join (p90)
1,8 min
Joins medidos
27,3K
Candidatos a promoción
4
+2 vs 2026-09-25

R5 — Pipeline de reclutamiento de tutores

605 contratos totales · 441 (72.9%) siguen 'inactive' · 332 (54.9% del total) llevan +90 días sin activarse · mediana contrato→primera clase (los que sí activan): 0.64 días.

Ver 332 tutores con contrato inactive y +90 días de antigüedad
TutorContrato creado
Milagros Nieto2024-08-22
Sireana Malpica2024-08-22
Sandra Sanchez2024-08-22
Yesenia Contreras2024-08-22
Fabiola Velasco2024-08-22
Naual Monte2024-08-22
Fidel Orozco2024-08-23
Abril Leiva2024-08-23
Samantha Ochoa2024-08-23
Nailu jiajdisajid2024-09-18
Vicky Sanchez2024-10-23
Pilar Mauriño2024-10-24
Osmel Gelvez2024-10-24
Eusebio Vargas2024-10-26
Alejandra Gutierrez2024-10-26
Fernando Ramos2024-10-26
Jesus Hernandez2024-10-26
Virginia Orozco2024-10-26
Jose Avendaño2024-10-26
Fabiana Suarez2024-10-26
John Kevin Andersson2024-10-26
Virginia Pavicich2024-10-26
Cassandra Osornio2024-10-26
Testing User2024-10-26
Silvia Donoso2024-10-27
Gabriela Nieto2024-10-28
Rigoberto Dugarte2024-10-28
Diana Diaz2024-10-28
Dylan Gonzalez2024-10-28
Cesar Florez2024-10-28
Gina Spataro2024-10-28
Brigith Duarte2024-10-28
Yuliana Chacón2024-10-28
Leonardo Salamanca2024-10-28
Carlos Muñoz2024-10-28
Nancy Roxana Muñoz2024-10-28
Juancito Herrera2024-10-30
Os Tutor2024-10-30
Mariana Viloria2024-10-31
Aimee Prieto2024-10-31
Ricardo Durán2024-10-31
Evants Lobo2024-10-31
Aylee Ibañez2024-10-31
Javier Nazar2024-10-31
Victor Nieto2024-10-31
Jose Dugarte2024-10-31
Melina Martinez2024-10-31
Nailu Nava (Dpto. IT)2024-10-31
Felipe Munizaga2024-10-31
Maria Reartes2024-10-31
Flavio Kruger2024-10-31
Diego Garcia2024-10-31
Viviana Garcia2024-10-31
Jhon Sanjuan2024-10-31
Rocio Guevara2024-10-31
Alexia Sansoni2024-10-31
Claudia Peroza2024-10-31
Sara Aparicio2024-11-01
Diana Rojas2024-11-01
Mauricio Soler2024-11-01
Marisol Meza2024-11-01
Lilian Gallosa2024-11-01
Maria del Carmen Garcia2024-11-08
Carlina Linares2024-11-08
Jesania Hidalgo2024-11-08
Coaching User2024-11-16
Group Session Host2024-12-03
Romina Camacho2024-12-09
Nicolas Pereyra2024-12-18
Luis Peraza2024-12-22
Lina Perez2024-12-26
Alonso Leal2024-12-29
Bob Verniers2025-01-03
Daniela Tellez2025-01-04
Paula Andrea Vivas2025-01-06
Adriana Gonzalez2025-01-07
Andres Giovanny Simbaña2025-01-11
Adriana Ayala2025-01-13
Ingrid Luna Fuentes2025-01-15
Jose Arraut2025-01-16
Leticia Sanchez Arellano2025-01-16
David S Flores2025-01-18
Ximena Muñoz Sánchez2025-01-21
Lucía Carballo2025-01-23
Adriana Reynaud2025-01-24
Hassan Gidi2025-01-27
Ulises Sanchez2025-01-28
Joshua Araujo2025-01-28
Mercedes Leon2025-01-28
Luis Gamez2025-01-28
Angy Gonzalez2025-01-29
Perla Rios2025-01-31
Jose Serrano2025-02-04
Carlos Yick2025-02-04
Helga Lucila Vega2025-02-05
Liza Garcia2025-02-06
Noira Padron2025-02-12
Tutor WorldsAcross2025-03-12
Antonella Capetta2025-04-02
Johanna Betancur2025-04-08
Johan Morales2025-04-08
Catherine Escobar2025-04-08
Valerie Vasquez2025-04-09
Julian Perilla2025-04-10
Jahaira Velasco2025-04-16
Paula Gomez2025-04-24
Support Team2025-05-16
Maria Daniela Uzcategui2025-05-23
Rossana Rodriguez2025-05-28
Ricardo Coropo2025-05-28
Mariana Monsalve2025-05-28
Dulce Rivas2025-05-28
Victor Carrizales2025-06-04
Estefany Benitez2025-07-07
Miguel Angel Rojas2025-07-16
euli@worldsacross.com euli@worldsacross.com2025-07-19
Daniel Gomez2025-07-22
Elias Martinez2025-07-30
Sebastian Amarillo2025-07-30
Mariana Isabel Peralta2025-07-31
Alejandra Lopez2025-08-05
Paula Barrientos2025-08-08
rev rev2025-08-11
Gustavo Jalfon2025-08-11
Milagros Nieto2025-08-13
Ingrid Aragon2025-08-16
Rhina Cordova2025-08-18
Oscar Sanchez2025-08-20
Shanat Oliveros2025-08-21
Jesus Gonzalez2025-08-22
Sol Gonzalez2025-08-22
Edwin Hurtado2025-08-25
Kiara Martinez2025-08-28
Ignacio Steffens2025-08-29
Alexia Sansoni2025-09-15
Camila Rodriguez2025-09-18
Wendy Garzon2025-09-23
Marcia Trucco2025-09-25
Aura Vasquez2025-09-26
Liliana Martinez2025-09-29
Raul Martinez2025-09-29
Paula Grimaldos2025-09-30
Illona Mendivelso2025-10-03
Mc Kaderin Quintero2025-10-03
Fabiana Colmenarez2025-10-03
Cinthya Sofia Hernandez2025-10-10
Mauricio Nuñez2025-10-10
Diego Garcia2025-10-13
Jorge Reyes2025-10-18
Miguel Nava2025-10-20
Erik Vicencio2025-10-27
Carla Spangenberg2025-10-28
Enrique Perales2025-10-30
Santiago Perez2025-10-31
Rebeca Patiño2025-11-03
Luisana Carrero2025-11-03
Brenda Morán2025-11-05
Luz Hernández2025-11-07
Zahira Medina2025-11-10
Rubén Valerio2025-11-10
Juan Diego García2025-11-11
Daniela Libreros2025-11-11
Miguel Chaparro2025-11-14
Sergio Torres2025-11-17
Melany Armoya2025-11-17
Anderson Martínez2025-12-04
Johanna Andrade2025-12-12
Nicolás Quinteros2025-12-15
Juan Peña2025-12-17
Britney Spears2025-12-18
Data User2026-01-06
Vir Tutor2026-02-03
Zulay Olivo2026-02-24
Susana Ospina2026-02-27
María Fernanda Moreno2026-03-05
Isabela Cabezas2026-03-10
Mariana Durán2026-03-10
Fernanda Gálvez2026-03-11
Stephane Richol2026-03-11
Daniela Ríos2026-03-11
Pierina Duque2026-03-18
Natalia Cifuentes2026-03-24
María E. Mendoza2026-03-25
Nelly Granados2026-04-01
Carol Rodríguez2026-04-01
Adan Díaz2026-04-01
Daniela Alarcón2026-04-07
Daniel Malagon2026-04-07
Valentina Vargas2026-04-08
Antonella Gullotti2026-04-13
Daniel Ochoa2026-04-21
Andrea Guilio2026-04-23
Angela Cuatin2026-04-23
Angélica Torres2026-04-26
Daniel López2026-04-26
Yramma Roche2026-04-28
José Rodríguez2026-04-30
Rodolfo García2026-05-04
Maira Permayú2026-05-04
Johnny Estupiñan2026-05-05
Pilar Mauriño2026-05-06
Milagros Perin2026-05-07
Franco Martínez2026-05-11
Lucas Trocello2026-05-12
Mariana Paredes2026-05-18
Dania Mimica2026-05-20
Rocio Marquez2026-05-25
Carlos Garzón2026-05-26
Dayanna Jaimes2026-05-27
Claudia Peroza2026-06-01
Lilian Gallosa2026-06-01
Samantha Ochoa2026-06-01
Rossana Rodriguez2026-06-01
Dulce Rivas2026-06-01
Shanat Oliveros2026-06-01
Johnny Estupiñan2026-06-01
Rigoberto Dugarte2026-06-01
Nicolás Quinteros2026-06-01
Mauricio Nuñez2026-06-01
Melany Armoya2026-06-01
Gina Spataro2026-06-01
Alexia Sansoni2026-06-01
Marisol Meza2026-06-01
Jhon Sanjuan2026-06-01
Natalia Cifuentes2026-06-01
Juan Diego García2026-06-01
Erik Vicencio2026-06-01
Jose Avendaño2026-06-01
Flavio Kruger2026-06-01
Milagros Nieto2026-06-01
Raul Martinez2026-06-01
Jorge Reyes2026-06-01
Ingrid Aragon2026-06-01
Diana Diaz2026-06-01
Edwin Hurtado2026-06-01
David S Flores2026-06-01
Adan Díaz2026-06-01
Daniel Malagon2026-06-01
Antonella Capetta2026-06-01
Melina Martinez2026-06-01
Jesus Hernandez2026-06-01
Cinthya Sofia Hernandez2026-06-01
Silvia Donoso2026-06-01
Daniel Gomez2026-06-01
Mariana Isabel Peralta2026-06-01
Jose Dugarte2026-06-01
Maira Permayú2026-06-01
Mauricio Soler2026-06-01
Jesus Gonzalez2026-06-01
Valentina Vargas2026-06-01
Maria Flores2026-06-01
John Kevin Andersson2026-06-01
Miguel Nava2026-06-01
Carla Spangenberg2026-06-01
Evants Lobo2026-06-01
Aura Vasquez2026-06-01
Victor Carrizales2026-06-01
Dayanna Jaimes2026-06-01
Ricardo Coropo2026-06-01
Carol Rodríguez2026-06-01
Mc Kaderin Quintero2026-06-01
Wendy Garzon2026-06-01
Mariana Monsalve2026-06-01
Luz Hernández2026-06-01
Antonella Gullotti2026-06-01
Rodolfo García2026-06-01
Rubén Valerio2026-06-01
Daniela Ríos2026-06-01
Zahira Medina2026-06-01
Sebastian Amarillo2026-06-01
Angélica Torres2026-06-01
Alejandra Lopez2026-06-01
Liliana Martinez2026-06-01
jose prueba serrano prueba2026-06-03
Manuel Pop2026-06-05
Manuel Pop prueba2026-06-05
Student ForIT2026-06-05
Juan Herrera2026-06-09
Vicky prueba2026-06-10
Gustavo Jalfon2026-06-20
Guillermina Rojas2026-06-24
Enrique Castañeda2026-06-25
Support WorldsAcross2026-06-26
Dulce Rivas2026-06-26
Angélica Torres2026-06-26
Luz Hernández2026-06-26
Dania Mimica2026-06-26
Rossana Rodriguez2026-06-26
Sebastian Amarillo2026-06-26
Carolina Torres2026-06-26
Pilar Mauriño2026-06-26
Pilar Mauriño2026-06-26
Pilar Mauriño2026-06-26
Victor Nieto2026-06-26
Victor Nieto2026-06-26
Jose Dugarte2026-06-26
Jose Dugarte2026-06-27
Carolina Torres2026-06-28
Carolina Torres2026-06-28
Dania Mimica2026-06-30
Dania Mimica2026-06-30
Gustavo Jalfon2026-06-30
Gustavo Jalfon2026-06-30
Rocio Marquez2026-06-30
Rocio Marquez2026-06-30
Sebastian Amarillo2026-06-30
Rocio Marquez2026-06-30
Dania Mimica2026-06-30
Virginia Pavicich2026-06-30
Wendy Garzon2026-07-01
Rossana Rodriguez2026-07-01
Dulce Rivas2026-07-01
Sebastian Amarillo2026-07-01
Lilian Gallosa2026-07-01
Angélica Torres2026-07-01
Ingrid Aragon2026-07-01
Maria Flores2026-07-01
Rocio Guevara2026-07-01
Rocio Guevara2026-07-01
Gustavo Jalfon2026-07-01
Carlos Muñoz2026-07-02
Jose Dugarte2026-07-02
Maria Reartes2026-07-03
Mauricio Soler2026-07-03
Williams Camacho2026-07-03
Williams Camacho2026-07-03
Williams Camacho2026-07-03
Williams Camacho2026-07-03
Williams Camacho2026-07-03
Williams Camacho2026-07-03
Susana Ospina2026-07-03
Giovanna Corzo2026-07-03
A revisión de degradación
8
Avanzado fallando ≥3/5 en ambos meses
Métricas cubiertas
7
las 6 core del spec + Availability
E6 — Benchmarks por tier: mediana de cada métrica

La barra es la mediana del tier; P25 y P75 están en el tooltip y en la tabla.

JuniorAvanzado
Flexible
estudiantes con el tutor marcado
Junior22,5Avanzado66
Repetition Rate
mes cerrado, solo 1:1
Junior40%Avanzado58,8%
Avg Rating
escala 1-5, mes cerrado

Saturada en 5,0 en los dos tiers (P25 = mediana = P75): no discrimina entre Junior y Avanzado.

Feedback Rate
mes cerrado, solo 1:1
Junior13%Avanzado22,8%
Punctuality
mes cerrado, solo 1:1
Junior98%Avanzado98,8%
Activity
en vivo, mes cerrado
Junior66,7%Avanzado84,5%
Availability
en vivo, excluye días de bloqueo total
Junior100%Avanzado100%

Un panel por métrica y no barras agrupadas porque las unidades no son comparables: Flexible es un conteo, Avg Rating una escala 1-5 y el resto porcentajes. En un eje compartido el rating quedaría invisible al lado del conteo. Lo que se compara entre paneles es la relación Junior/Avanzado, no la altura absoluta.

Ver tabla de datos
MétricaTiern tutoresP25MedianaP75Promedio
FlexibleJunior945,022,534,023,8
FlexibleAvanzado2749,066,077,062,8
Repetition RateJunior7628,1%40,0%52,5%40,0%
Repetition RateAvanzado2243,3%58,8%64,8%53,5%
Avg RatingJunior755,05,05,05,0
Avg RatingAvanzado225,05,05,05,0
Feedback RateJunior768,9%13,0%17,8%14,0%
Feedback RateAvanzado2214,9%22,8%32,8%25,2%
PunctualityJunior7695,6%98,0%100,0%96,3%
PunctualityAvanzado2298,1%98,8%99,8%97,8%
ActivityJunior8153,8%66,7%82,3%65,6%
ActivityAvanzado2663,9%84,5%89,2%76,1%
AvailabilityJunior8196,7%100,0%100,0%98,1%
AvailabilityAvanzado2697,9%100,0%100,0%97,9%

Promoción y degradación (§8) — últimos 2 meses cerrados

Cumple = valor ≥ P25-Avanzado de ese mes, en las 5 métricas core (Activity%, Avg Rating, Feedback Rate%, Repetition Rate, Punctuality%).

Candidatos a promoción

  • Daniel López
  • Franco Martínez
  • Maira Permayú
  • Stephane Richol

Candidatos a revisión de degradación

  • Catherine Escobar
  • Jesus Hernandez
  • John Kevin Andersson
  • Jose Avendaño
  • Jose Dugarte
  • Juan Herrera
  • Milagros Nieto
  • Silvia Donoso

R6 — Permisos del tutor

Del pedido en la app a la resolución real, últimos 30 días. El pedido sale de Amplitude y la resolución de la DB: Amplitude no mide la respuesta de RRHH.

Envían el pedido que empiezan
84,4%
65 de 77 tutores que eligieron un tipo de permiso
Pedidos de emergencia
44,9%
de 225 pedidos en la DB
Aprobación automática
82,7%
el resto (39) pasa por revisión: 29 h de mediana en "Excepcional con Recuperación"
Rechazados
0
en los últimos 30 días
R6 — Pedidos por tipo (DB)

Qué piden los tutores y cómo se resuelve cada tipo.

Emergencia101% de Actividad > 75%43No Remunerado21Excepcional con Recuperación13Otorgado por RRHH7Permiso Técnico6Médico6Cumpleaños6Primer Sick Day6Reposo Médico5Descanso Anual (Tutor)4Segundo Sick Day3Acompañamiento Familiar1Mudanza1Luto / Fallecimiento1Trámite Legal1

“Cargados por admin” son pedidos que RRHH carga en nombre del tutor: no pasan por la app, así que no aparecen en el embudo de Amplitude.

Ver tabla de datos
TipoAprobaciónPedidosTutoresAprobadosCanceladosRechazadosPendientesCargados por adminMediana hasta aprobar
EmergenciaAutomática10140938006inmediata
% de Actividad > 75%Automática4337412001inmediata
No RemuneradoAutomática2111210000inmediata
Excepcional con RecuperaciónRevisión RRHH13613000029.1 h
Otorgado por RRHHRevisión RRHH7670007inmediata
Permiso TécnicoRevisión RRHH66600010.6 h
MédicoRevisión RRHH645100018.6 h
CumpleañosAutomática6660000inmediata
Primer Sick DayAutomática6660000inmediata
Reposo MédicoRevisión RRHH555000014.9 h
Descanso Anual (Tutor)Automática4340000inmediata
Segundo Sick DayAutomática3330000inmediata
Acompañamiento FamiliarRevisión RRHH111000046.5 h
MudanzaAutomática1110000inmediata
Luto / FallecimientoAutomática1110000inmediata
Trámite LegalRevisión RRHH11100006.1 h
R6 — Del pedido al envío en la app (Amplitude)

Los tipos que más se eligen sin enviarse (ANNUAL_REST_TUTOR: 26 lo eligen, 1 lo envían; FAMILY_CARE_LEAVE: 14 lo eligen, 1 lo envían; LEGAL_ERRAND_LEAVE: 11 lo eligen, 1 lo envían). Hipótesis a confirmar con producto: el tutor choca con una regla de elegibilidad o de saldo que la app no registra.

Punto ciego declarado por producto: el bloqueo por regla y la respuesta de RRHH (Blocked Time Off Request, Viewed Time Off Resolution) no están implementados en Amplitude.

Ver tabla de datos
Tipo (permission_key)Tutores que lo eligieronLo enviaron (≤1 día)%
ACTIVITY_BONUS_LEAVE423583,3%
EMERGENCY_LEAVE332472,7%
ANNUAL_REST_TUTOR2613,8%
EXCEPTIONAL_LEAVE25416,0%
UNPAID_LEAVE241145,8%
MEDICAL_LEAVE19210,5%
BIRTHDAY_LEAVE16637,5%
TECHNICAL_LEAVE15426,7%
FAMILY_CARE_LEAVE1417,1%
MEDICAL_REST_LEAVE13430,8%
SICK_DAY_112541,7%
SICK_DAY_211218,2%
LEGAL_ERRAND_LEAVE1119,1%
GRADUATION_FAMILY_LEAVE900,0%
MOVING_LEAVE8112,5%
MARRIAGE_LEAVE700,0%
GRADUATION_OWN_LEAVE700,0%
BEREAVEMENT_LEAVE600,0%
MATERNITY_LEAVE600,0%
PATERNITY_LEAVE400,0%
ANNUAL_REST_COACH200,0%
R6 — Pedidos por semana (DB)
0204060803 ago10 ago17 ago24 ago31 ago7 sep14 sep21 sep28 sep74

Semana lunes a domingo (ART). La última es la semana en curso, todavía parcial.

Ver tabla de datos
SemanaPedidosTutoresDe emergencia
3 ago241512
10 ago744433
17 ago402721
24 ago322212
31 ago714819
7 sep493427
14 sep483024
21 sep493124
28 sep332515

Riesgo

Reservas y alumnos que los modelos marcan en riesgo, con la acción sugerida. Todo % es la probabilidad calibrada, nunca el score crudo.

No-show — reservas en riesgo
391
riesgo calibrado promedio 23,1% (el score crudo diría 79,9%)
Cancelación de clase — reservas en riesgo
692
riesgo calibrado promedio 53,3% (el score crudo diría 67,3%)

Qué pasó con lo que el modelo marcó antes — No-show: de 10.466 casos marcados como riesgo alto en los últimos 60 días, se confirmaron 1.930 (18,4%); Cancelación de clase: de 16.239 casos marcados como riesgo alto en los últimos 60 días, se confirmaron 7.081 (43,6%).

Reservas en riesgo para trabajar hoy — scoring del 2026-10-02

Ordenadas por prioridad, con la acción que sugiere el propio mart. Es una foto de la última corrida del scoring, no una serie: la evolución de los modelos está en la pestaña Data.

El porcentaje es la probabilidad calibrada, no la que devuelve el modelo: el score crudo está inflado a propósito por el entrenamiento y mostrarlo asustaría de más. Un ~ al lado del número marca las pocas filas cuyo score cae fuera del rango de bins calibrados y se pegaron al bin más cercano.

Ver tabla de datos
Prioridad globalModeloRiesgoAcción sugeridaContextoBookingEstudiante
81No-show27,1%Send confirmation reminder before classclass at 2026-10-19 11:00:00+00 (lead 802 h)429508Chris Thornburg
87No-show27,1%Send confirmation reminder before classclass at 2026-10-02 17:00:00+00 (lead 191 h)434010Zachary Carnell
88No-show27,1%Send confirmation reminder before classclass at 2026-10-05 17:30:00+00 (lead 191 h)435885Zachary Carnell
89No-show27,1%Send confirmation reminder before classclass at 2026-10-05 18:00:00+00 (lead 191 h)435896Zachary Carnell
90No-show27,1%Send confirmation reminder before classclass at 2026-10-06 17:30:00+00 (lead 190 h)436341Zachary Carnell
91No-show27,1%Send confirmation reminder before classclass at 2026-10-06 18:00:00+00 (lead 189 h)436400Zachary Carnell
92No-show27,1%Send confirmation reminder before classclass at 2026-10-07 17:30:00+00 (lead 191 h)436901Zachary Carnell
93No-show27,1%Send confirmation reminder before classclass at 2026-10-07 19:00:00+00 (lead 191 h)436936Zachary Carnell
94No-show27,1%Send confirmation reminder before classclass at 2026-10-09 19:00:00+00 (lead 191 h)437884Zachary Carnell
95No-show27,1%Send confirmation reminder before classclass at 2026-10-03 02:00:00+00 (lead 105 h)436294Arielle Charles
96No-show27,1%Send confirmation reminder before classclass at 2026-10-09 00:00:00+00 (lead 180 h)437644Arielle Charles
99No-show27,1%Send confirmation reminder before classclass at 2026-10-04 18:00:00+00 (lead 186 h)435618Jerreth Hudson
100No-show27,1%Send confirmation reminder before classclass at 2026-10-03 01:00:00+00 (lead 223 h)433329Bruna Miquelino
102No-show27,1%Send confirmation reminder before classclass at 2026-10-13 17:00:00+00 (lead 289 h)437777Juan M Herrera
103No-show27,1%Send confirmation reminder before classclass at 2026-10-20 17:00:00+00 (lead 457 h)437778Juan M Herrera
104No-show27,1%Send confirmation reminder before classclass at 2026-10-27 17:00:00+00 (lead 625 h)437779Juan M Herrera
105No-show27,1%Send confirmation reminder before classclass at 2026-11-03 17:00:00+00 (lead 793 h)437780Juan M Herrera
106No-show27,1%Send confirmation reminder before classclass at 2026-10-03 16:00:00+00 (lead 648 h)425325Jerreth Hudson
107No-show27,1%Send confirmation reminder before classclass at 2026-10-10 16:00:00+00 (lead 816 h)425326Jerreth Hudson
108No-show27,1%Send confirmation reminder before classclass at 2026-10-02 23:00:00+00 (lead 12 h)438119Jerreth Hudson
109No-show27,1%Send confirmation reminder before classclass at 2026-10-05 11:00:00+00 (lead 466 h)429506Chris Thornburg
110No-show27,1%Send confirmation reminder before classclass at 2026-10-12 11:00:00+00 (lead 634 h)429507Chris Thornburg
112No-show27,1%Send confirmation reminder before classclass at 2026-10-02 21:00:00+00 (lead 173 h)434697Knowledge Suave
113No-show27,1%Send confirmation reminder before classclass at 2026-10-03 20:00:00+00 (lead 124 h)436262Knowledge Suave
114No-show27,1%Send confirmation reminder before classclass at 2026-10-04 22:00:00+00 (lead 150 h)436263Knowledge Suave
116No-show27,1%Send confirmation reminder before classclass at 2026-10-06 20:00:00+00 (lead 680 h)426015Zachary Carnell
117No-show27,1%Send confirmation reminder before classclass at 2026-10-02 20:00:00+00 (lead 191 h)434107Zachary Carnell
118No-show27,1%Send confirmation reminder before classclass at 2026-10-02 20:30:00+00 (lead 191 h)434118Zachary Carnell
119No-show27,1%Send confirmation reminder before classclass at 2026-10-13 20:00:00+00 (lead 346 h)436665Zachary Carnell
120No-show27,1%Send confirmation reminder before classclass at 2026-10-20 20:00:00+00 (lead 514 h)436666Zachary Carnell
128Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-15 02:00:00+00 (lead 322 h)437773Juan M Herrera
129Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-22 02:00:00+00 (lead 490 h)437774Juan M Herrera
130Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-29 02:00:00+00 (lead 658 h)437775Juan M Herrera
131Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-11-05 02:00:00+00 (lead 826 h)437776Juan M Herrera
132Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-13 17:00:00+00 (lead 289 h)437777Juan M Herrera
133Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-20 17:00:00+00 (lead 457 h)437778Juan M Herrera
134Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-27 17:00:00+00 (lead 625 h)437779Juan M Herrera
135Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-11-03 17:00:00+00 (lead 793 h)437780Juan M Herrera
178Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-02 13:00:00+00 (lead 507 h)427542Jett Larson
179Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-09 13:00:00+00 (lead 675 h)427543Jett Larson
180Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-16 13:00:00+00 (lead 843 h)427544Jett Larson
200Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-02 18:00:00+00 (lead 22 h)437893Jay Patterson
201Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-02 20:00:00+00 (lead 20 h)437965Jay Patterson
202Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-02 16:00:00+00 (lead 16 h)437966Jay Patterson
219Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-16 18:00:00+00 (lead 386 h)437287Os Student
220Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-23 18:00:00+00 (lead 554 h)437288Os Student
221Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-30 18:00:00+00 (lead 722 h)437289Os Student
222Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-11-06 18:00:00+00 (lead 890 h)437290Os Student
262Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-14 01:00:00+00 (lead 323 h)437246Shannon Flick
263Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-12 15:00:00+00 (lead 288 h)437253Shannon Flick
264Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-13 23:00:00+00 (lead 320 h)437254Shannon Flick
302Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-04 17:00:00+00 (lead 439 h)429650Jessica Medeiros
303Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-05 14:00:00+00 (lead 460 h)429651Jessica Medeiros
304Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-06 14:00:00+00 (lead 484 h)429652Jessica Medeiros
305Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-07 13:00:00+00 (lead 477 h)430362Jessica Medeiros
306Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-05 15:00:00+00 (lead 334 h)432055Jessica Medeiros
307Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-06 17:00:00+00 (lead 360 h)432057Jessica Medeiros
308Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-07 17:00:00+00 (lead 384 h)432059Jessica Medeiros
309Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-08 15:00:00+00 (lead 406 h)432060Jessica Medeiros
310Cancelación de clase70,1%Confirmation nudge; hold an overbooking buffer on the slotclass at 2026-10-09 13:00:00+00 (lead 428 h)432061Jessica Medeiros
Churn de suscripción — alumnos en riesgo
122
riesgo calibrado promedio 19,5% (el crudo diría 65,1%)
Churn por conducta — alumnos en riesgo
122
riesgo calibrado promedio 71,1% (el crudo diría 90,1%)

Qué pasó con lo que el modelo marcó antes — Churn de suscripción: de 2.995 casos marcados como riesgo alto en los últimos 60 días, se confirmaron 521 (17,4%); Churn por conducta: de 2.995 casos marcados como riesgo alto en los últimos 60 días, se confirmaron 2.597 (86,7%).

Riesgo de cancelar la suscripción — lista para mailing (40 alumnos)

Predice la baja del cobro dentro de 30 días. Ordenada por prioridad, con email para armar el envío.

El porcentaje es la probabilidad calibrada. En este modelo es donde más importa: el score crudo promedia cerca del 35% cuando la tasa real de la base es ~8,5%, así que mostrar el crudo en un mail o en una reunión haría perder credibilidad al modelo entero.

Ver tabla de datos
Prioridad globalRiesgoEstudianteEmailAcción sugeridaContexto
55624,7%Shanelle Pierreshanellepierre@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 26 d; 1 classes/30d
61924,7%Daniel Wolfdwolf1900@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 27 d; 10 classes/30d
62024,7%Joe Cookejoecooke10@hotmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 52 d; 4 classes/30d
62924,7%Daniel Lynchdaniellynch654@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 10 d; 9 classes/30d
63024,7%Dillan Butlerdillan.butler1@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 7 d; 4 classes/30d
63124,7%Kyle Kaczynskikaczynski.kyled@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 18 d; 7 classes/30d
69424,7%lily reynenlilyreynen07@icloud.comRetention / pricing-value conversation (paying but at cancel risk)tenure 56 d; 4 classes/30d
69524,7%Matthew Dillinghammatthew.dillingham@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 52 d; 10 classes/30d
69624,7%Justice Shelton-Mosleyjusticesheltonmosley@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 3 d; 2 classes/30d
69724,7%Kelsy Parkerkmp887@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 3 d; 4 classes/30d
69824,7%Petru Popovicipetru.popovici@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 58 d; 9 classes/30d
69924,7%Mitchell Sartoskimsartoski@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 52 d; 5 classes/30d
70024,7%Hannah Harrismail@hharris.meRetention / pricing-value conversation (paying but at cancel risk)tenure 16 d; 6 classes/30d
70124,7%Sue Kuntzbskuntz509@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 16 d; 11 classes/30d
70224,7%Caroline Oersoecarolineoersoe@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 32 d; 11 classes/30d
70324,7%Aaron Shereraaronsherer1986@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 3 d; 2 classes/30d
70424,7%Yordan Vasevyordan.vasev24@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 32 d; 20 classes/30d
70524,7%Matt Watersmwaters42@icloud.comRetention / pricing-value conversation (paying but at cancel risk)tenure 4 d; 1 classes/30d
70624,7%David Budnickdbudnick713@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 58 d; 4 classes/30d
70724,7%Junior Harrisdisciple4christ1981@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 19 d; 3 classes/30d
70824,7%Megan Hornermehorner23@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 22 d; 4 classes/30d
71424,7%Katrine Almaskatrinealmas@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 119 d; 6 classes/30d
71924,7%William Pasternakwjp09@yahoo.comRetention / pricing-value conversation (paying but at cancel risk)tenure 29 d; 20 classes/30d
72024,7%Alex Manganasalexmanganas@icloud.comRetention / pricing-value conversation (paying but at cancel risk)tenure 33 d; 15 classes/30d
73324,7%Jesse Collinsjessecollins0808@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 154 d; 65 classes/30d
74224,7%Jens Messnerj.t.messner@web.deRetention / pricing-value conversation (paying but at cancel risk)tenure 86 d; 6 classes/30d
75424,7%Pavlo Kadyshpaulkadysh@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 28 d; 39 classes/30d
76024,7%Jared Halejaredhale94@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 24 d; 9 classes/30d
76124,7%Sky Kolspkolisko@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 54 d; 4 classes/30d
76224,7%Dominic Lyonsdomlyons94@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 53 d; 5 classes/30d
76324,7%Daniel Vasquezskezsoftware@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 14 d; 3 classes/30d
76424,7%Connor Mostcmo317@outlook.comRetention / pricing-value conversation (paying but at cancel risk)tenure 4 d; 4 classes/30d
76524,7%eyas hajeryehajery@yahoo.comRetention / pricing-value conversation (paying but at cancel risk)tenure 30 d; 16 classes/30d
76624,7%Sara Kruegerkruegesa@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 3 d; 2 classes/30d
76724,7%Derek Bishedbishe@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 52 d; 7 classes/30d
76824,7%Gerhard Quinngerhardquinn@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 13 d; 15 classes/30d
76924,7%Andrea Coopersmithdreajaramillo@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 42 d; 5 classes/30d
77024,7%Rebecca Devosbexdvs@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 14 d; 6 classes/30d
77124,7%Tyler Espinozaty.j.espinoza@icloud.comRetention / pricing-value conversation (paying but at cancel risk)tenure 34 d; 14 classes/30d
77224,7%Christopher Stahlstahlcc20@gmail.comRetention / pricing-value conversation (paying but at cancel risk)tenure 26 d; 14 classes/30d
Riesgo de dejar de tomar clases — se están apagando (40 alumnos)

Distinto del anterior: acá el cobro sigue vivo, lo que se predice es que el alumno se quede 28 días sin tomar ninguna clase. Suele ser la señal que llega ANTES de la baja.

Se muestra aparte y no mezclado con la lista de suscripción porque la acción es otra: acá el alumno todavía paga y se lo puede reactivar, no hay que retenerle un cobro que está por caerse.

Ver tabla de datos
Prioridad globalRiesgoEstudianteEmailAcción sugeridaContexto
186,8%Anthony Perainoajperaino@gmail.comRe-engagement outreach (going silent)59 days since last class; 0 classes/30d
286,8%mike middletonmike@wallboardspecialties.netRe-engagement outreach (going silent)260 days since last class; 0 classes/30d
386,8%Andrew Hopperaphopper@mercyhillchurch.comRe-engagement outreach (going silent)1092 days since last class; 0 classes/30d
486,8%Jacqueline McKinneyjacquelinehfl@gmail.comRe-engagement outreach (going silent)1092 days since last class; 0 classes/30d
586,8%Rachel Muellerrmueller55@yahoo.comRe-engagement outreach (going silent)122 days since last class; 0 classes/30d
686,8%Matt Lawleymattlawleytravel@gmail.comRe-engagement outreach (going silent)220 days since last class; 0 classes/30d
786,8%Stella Kyungstellakyung@gmail.comRe-engagement outreach (going silent)230 days since last class; 0 classes/30d
886,8%Colleen Smhalf.marathon.03@gmail.comRe-engagement outreach (going silent)299 days since last class; 0 classes/30d
986,8%Gabriel Girongabriel@mindfulnessovermatter.comRe-engagement outreach (going silent)129 days since last class; 0 classes/30d
1086,8%abby mohauptawmohaupt@gmail.comRe-engagement outreach (going silent)136 days since last class; 0 classes/30d
1186,8%Nathan Sutherlandnathan.damgoode@gmail.comRe-engagement outreach (going silent)87 days since last class; 0 classes/30d
1286,8%Jonathan Potterjrpcontracting19@gmail.comRe-engagement outreach (going silent)146 days since last class; 0 classes/30d
1386,8%Udoka Ojiudoka.oji@gmail.comRe-engagement outreach (going silent)108 days since last class; 0 classes/30d
1469,2%Alex Pineiroapineiro56@gmail.comRe-engagement outreach (going silent)79 days since last class; 0 classes/30d
1569,2%Sophia Romanicsromanic@hawaii.eduRe-engagement outreach (going silent)126 days since last class; 0 classes/30d
1669,2%Andrew Fineandrewfine@gmail.comRe-engagement outreach (going silent)303 days since last class; 0 classes/30d
1769,2%Jennifer Freeburgjen.freeburg75@gmail.comRe-engagement outreach (going silent)122 days since last class; 0 classes/30d
1869,2%Jake Craigejames.craige@gmail.comRe-engagement outreach (going silent)134 days since last class; 0 classes/30d
1969,2%Paige Feldmannpaigedmiles@gmail.comRe-engagement outreach (going silent)308 days since last class; 0 classes/30d
2069,2%Ann Syphusann.syphus@gmail.comRe-engagement outreach (going silent)119 days since last class; 0 classes/30d
2169,2%Christopher Nelsonchris.sonofnel@gmail.comRe-engagement outreach (going silent)154 days since last class; 0 classes/30d
2269,2%Lisa Winterj.l.winter92@gmail.comRe-engagement outreach (going silent)162 days since last class; 0 classes/30d
2369,2%Tram Dandantram02@gmail.comRe-engagement outreach (going silent)64 days since last class; 0 classes/30d
2469,2%Jeff Griffinjeffrey.p.griffin@gmail.comRe-engagement outreach (going silent)269 days since last class; 0 classes/30d
2569,2%Kim Lopezwallflower.skipbeat@gmail.comRe-engagement outreach (going silent)150 days since last class; 0 classes/30d
2669,2%Scott Bennettscott.g.bennett@gmail.comRe-engagement outreach (going silent)220 days since last class; 0 classes/30d
2769,2%Jennifer Smithsmithgarajen21@gmail.comRe-engagement outreach (going silent)184 days since last class; 0 classes/30d
2869,2%Michael Olearmichael@olear.comRe-engagement outreach (going silent)158 days since last class; 0 classes/30d
2969,2%Steve Jonessjones@austinjonescorp.comRe-engagement outreach (going silent)100 days since last class; 0 classes/30d
3069,2%Ryan Steelr.steel1@gmail.comRe-engagement outreach (going silent)451 days since last class; 0 classes/30d
3169,2%Jane Greenejane.greene44@gmail.comRe-engagement outreach (going silent)76 days since last class; 0 classes/30d
3269,2%Ava Bartlettavabartlett76@gmail.comRe-engagement outreach (going silent)194 days since last class; 0 classes/30d
3369,2%Rob Bluerobert.blue101@gmail.comRe-engagement outreach (going silent)137 days since last class; 0 classes/30d
3469,2%Chance Ervinchance.d.ervin@gmail.comRe-engagement outreach (going silent)148 days since last class; 0 classes/30d
3569,2%Sarah Charterskenningse@gmail.comRe-engagement outreach (going silent)252 days since last class; 0 classes/30d
3669,2%Matthew Cabreramcabrera122@gmail.comRe-engagement outreach (going silent)232 days since last class; 0 classes/30d
3769,2%Noah Olivanoahjoliva@icloud.comRe-engagement outreach (going silent)239 days since last class; 0 classes/30d
3869,2%Jennifer Mattesaonjmatteson9@gmail.comRe-engagement outreach (going silent)157 days since last class; 0 classes/30d
3969,2%Kate Mayeskatemayes7@gmail.comRe-engagement outreach (going silent)72 days since last class; 0 classes/30d
4069,2%Jimmy Hinsonhinsonjl@hotmail.comRe-engagement outreach (going silent)82 days since last class; 0 classes/30d

Data

Salud de los modelos de ML: si la tasa real se mueve, si el score está calibrado y si el modelo todavía discrimina.

¿Se mueve la tasa real? — tasa observada por cohorte

La tasa que el modelo intenta predecir, mes a mes. Si el fenómeno cambió de nivel, el modelo puede estar bien entrenado y aun así quedar desalineado — es la pregunta previa a mirar si acierta.

No-show (booking)Cancelación (booking)Churn de suscripciónChurn por conducta
0%10%20%30%40%25-0125-0325-0525-0725-0925-1126-0126-0326-0526-0628,1%21,8%8,5%2,1%

Tabla refrescada hace 0 h. Marcadores huecos = meses de holdout. Los cuatro modelos comparten unidad (porcentaje de la cohorte) y por eso comparten eje, pero cada uno predice un fenómeno distinto: no se comparan entre sí, se compara cada uno contra su propia historia.

Ver tabla de datos
ModeloCohorteHoldoutnTasa realPredichoGap
No-show (booking)2026-09-01sí9.0426,76%44,51%+37,75 pp
No-show (booking)2026-08-01sí10.0106,87%43,46%+36,59 pp
No-show (booking)2026-07-01sí11.2557,40%41,87%+34,47 pp
No-show (booking)2026-06-01sí11.4772,13%38,59%+36,46 pp
No-show (booking)2026-05-0111.6174,68%40,00%+35,32 pp
No-show (booking)2026-04-0112.4184,92%39,94%+35,02 pp
No-show (booking)2026-03-0112.7015,35%39,92%+34,57 pp
No-show (booking)2026-02-0111.3556,34%40,15%+33,81 pp
No-show (booking)2026-01-0112.0295,35%37,67%+32,32 pp
No-show (booking)2025-12-0110.3415,08%35,83%+30,75 pp
No-show (booking)2025-11-0110.4533,43%33,29%+29,86 pp
No-show (booking)2025-10-0110.3372,79%32,91%+30,12 pp
No-show (booking)2025-09-018.7643,29%32,87%+29,58 pp
No-show (booking)2025-08-018.9232,81%31,65%+28,84 pp
No-show (booking)2025-07-017.8512,57%32,18%+29,61 pp
No-show (booking)2025-06-016.3611,73%30,56%+28,83 pp
No-show (booking)2025-05-016.0351,81%30,85%+29,04 pp
No-show (booking)2025-04-015.6031,95%30,43%+28,48 pp
No-show (booking)2025-03-015.9452,22%30,34%+28,12 pp
No-show (booking)2025-02-014.6611,57%30,65%+29,08 pp
No-show (booking)2025-01-015.1492,08%32,82%+30,74 pp
No-show (booking)2024-12-013.9802,11%33,85%+31,74 pp
No-show (booking)2024-11-013.1451,69%32,69%+31,00 pp
No-show (booking)2024-10-012.6793,55%38,05%+34,50 pp
No-show (booking)2023-10-011.1500,00%11,74%+11,74 pp
Cancelación (booking)2026-09-01sí12.65428,54%45,75%+17,21 pp
Cancelación (booking)2026-08-01sí14.02828,64%45,51%+16,87 pp
Cancelación (booking)2026-07-01sí15.89829,20%45,52%+16,32 pp
Cancelación (booking)2026-06-01sí15.95128,05%45,98%+17,93 pp
Cancelación (booking)2026-05-0115.72426,12%45,80%+19,68 pp
Cancelación (booking)2026-04-0116.73225,78%45,80%+20,02 pp
Cancelación (booking)2026-03-0117.71828,32%46,64%+18,32 pp
Cancelación (booking)2026-02-0115.39526,24%46,45%+20,21 pp
Cancelación (booking)2026-01-0116.05425,07%46,92%+21,85 pp
Cancelación (booking)2025-12-0113.79225,02%47,66%+22,64 pp
Cancelación (booking)2025-11-0114.44227,62%47,35%+19,73 pp
Cancelación (booking)2025-10-0114.44628,44%47,16%+18,72 pp
Cancelación (booking)2025-09-0112.08927,50%46,92%+19,42 pp
Cancelación (booking)2025-08-0112.65029,46%47,45%+17,99 pp
Cancelación (booking)2025-07-0110.86927,77%48,36%+20,59 pp
Cancelación (booking)2025-06-018.74327,24%47,00%+19,76 pp
Cancelación (booking)2025-05-018.50729,06%47,79%+18,73 pp
Cancelación (booking)2025-04-017.76227,81%47,51%+19,70 pp
Cancelación (booking)2025-03-018.01325,81%47,47%+21,66 pp
Cancelación (booking)2025-02-016.40027,17%47,54%+20,37 pp
Cancelación (booking)2025-01-017.24228,90%49,11%+20,21 pp
Cancelación (booking)2024-12-015.67829,90%49,14%+19,24 pp
Cancelación (booking)2024-11-014.35027,70%44,98%+17,28 pp
Cancelación (booking)2024-10-013.57425,04%38,42%+13,38 pp
Cancelación (booking)2023-10-011.1631,12%14,97%+13,85 pp
Churn de suscripción2026-06-01sí6098,54%34,56%+26,02 pp
Churn de suscripción2026-05-01sí6048,11%33,82%+25,71 pp
Churn de suscripción2026-04-01sí6126,86%34,21%+27,35 pp
Churn de suscripción2026-03-016037,46%34,41%+26,95 pp
Churn de suscripción2026-02-015977,04%34,56%+27,52 pp
Churn de suscripción2026-01-015826,01%35,01%+29,00 pp
Churn de suscripción2025-12-015426,46%35,68%+29,22 pp
Churn de suscripción2025-11-015349,18%38,11%+28,93 pp
Churn de suscripción2025-10-014999,22%39,80%+30,58 pp
Churn de suscripción2025-09-014676,42%39,84%+33,42 pp
Churn de suscripción2025-08-014609,78%40,56%+30,78 pp
Churn de suscripción2025-07-014419,98%42,48%+32,50 pp
Churn de suscripción2025-06-014208,81%42,05%+33,24 pp
Churn de suscripción2025-05-013926,63%41,51%+34,88 pp
Churn de suscripción2025-04-013769,04%43,03%+33,99 pp
Churn de suscripción2025-03-013588,10%43,78%+35,68 pp
Churn de suscripción2025-02-013408,53%43,69%+35,16 pp
Churn de suscripción2025-01-013249,57%44,90%+35,33 pp
Churn por conducta2026-06-01sí60921,84%32,31%+10,47 pp
Churn por conducta2026-05-01sí60422,85%29,85%+7,00 pp
Churn por conducta2026-04-01sí61222,22%29,78%+7,56 pp
Churn por conducta2026-03-0160322,22%29,84%+7,62 pp
Churn por conducta2026-02-0159721,94%29,13%+7,19 pp
Churn por conducta2026-01-0158221,13%35,13%+14,00 pp
Churn por conducta2025-12-0154223,80%32,35%+8,55 pp
Churn por conducta2025-11-0153424,34%31,89%+7,55 pp
Churn por conducta2025-10-0149927,25%35,17%+7,92 pp
Churn por conducta2025-09-0146726,55%35,69%+9,14 pp
Churn por conducta2025-08-0146027,61%34,58%+6,97 pp
Churn por conducta2025-07-0144127,89%35,82%+7,93 pp
Churn por conducta2025-06-0142028,81%36,31%+7,50 pp
Churn por conducta2025-05-0139225,26%35,11%+9,85 pp
Churn por conducta2025-04-0137626,06%34,73%+8,67 pp
Churn por conducta2025-03-0135827,37%36,16%+8,79 pp
Churn por conducta2025-02-0134027,94%35,47%+7,53 pp
Churn por conducta2025-01-0132425,00%40,14%+15,14 pp
Gap de calibración por modelo — predicho vs real, último mes cerrado

El score crudo de No-show (booking) predice 37,8 puntos por encima de la tasa real de su cohorte. Ese gap es esperado y no es un bug: los modelos se entrenan con auto_class_weights, que infla la probabilidad cruda a propósito para que la clase minoritaria pese. Por eso ningún % crudo se muestra a ops o negocio sin pasar por la calibración.

Predicho (score crudo)Real (observado)
No-show (booking)
cohorte 2026-09-01 · n=9.042
Predicho44,5%Real6,8%
Cancelación (booking)
cohorte 2026-09-01 · n=12.654
Predicho45,8%Real28,5%
Churn de suscripción
cohorte 2026-06-01 · n=609
Predicho34,6%Real8,5%
Churn por conducta
cohorte 2026-06-01 · n=609
Predicho32,3%Real21,8%

Tabla refrescada hace 0 h. Cada panel tiene su propia escala: lo que se compara es predicho contra real dentro del modelo, no un modelo contra otro. Se corta en el último mes CERRADO — ml_model_monitoring trae cohortes futuras (hasta 2026-10 para cancelación) que darían una tasa parcial.

Ver tabla de datos
ModeloCohortenPredichoRealGap
No-show (booking)2026-09-019.04244,51%6,76%+37,75 pp
Cancelación (booking)2026-09-0112.65445,75%28,54%+17,21 pp
Churn de suscripción2026-06-0160934,56%8,54%+26,02 pp
Churn por conducta2026-06-0160932,31%21,84%+10,47 pp
¿El modelo todavía discrimina? — lift del quintil top por cohorte

El lift es cuántas veces más alta es la tasa real en el 20% peor rankeado que en el promedio de la cohorte. Un lift de 1x significa que el modelo ya no distingue nada.

No-show (booking)Cancelación (booking)Churn de suscripciónChurn por conducta
0x2x4x6x8x25-0125-0325-0525-0725-0925-1126-0126-0326-0526-063,6x2,8x2,7x2,1x

Los marcadores huecos son meses de holdout (datos que el modelo no vio al entrenar); los sólidos son meses de entrenamiento. ⚠ Cuidado con la lectura: en los cuatro modelos el holdout son justo los meses más recientes, así que “el lift bajó “ y “el lift es peor fuera de la muestra” son la misma observación y esta tabla no las puede separar. Puede ser sobreajuste o puede ser drift real: para distinguirlo haría falta un holdout que no sea el tramo final.

Ver tabla de datos
ModeloCohorteHoldoutnLift del quintil topQuintil topQuintil bajo
No-show (booking)2026-09-01sí9.0422,32x15,68%0,54%
No-show (booking)2026-08-01sí10.0102,40x16,52%0,61%
No-show (booking)2026-07-01sí11.2552,34x17,30%0,72%
No-show (booking)2026-06-01sí11.4772,76x5,87%0,48%
No-show (booking)2026-05-0111.6173,07x14,37%0,18%
No-show (booking)2026-04-0112.4183,24x15,93%0,19%
No-show (booking)2026-03-0112.7013,03x16,18%0,34%
No-show (booking)2026-02-0111.3552,94x18,63%0,23%
No-show (booking)2026-01-0112.0293,35x17,91%0,37%
No-show (booking)2025-12-0110.3413,77x19,14%0,38%
No-show (booking)2025-11-0110.4534,22x14,50%0,44%
No-show (booking)2025-10-0110.3374,27x11,90%0,36%
No-show (booking)2025-09-018.7644,35x14,31%0,23%
No-show (booking)2025-08-018.9234,84x13,62%0,21%
No-show (booking)2025-07-017.8514,93x12,68%0,11%
No-show (booking)2025-06-016.3615,43x9,39%0,25%
No-show (booking)2025-05-016.0355,03x9,09%0,19%
No-show (booking)2025-04-015.6036,31x12,27%0,49%
No-show (booking)2025-03-015.9456,28x13,95%0,00%
No-show (booking)2025-02-014.6616,03x9,44%0,14%
No-show (booking)2025-01-015.1493,70x7,69%0,34%
No-show (booking)2024-12-013.9803,90x8,23%0,56%
No-show (booking)2024-11-013.1455,74x9,68%0,00%
No-show (booking)2024-10-012.6793,83x13,57%3,08%
No-show (booking)2023-10-011.1500,00x0,00%0,00%
Cancelación (booking)2026-09-01sí12.6541,97x56,25%12,50%
Cancelación (booking)2026-08-01sí14.0281,99x56,93%11,49%
Cancelación (booking)2026-07-01sí15.8982,06x60,18%11,29%
Cancelación (booking)2026-06-01sí15.9512,07x57,98%10,57%
Cancelación (booking)2026-05-0115.7242,36x61,60%7,67%
Cancelación (booking)2026-04-0116.7322,28x58,76%7,41%
Cancelación (booking)2026-03-0117.7182,22x62,78%8,29%
Cancelación (booking)2026-02-0115.3952,24x58,68%7,93%
Cancelación (booking)2026-01-0116.0542,21x55,46%8,07%
Cancelación (booking)2025-12-0113.7921,97x49,22%7,91%
Cancelación (booking)2025-11-0114.4421,82x50,39%8,16%
Cancelación (booking)2025-10-0114.4461,88x53,59%9,91%
Cancelación (booking)2025-09-0112.0891,95x53,67%8,86%
Cancelación (booking)2025-08-0112.6501,90x56,08%10,56%
Cancelación (booking)2025-07-0110.8691,92x53,36%8,86%
Cancelación (booking)2025-06-018.7432,04x55,56%6,86%
Cancelación (booking)2025-05-018.5072,04x59,38%7,45%
Cancelación (booking)2025-04-017.7621,90x52,90%7,87%
Cancelación (booking)2025-03-018.0131,74x44,88%7,12%
Cancelación (booking)2025-02-016.4001,81x49,20%10,70%
Cancelación (booking)2025-01-017.2421,74x50,41%11,18%
Cancelación (booking)2024-12-015.6781,84x54,95%9,57%
Cancelación (booking)2024-11-014.3502,05x56,92%6,64%
Cancelación (booking)2024-10-013.5742,85x71,37%3,19%
Cancelación (booking)2023-10-011.16344,73x50,00%0,00%
Churn de suscripción2026-06-01sí6092,74x23,40%2,08%
Churn de suscripción2026-05-01sí6041,95x15,85%4,05%
Churn de suscripción2026-04-01sí6122,98x20,43%3,87%
Churn de suscripción2026-03-016034,86x36,26%0,00%
Churn de suscripción2026-02-015974,68x32,94%0,00%
Churn de suscripción2026-01-015824,62x27,78%0,00%
Churn de suscripción2025-12-015423,28x21,18%0,00%
Churn de suscripción2025-11-015343,54x32,46%0,00%
Churn de suscripción2025-10-014993,65x33,62%0,00%
Churn de suscripción2025-09-014673,38x21,70%0,00%
Churn de suscripción2025-08-014603,41x33,33%0,00%
Churn de suscripción2025-07-014412,69x26,83%0,00%
Churn de suscripción2025-06-014202,89x25,45%0,00%
Churn de suscripción2025-05-013923,33x22,11%0,00%
Churn de suscripción2025-04-013762,76x25,00%0,00%
Churn de suscripción2025-03-013582,72x22,00%0,00%
Churn de suscripción2025-02-013403,08x26,25%0,00%
Churn de suscripción2025-01-013243,12x29,87%0,00%
Churn por conducta2026-06-01sí6093,59x78,50%0,00%
Churn por conducta2026-05-01sí6043,64x83,18%0,58%
Churn por conducta2026-04-01sí6123,75x83,33%0,00%
Churn por conducta2026-03-016033,97x88,24%0,00%
Churn por conducta2026-02-015973,97x87,13%0,00%
Churn por conducta2026-01-015823,99x84,26%0,00%
Churn por conducta2025-12-015423,57x85,05%0,00%
Churn por conducta2025-11-015343,64x88,70%0,00%
Churn por conducta2025-10-014993,26x88,89%0,00%
Churn por conducta2025-09-014673,29x87,25%0,00%
Churn por conducta2025-08-014603,12x86,24%0,00%
Churn por conducta2025-07-014413,28x91,58%0,00%
Churn por conducta2025-06-014203,21x92,55%0,00%
Churn por conducta2025-05-013923,29x83,13%0,00%
Churn por conducta2025-04-013763,37x87,80%0,00%
Churn por conducta2025-03-013583,17x86,90%0,00%
Churn por conducta2025-02-013403,19x89,19%0,00%
Churn por conducta2025-01-013243,61x90,28%0,00%
Cuánto infla el score crudo, por decil y modelo

Ejemplo del decil más alto de churn de suscripción: el score crudo promedia 67,8% pero de esa gente se va realmente el 24,7%. Mostrar el crudo a ops o negocio asustaría de más y le haría perder credibilidad al modelo; por eso todo % que sale a la pestaña de riesgo pasa antes por esta tabla.

No-show (booking)Cancelación (booking)Churn de suscripciónChurn por conducta
0 pp20 pp40 pp60 pp80 ppd1d2d3d4d5d6d7d8d9d1055,5 pp43,1 pp7,9 pp6,5 pp

El eje Y son puntos porcentuales de inflación: score crudo promedio menos probabilidad real del decil. Cero sería un modelo perfectamente calibrado. El crudo viene inflado por auto_class_weights del entrenamiento — es una decisión del modelo, no un error del dato. La tabla trae el rango de score de cada decil, que es la clave para unir un score suelto con su probabilidad real.

Ver tabla de datos
ModeloDecilnRango de score crudoCrudo promedioProbabilidad realInfla
No-show (booking)d14.2120,100 – 0,17714,7%0,7%+14,0 pp
No-show (booking)d24.2120,177 – 0,21819,8%0,7%+19,2 pp
No-show (booking)d34.2120,218 – 0,27424,6%1,4%+23,2 pp
No-show (booking)d44.2110,274 – 0,31529,3%1,7%+27,6 pp
No-show (booking)d54.2110,315 – 0,37134,1%2,8%+31,4 pp
No-show (booking)d64.2110,371 – 0,43840,2%3,2%+37,1 pp
No-show (booking)d74.2110,438 – 0,52748,1%4,5%+43,6 pp
No-show (booking)d84.2110,527 – 0,62957,9%6,6%+51,3 pp
No-show (booking)d94.2110,629 – 0,74568,0%8,4%+59,7 pp
No-show (booking)d104.2110,745 – 0,91982,5%27,1%+55,5 pp
Cancelación (booking)d15.9540,105 – 0,26223,2%9,5%+13,8 pp
Cancelación (booking)d25.9540,262 – 0,30128,1%13,8%+14,3 pp
Cancelación (booking)d35.9540,301 – 0,33931,7%14,5%+17,2 pp
Cancelación (booking)d45.9540,339 – 0,39236,7%20,1%+16,6 pp
Cancelación (booking)d55.9540,392 – 0,44341,9%22,1%+19,8 pp
Cancelación (booking)d65.9530,443 – 0,49847,0%24,8%+22,2 pp
Cancelación (booking)d75.9530,498 – 0,53951,8%32,1%+19,7 pp
Cancelación (booking)d85.9530,539 – 0,59556,7%39,9%+16,8 pp
Cancelación (booking)d95.9530,595 – 0,68263,0%45,8%+17,2 pp
Cancelación (booking)d105.9530,682 – 0,88978,0%70,1%+7,9 pp
Churn de suscripciónd11830,179 – 0,18718,6%4,4%+14,2 pp
Churn de suscripciónd21830,187 – 0,18818,7%1,1%+17,6 pp
Churn de suscripciónd31830,188 – 0,18818,8%4,9%+13,9 pp
Churn de suscripciónd41830,188 – 0,19419,1%2,7%+16,4 pp
Churn de suscripciónd51830,194 – 0,25520,7%5,5%+15,2 pp
Churn de suscripciónd61820,255 – 0,35830,4%5,0%+25,5 pp
Churn de suscripciónd71820,358 – 0,44840,7%6,6%+34,1 pp
Churn de suscripciónd81820,448 – 0,52848,1%11,5%+36,6 pp
Churn de suscripciónd91820,528 – 0,64359,5%12,1%+47,4 pp
Churn de suscripciónd101820,643 – 0,74367,8%24,7%+43,1 pp
Churn por conductad11830,029 – 0,0323,2%0,6%+2,7 pp
Churn por conductad21830,032 – 0,0373,4%0,0%+3,4 pp
Churn por conductad31830,037 – 0,0504,1%1,1%+3,0 pp
Churn por conductad41830,050 – 0,0796,2%2,7%+3,4 pp
Churn por conductad51830,079 – 0,12710,3%4,4%+5,9 pp
Churn por conductad61820,127 – 0,21816,5%6,6%+9,9 pp
Churn por conductad71820,219 – 0,38829,0%17,0%+12,0 pp
Churn por conductad81820,389 – 0,74554,3%35,2%+19,1 pp
Churn por conductad91820,746 – 0,93186,9%69,2%+17,7 pp
Churn por conductad101820,931 – 0,96693,3%86,8%+6,5 pp
De lo que el modelo marcó, cuánto pasó de verdad (últimos 60 días)

Cada panel compara las tres bandas de riesgo del mismo modelo. Lo que hay que mirar no es el valor absoluto sino la SEPARACIÓN: si el alto no se confirma bastante más que el bajo, la banda no sirve para priorizar.

■ Riesgo alto▲ Medio● Bajo
No-show (booking)
el alto se confirma 16,7x más que el bajo
Alto18,4%Medio4,2%Bajo1,1%
Cancelación (booking)
el alto se confirma 4,1x más que el bajo
Alto43,6%Medio21,7%Bajo10,6%
Churn de suscripción
el alto se confirma 5,4x más que el bajo
Alto17,4%Medio8,5%Bajo3,2%
Churn por conducta
el alto se confirma 34,7x más que el bajo
Alto86,7%Medio19,1%Bajo2,5%

Solo entran predicciones cuyo horizonte ya transcurrió: la fecha de la clase para los modelos de booking, 30 días para churn de suscripción y 28 para churn por conducta. Una predicción reciente todavía no tiene resultado y no cuenta, ni a favor ni en contra.

Ver tabla de datos
ModeloBandaMarcadosSe confirmaron% confirmado
No-show (booking)Alto10.4661.93018,4%
No-show (booking)Medio31.5791.3414,2%
No-show (booking)Bajo35.8964031,1%
Cancelación (booking)Alto16.2397.08143,6%
Cancelación (booking)Medio35.9867.82121,7%
Cancelación (booking)Bajo25.7162.71510,6%
Churn de suscripciónAlto2.99552117,4%
Churn de suscripciónMedio4.4593778,5%
Churn de suscripciónBajo7.3772343,2%
Churn por conductaAlto2.9952.59786,7%
Churn por conductaMedio4.45985219,1%
Churn por conductaBajo7.3771842,5%

Evolución

Mes contra mes: ¿la base crece o se vacía, y por qué. Plan de mejora v3.0, Prioridad 1 — primeros 2 de 6 módulos.

Neto del último mes cerrado
23
2026-09-01 · altas menos bajas
MRR perdido (último mes cerrado)
15,0K
suma de mrr_churned_usd del mes
Balance de fuerzas mensual — altas vs bajas

La pregunta que las pestañas por área no contestan: ¿la base crece o se vacía? El neto (altas − bajas) es la lectura, no el volumen de cualquiera de las dos por separado.

AltasBajas
010020030040004-0106-0108-0110-0112-0102-0104-0106-0108-0109-01127104

Fuente: v2_marts.mart_revenue_retention. El mes en curso queda afuera a propósito (los marts no marcan qué meses están cerrados, y un mes abierto da churn artificialmente bajo). Las reactivaciones no entran en el neto: son 4-5 por mes reales, no una fuerza relevante en esta base.

Ver tabla de datos
MesAltasBajasNetoMRR perdido
2025-04-015260-8$11.700
2025-05-018461+23$10.819
2025-06-017975+4$13.625
2025-07-017778-1$14.012
2025-08-017179-8$14.171
2025-09-018966+23$11.184
2025-10-0114283+59$14.467
2025-11-0116088+72$14.592
2025-12-0118470+114$12.610
2026-01-019772+25$10.958
2026-02-017278-6$12.542
2026-03-019373+20$11.457
2026-04-017561+14$9.799
2026-05-0132975+254$11.682
2026-06-0110676+30$11.314
2026-07-017572+3$11.018
2026-08-01113110+3$17.820
2026-09-01127104+23$14.966
Plan × recurrencia — activos vs cancelados

La recurrencia es la señal más fuerte del relevamiento: en cada plan, el % de usuarios con recurrencia activa es varias veces más alto entre los que siguen activos que entre los que cancelaron.

Premium
% con recurrencia activa
Activo47%Cancelado4,6%
Starter
% con recurrencia activa
Activo28,5%Cancelado3,5%
Group
% con recurrencia activa
Activo0%Cancelado0,7%

recurring_booking_series.status='active' por usuario, cruzado contra el estado de su suscripción más reciente. Group no tiene ningún mecanismo de anclaje: 0% de recurrencia en ambos estados.

Ver tabla de datos
PlanEstadoUsuariosCon recurrencia% recurrencia
PremiumActivo28713547,0%
PremiumCancelado626294,6%
StarterActivo2848128,5%
StarterCancelado838293,5%
GroupActivo5800,0%
GroupCancelado14810,7%
Cancelación de suscripciones por plan, incluye trials (último mes cerrado)

Group es el plan con más cancelación de suscripciones — y es el mismo plan con menos recurrencia.

⚠ Esta NO es la tasa de churn de negocio. Sale de mart_revenue_retention, que cuenta cualquier canceled_at del mes — incluidos los que cancelan durante el trial sin haber pagado nunca (en agosto 2026, 50 de 111). Para el churn de clientes que pagaban, con las mismas reglas que el reporte diario de Chat, está la pestaña Negocio: ahí el mismo mes da 7,33% y el orden entre planes cambia. Los dos números son correctos en lo que dicen medir — este mide cancelación de suscripciones, no fuga de clientes.

Ver tabla de datos
PlanActivos al inicioCancelaciones% churnMRR perdido
Group502142,0%$1.569
Starter2655621,1%$7.004
Premium288279,4%$6.393
Tutores sin ninguna reserva en el mes
34
de 153 que publicaron algún slot (22,2%)
Slots desperdiciados
9.349
24,8% de todos los slots publicados en el mes
Oferta desperdiciada — tutores con más slots sin ninguna reserva

34 de 153 tutores publicaron disponibilidad el mes pasado y no recibieron ni una sola reserva.

Nancy Roxana Muñoz958Milagros Nieto870Carlos Yick748Gustavo Jalfon600Tutor WorldsAcross416Manuel Pop352Juan Carlos Ramirez352Annabelle Ruiz352Gabriela Alba352Juan Diego García336Daniela Ríos336Natalia Cifuentes252Jose Serrano233Adriana Ayala208Abril Leiva176

"Ofertado" incluye slots en cualquier estado (también blocked): mide capacidad puesta a disposición, no fill rate — esa pregunta ya la contesta O5. Cuentas internas (Testing User, Estefany Benitez) excluidas.

Ver tabla de datos
TutorSlots publicados sin ninguna reserva
Nancy Roxana Muñoz958
Milagros Nieto870
Carlos Yick748
Gustavo Jalfon600
Tutor WorldsAcross416
Manuel Pop352
Juan Carlos Ramirez352
Annabelle Ruiz352
Gabriela Alba352
Juan Diego García336
Daniela Ríos336
Natalia Cifuentes252
Jose Serrano233
Adriana Ayala208
Abril Leiva176

Amplitude

Comportamiento de producto. Ojo: esta fuente arrastra 10-18 h de desfase (ver REFRESH_Y_FRESCURA.md).

Pico de actividad (eventos/hora)
78,3K
-5.741 vs 2026-09-02
hora 11:00 ART
Plataforma dominante
81,9%
la de mayor volumen de eventos — A1 degradado a card
Pico de actividad
11:00 ART
78.279 eventos en 30 días
Valle
05:00 ART
8.996 eventos
Pico / valle
8,7x
cuánto se concentra el uso
A3 — Actividad por hora del día (ART)

Actividad general de uso de la app, distinta del fill rate de clases (O5) — sirve para dimensionar soporte e infraestructura, no oferta de tutores.

020.00040.00060.00080.00000h02h04h06h08h10h12h14h16h18h20h22h78.279

Promedia 30 días en ART (America/Argentina/Buenos_Aires).

Ver tabla de datos
Hora (ART)Eventos (30d)
00:0027.089
01:0021.073
02:0012.834
03:009.776
04:0010.048
05:008.996
06:0017.567
07:0028.094
08:0042.040
09:0065.123
10:0076.471
11:0078.279
12:0075.363
13:0071.915
14:0070.305
15:0073.689
16:0068.253
17:0063.804
18:0056.013
19:0058.898
20:0051.987
21:0048.537
22:0047.339
23:0037.573
A3 — Actividad por día de la semana

En orden calendario: la forma de la semana es parte del dato.

0100.000200.000300.000400.000LunMarMiéJueVieSábDom207.819
Ver tabla de datos
DíaEventos (30d)
Monday159.574
Tuesday166.693
Wednesday207.819
Thursday206.150
Friday163.193
Saturday107.119
Sunday110.517

A4 — Reserva 1:1: de entrar al flujo a enviar la reserva

Embudo del flujo nuevo (desde el 31-ago), el mismo que usa producto. Los eventos del flujo viejo dejaron de disparar con el lanzamiento de las apps.

Conversión de reserva 1:1
80,4%
440 de 547 usuarios, últimos 28 días
Vieron un error
28,0%
153 usuarios — detalle en A9
Cobertura de Amplitude vs DB
90,4%
442 de 489 estudiantes con reserva 1:1 real
A4 — Embudo de reserva 1:1

Por usuario, no por evento: un usuario que entra varias veces cuenta una.

Entró al flujo de reserva 1:1547 · 100%Envió la reserva (≤1 día)440 · 80,4%-19.6% vs anterior

Ver un error no es un paso del embudo: pasa en paralelo. Exited Booking Flow no se usa como abandono porque también dispara después de reservar (435 de 631 usuarios que lo disparan en 28 días ya habían enviado la reserva).

Ver tabla de datos
PasoUsuarios% de los que entraron
Entró al flujo 1:1 (Selected Booking Entry Option)547100%
Envió la reserva (Submitted Booking Class, ≤1 día)44080,4%
Vio un error de reserva 1:1 (Failed Booking Attempt)15328,0%
A4 — Conversión semanal
0%25%50%75%100%31 ago7 sep14 sep21 sep28 sep80,5%

Semana lunes a domingo (ART). La última barra es la semana en curso, todavía parcial.

Ver tabla de datos
SemanaEntraronEnviaronConversión
31 ago40632780,5%
7 sep37931282,3%
14 sep37630982,2%
21 sep36330283,2%
28 sep30324480,5%

A9 — Errores al reservar

Cuántos de los que intentan reservar se chocan con un error, y de qué tipo. Desde el 31-ago (flujo nuevo).

Vieron al menos un error
30,3%
186 de 614 usuarios que entraron a reservar, 28 días
Error del sistema
21,7%
133 usuarios con failure_reason = system_error
A9 — Por motivo

Usuarios distintos que vieron cada motivo (un usuario puede ver varios).

Error del sistema135El horario ya lo tomó otro42Sin clases disponibles en el plan18Se venció la sesión13Error de red9Se venció la reserva temporal del horario9No encontró tutores5Cupo reservado para recurring3El horario ya lo tomó otro1
Ver tabla de datos
MotivoUsuariosEventos
Error del sistema135546
El horario ya lo tomó otro4283
Sin clases disponibles en el plan1846
Se venció la sesión1321
Error de red918
Se venció la reserva temporal del horario930
No encontró tutores540
Cupo reservado para recurring313
El horario ya lo tomó otro11
A9 — Por flujo de reserva
Ver tabla de datos
FlujoUsuarios con errorCon error del sistemaEventos
Learning First9481442
Tutores conocidos (Favorites)8157208
Grupales4417105
Recurring13743
A9 — % con error, por semana
0%5%10%15%20%31 ago7 sep14 sep21 sep28 sep12,5%

Semana lunes a domingo (ART). La última es la semana en curso, todavía parcial.

Ver tabla de datos
SemanaEntraron a reservarCon al menos un error%Errores
31 ago4437416,7%180
7 sep4248319,6%304
14 sep4316013,9%172
21 sep4206315,0%156
28 sep3674612,5%107

A8 — Grupales: de mirar una tarjeta a reservar

Flujo nuevo, desde el 15-sep (antes no se distinguía la reserva grupal de la 1:1). El fill real de cada grupal está en Operaciones (GR1/GR2).

De tarjeta a reserva
68,2%
191 de 280 usuarios
Una vez que arrancan, confirman
97,0%
191 de 197
Terminan en lista de espera
13,7%
27 de 197 que arrancaron una reserva grupal
Cobertura de Amplitude vs DB
87,9%
189 de 215 estudiantes con reserva grupal real
A8 — Embudo de reserva grupal

Casi toda la caída está en el primer paso: mirar una tarjeta no es intención de reservar.

Tocó una tarjeta de grupal280 · 100%Arrancó la reserva197 · 70,4%-29.6% vs anteriorVio el modal de confirmación194 · 69,3%-1.5% vs anteriorConfirmó la reserva191 · 68,2%-1.5% vs anterior

La lista de espera no es un paso del embudo: es la salida cuando la grupal está llena. La cobertura cruza los usuarios que confirman en Amplitude contra los estudiantes con una reserva en una sesión grupal (GS o GC) en postgres.bookings, unidos por email.

Ver tabla de datos
PasoUsuarios% del paso anterior% de los que tocaron una tarjeta
Tocó una tarjeta de grupal280—100,0%
Arrancó la reserva19770,4%70,4%
Vio el modal de confirmación19498,5%69,3%
Confirmó la reserva19198,5%68,2%

A10 — Arrepentimiento en el flujo de cancelación

De cada clase para la que el alumno abrió la cancelación, cuántas terminó cancelando de verdad. La intención sale de Amplitude y el desenlace de la DB. El detalle de cuándo se cancela está en Operaciones (GR3).

Se quedaron con la clase
2,4%
60 de 2.511 clases con el flujo abierto, 28 días
Eligieron mantener
35
tocaron el botón de mantener (Selected Keep Class)
Cerraron sin cancelar
25
salieron del modal sin tocar ningún botón
A10 — Por anticipación

Cuánto antes de la clase abrieron el flujo de cancelación.

0%1%2%3%4%<12 h12-24 h1-3 d>3 d3,6%
Ver tabla de datos
Abrieron el flujoCancelaronEligieron mantenerCerraron sin cancelar% que se quedó con la clase
<12 h97193623123,6%
12-24 h350343432,0%
1-3 d504496351,6%
>3 d686676551,5%
A10 — Por tipo de clase

Bloqueos de cancelación (Blocked Class Cancellation): already_cancelled: 3 usuarios, too_late: 2 usuarios. Por qué el desenlace sale de la DB: en las versiones viejas de iOS y Android el evento de confirmación de cancelación no se dispara en ~la mitad de los casos, aunque la clase sí se cancela. Medirlo con Amplitude solo inflaría el arrepentimiento.

Ver tabla de datos
Abrieron el flujoCancelaronEligieron mantenerCerraron sin cancelar% que se quedó con la clase
1:11.6321.60814101,5%
Group Session67364118144,8%
Meet my coach7473011,4%
Group Class7067304,3%
Coaching6262000,0%
Conversión punta a punta
26,4%
3.102 de 11.764
Mayor caída
46,0%
al llegar a “Submitted Login”
A6 — Funnel de login/autenticación

Pasos secuenciales; cada uno es un subconjunto del anterior.

Clicked Login Button11.764 · 100%Clicked Login Input7.240 · 61,5%-38.5% vs anteriorSubmitted Login3.909 · 33,2%-46.0% vs anteriorLogin Successful3.102 · 26,4%-20.6% vs anterior
Ver tabla de datos
PasoEventosCaída vs. paso anterior
Clicked Login Button11.764—
Clicked Login Input7.24038,5%
Submitted Login3.90946,0%
Login Successful3.10220,6%

Outgoing

Correos salientes (Laravel mailer): volumen por miembro, tasa de falla y opt-out de email, con las salvedades de fuente bien visibles.

OE1 — Volumen de correos por miembro

Última semana (parcial) destacada en el gráfico.

Promedio diario por miembro
1,2 correos
últimas 4 semanas completas (lun-dom, ART)
Promedio semanal por miembro
8,3 correos
últimas 4 semanas completas (lun-dom, ART)
OE1 — Correos promedio por miembro, por semana
0510152027 jul3 ago10 ago17 ago24 ago31 ago7 sep14 sep21 sep28 sep7,7

Semana lunes a domingo (ART). La última barra es la semana en curso, todavía parcial.

Ver tabla de datos
SemanaCorreosMiembros alcanzadosPromedio/miembro
27 jul2.7793927,09
3 ago7.26957312,69
10 ago7.27347815,22
17 ago6.70056111,94
24 ago7.25059412,21
31 ago6.89161911,13
7 sep6.77854712,39
14 sep6.70855112,17
21 sep6.89563810,81
28 sep4.4925857,68

OE2 — Tasa de falla de envío

Última semana (parcial) destacada en el gráfico.

Tasa de falla de envío
0,23%
últimas 4 semanas completas (lun-dom, ART)
OE2 — Tasa de falla, por semana
0%0%0%1%1%27 jul3 ago10 ago17 ago24 ago31 ago7 sep14 sep21 sep28 sep0,0%

Semana lunes a domingo (ART). La última barra es la semana en curso, todavía parcial. Solo existen dos status en la fuente: sent y failed.

Ver tabla de datos
SemanaCorreosFallidosTasa de falla
27 jul2.77900,0%
3 ago7.26910,0%
10 ago7.27320,0%
17 ago6.700560,8%
24 ago7.250220,3%
31 ago6.891380,6%
7 sep6.77810,0%
14 sep6.70810,0%
21 sep6.895220,3%
28 sep4.49210,0%

OE4 — Falla por tipo de correo

Dónde se concentra la falla que el promedio de OE2 diluye.

Tipo con más falla
2,21%
Notifications · TemplatedNotificationMail · 36 de 1.632
Tasa general (referencia)
0,23%
misma ventana que OE2
OE4 — Tasa de falla por tipo, últimas 4 semanas completas

Notifications · TemplatedNotificationMail falla 9,6× la tasa general — error dominante: Expected response code "250" but got code "450", with message "450 4.7.1 Err.

Notifications · TemplatedNotificationMail2,2%PayrollReceiptReadyMail0,9%Booking · StudentBookingMail0,2%Booking · StudentCancellationMail0,0%Booking · StudentReminderMail0%Booking · StudentNotJoinedMail0%Feedback · GroupSessionFeedbackMail0%Auth · PasswordResetMail0%

Semanas lunes a domingo (ART), sin la semana en curso. En el gráfico solo entran los tipos con al menos 50 correos; la tabla trae todos.

Ver tabla de datos
Tipo de correoCorreosFallidosTasa de fallaError principal
Notifications · TemplatedNotificationMail1.632362,21%Expected response code "250" but got code "450", with message "450 4.7.1 Err
PayrollReceiptReadyMail10610,94%No transport confirmation within 15 minutes
Booking · StudentBookingMail12.063240,20%Expected response code "250" but got code "450", with message "450 4.7.1 Err
Booking · StudentCancellationMail2.76710,04%Expected response code "250" but got code "450", with message "450 4.7.1 Err
Booking · StudentReminderMail8.98200,00%—
Booking · StudentNotJoinedMail86000,00%—
Feedback · GroupSessionFeedbackMail72700,00%—
Auth · PasswordResetMail9400,00%—
(sin tipo)2200,00%—
Reagendador · GroupSessionHostNoShowMail900,00%—
Journal · WAStoryRecommendationMail700,00%—
Billing · ProrationReviewMail200,00%—
Booking · ObserverBookingMail100,00%—

OE3 — Opt-in / opt-out de correo

Sin universo confiable de opt-in — ver salvedades.

Opt-out explícito de email
85
notification_preferences, channel='email', enabled=false
Removido este mes (proxy)
7
enabled=false con updated_at en el mes en curso

No existe una fuente limpia de "todos los opt-in". user_settings.email_notifications solo tiene fila para una fracción chica de los usuarios de la plataforma y, de esos, el 100% está en true — no sirve como universo y no se usa en este panel. La fuente más confiable hoy es notification_preferences (channel='email', enabled=false): la ausencia de fila ahí significa opt-in por default, así que lo de arriba es solo el opt-out EXPLÍCITO, nunca un porcentaje del total de usuarios. Tampoco hay un log real de eventos de opt-out — "removido este mes" es un proxy (enabled=false AND updated_at en el mes), no un número de churn de mailing.