Was ist eine Kohorte?

Eine Kohorte ist eine Gruppe von Kunden, die ein gemeinsames Ausgangsmerkmal teilen — meistens der Monat ihres ersten Kaufs — und über die Zeit gemeinsam verfolgt werden, wobei die 'Uhr' jedes Kunden mit dem eigenen ersten Kauf beginnt und nicht mit einem Kalenderdatum. Diese Neuzuordnung nach Alter macht Gruppen, die zu unterschiedlichen Zeiten gewonnen wurden, vergleichbar.

Was ist Kohortenanalyse?

Die Kohortenanalyse gruppiert Kunden danach, wann sie gewonnen wurden, und verfolgt jede Gruppe über die Zeit, damit Sie sehen können, ob sich das Verhalten oder die Zusammensetzung der Kunden geändert hat. Eine gemischte Metrik ändert sich aus beiden Gründen und kann sie nicht unterscheiden, weshalb eine flache Gesamtretention zwei große entgegengesetzte Trends verbergen kann.

Warum nach Akquisitionsmonat kohortieren?

Weil der erste Kauf das einzige Ereignis ist, das jeder Kunde genau einmal hat, wird er zuverlässig erfasst und ändert sich nie rückwirkend. Das Kohortieren nach einem wiederholbaren Ereignis wie dem ersten Abonnement macht die Zugehörigkeit mehrdeutig, da ein Kunde kündigen und erneut beginnen kann, und das schreibt stillschweigend jede darauf basierende historische Grafik um.

Wie vergleicht man zwei Kohorten fair?

Vergleichen Sie sie im gleichen Alter, nicht am gleichen Kalenderdatum. Eine vor vier Monaten akquirierte Kohorte hat vier Monate Historie und eine im letzten Monat akquirierte hat einen Monat, daher begünstigt jede kumulative Zahl die ältere Kohorte per Definition. Lesen Sie eine Spalte der Kohortentabelle nach unten — Monat 1 gegen Monat 1 — anstatt über die Zeilen.

Was ist der Überlebensfehler (Survivorship Bias) in der Kohortenanalyse?

Er tritt auf, wenn der Nenner einer Retentionskurve aktive Kunden sind, anstatt der ursprünglichen Kohortengröße. Auf diese Weise gemessen, steigt die Rate, wenn die am wenigsten engagierten Kunden aus der Berechnung herausfallen, und eine sich verschlechternde Kohorte kann wie eine sich verbessernde aussehen. Der Nenner muss während des gesamten Zeitraums auf der ursprünglichen Kohortengröße fixiert bleiben.

Wie groß muss eine Kohorte sein?

Groß genug, damit gewöhnliche Variation das Signal nicht überdeckt. Eine Kohorte von 40 Kunden mit einer Wiederholungsrate von 20% sind acht Personen, sodass zwei Kunden mehr oder weniger sie zwischen 15% und 25% schwanken lassen. Vergrößern Sie die Granularität auf Quartalskohorten, anstatt die Grafik zu glätten, und zeigen Sie die Kohortengröße immer neben dem Prozentsatz an.

Messung

Kohorte

Eine Kohorte ist eine Gruppe von Kunden, die ein gemeinsames Startmerkmal teilen – meistens den Zeitraum, in dem sie ihren ersten Kauf getätigt haben – und dann gemeinsam über die Zeit verfolgt werden.

Die Kohortenanalyse trennt eine Veränderung im Geschäft von einer Veränderung in der Zusammensetzung. Eine gemischte Kennzahl ändert sich, wenn neue Kunden sich anders verhalten, wenn alte Kunden sich anders verhalten oder wenn sich ihre Anteile verschieben, und sie kann Ihnen nicht sagen, welche Ursache vorliegt.

Teilen Sie Kohorten nach Akquisitionskanal sowie nach Datum auf. Kunden, die mit einem hohen Erstbestellungsrabatt gewonnen wurden, binden sich anders, und sie mit organisch gewonnenen Kunden zu vermischen, macht beide Kurven unleserlich.

Die klassische Fehldiagnose, die sie verhindert: Die Gesamtkundenbindung sieht flach aus, sodass das Produktteam schließt, dass sich nichts geändert hat. Die Kohortenanalyse zeigt, dass jede neue Kohorte tatsächlich besser bindet, während sich die Zusammensetzung hin zu einem günstigeren Akquisitionskanal verschoben hat, der schlechter bindet – zwei große entgegengesetzte Bewegungen, die sich zu einer geraden Linie mitteln. Auf die flache Zahl zu reagieren bedeutet, ein Produkt zu reparieren, das sich verbessert, und einen Kanal zu skalieren, der sich nicht verbessert.

Was eine Kohorte definiert und warum der Akquisitionsmonat der Standard ist

Eine Kohorte benötigt zwei Dinge: ein gemeinsames Startereignis und eine Uhr, die bei diesem Ereignis beginnt. Letzteres ist der Teil, den die Leute überspringen und der die ganze Arbeit leistet. Sobald die Zeitachse jedes Kunden neu indiziert ist, sodass Monat 0 ihr eigener erster Monat und nicht ein Kalendermonat ist, werden Kunden, die im Januar und im Juli gewonnen wurden, im gleichen Alter direkt vergleichbar. Ohne diese Neuindizierung haben Sie einen Filter, keine Kohorte.

Der Akquisitionsmonat ist aus einem einfachen Grund das standardmäßige Startereignis: Es ist das eine Ereignis, das jeder Kunde genau einmal hat, es ändert sich nie rückwirkend und es wird zuverlässig erfasst. Vergleichen Sie das mit der Kohortenbildung nach „erster Abonnement“ – ein Kunde kann abonnieren, kündigen und erneut abonnieren, sodass das Startereignis mehrdeutig ist und die Kohortenzugehörigkeit nachträglich verschoben werden kann, was die Historie in jeder darauf basierenden Grafik stillschweigend umschreibt.

Das Akquisitionsdatum ist nicht die einzige nützliche Achse, nur die sicherste, von der man ausgehen kann. Verhaltensbezogene Kohorten – erstes gekauftes Produkt, Akquisitionskanal, voller Preis versus Erstbestellungsrabatt, Gerät, Land – sind häufig aussagekräftiger, und sie lassen sich kombinieren: Die März-Kohorte, die über bezahlte soziale Medien mit 20% Rabatt gewonnen wurde, ist eine legitime Kohorte und oft diejenige, die ein Bindungsproblem erklärt. Die Regel, die all diese Aufteilungen überdauert, ist, dass der Zeitindex das Alter sein muss, nicht das Kalenderdatum.

Monatlich ist die Standardgranularität für den E-Commerce, da die meisten Wiederholungszyklen in Wochen bis Monaten gemessen werden. Wöchentliche Kohorten für ein Geschäft, das ein paar hundert Bestellungen pro Monat abwickelt, sind meistens Rauschen; vierteljährliche Kohorten für ein Geschäft, das Zehntausende abwickelt, verbergen zu viel. Wählen Sie die Granularität, die Ihnen Kohorten liefert, die groß genug sind, um sie zu lesen, und belassen Sie es dann dabei.

Ein Kohortendreieck lesen

Die Standardausgabe ist ein Dreieck: eine Zeile pro Kohorte, eine Spalte pro Lebensmonat und zunehmend weniger Zellen, je weiter man zu Kohorten nach unten geht, die noch nicht lange genug existieren, um sie zu füllen. Die Form ist kein Mangel. Es ist die ehrliche Darstellung der Tatsache, dass neuere Kohorten weniger Historie haben, und jede Grafik, die dies verbirgt, mittelt über Daten, die nicht existieren.

Es gibt drei Möglichkeiten, es zu lesen, und sie beantworten drei verschiedene Fragen. Quer über eine Zeile ist die Alterung einer Kohorte zu sehen: wie eine einzelne Kundengruppe abnimmt. Eine Spalte hinunter ist der Vergleich, der für Entscheidungen tatsächlich wichtig ist – sind neuere Kohorten im gleichen Alter besser als ältere? Entlang der Diagonale ist ein Kalendermonat zu sehen, der von jeder Kohorte gleichzeitig erlebt wurde, wo Website-Ausfälle, Lagerengpässe und Werbeaktionen als Streifen erscheinen, der Kohorten jeden Alters durchschneidet.

Akquisitionskohorte	Kunden	Monat 1	Monat 2	Monat 3	Monat 4
Januar	1,200	22%	15%	12%	10%
Februar	1,350	23%	16%	13%	—
März	1,900	25%	17%	—	—
April	2,400	26%	—	—	—

Beispiel Kohortendreieck: Wiederkaufsrate nach Monaten seit der ersten Bestellung

Die Fehler, die eine Kohortengrafik lügen lassen

Lesen Sie die Spalte Monat 1 in diesem Beispiel: 22%, 23%, 25%, 26%. Neuere Kohorten wiederholen früher Käufe, was eine echte Verbesserung ist. Beachten Sie nun, dass die Kohorten auch wachsen – von 1,200 auf 2,400 – sodass die gemischte Wiederkaufsrate über alle Kunden hinweg zum Verhalten der neuesten und größten Gruppe gezogen wird und sich je nach Alterung der älteren Kohorten in fast jede Richtung bewegen könnte. Die Kohortenansicht und die gemischte Ansicht können in entgegengesetzte Richtungen zeigen, ohne dass eine davon falsch ist.

Kohorten unterschiedlichen Alters vergleichen. April hatte einen Monat und Januar hatte vier, daher begünstigt jede kumulative Messung den Januar konstruktionsbedingt. Vergleichen Sie immer im gleichen Alter – Monat 1 gegen Monat 1 – und ordnen Sie Kohorten niemals nach einem Lifetime-to-date-Wert.
Überleben im Nenner. Eine Bindungskurve, die über „noch aktive Kunden“ berechnet wird, misst Überlebende, nicht die Kohorte. Der Nenner muss über die gesamte Lebensdauer der Kurve die ursprüngliche Kohortengröße bleiben, sonst steigt die Zahl, wenn die am wenigsten engagierten Kunden aus der Berechnung herausfallen.
Rechtszensierung am unteren Ende. Die neuesten Kohorten haben unvollständige Zeilen. Sie in eine Zusammenfassung einzubeziehen, zieht diese nach unten; sie vollständig auszuschließen, verzerrt sie nach oben, indem die jüngsten Beweise entfernt werden. Zeigen Sie das Dreieck und lassen Sie die Lücken sichtbar.
Kohortenbildung bei einem wiederholbaren Ereignis. Erstes Abonnement, erste App-Installation, erster Login – jedes davon kann zweimal vorkommen, was die Kohortenzugehörigkeit veränderbar und jede historische Grafik instabil macht.
Kalendereffekte, die in unterschiedlichem Alter auftreten. Black Friday ist Monat 1 für die Oktober-Kohorte und Monat 11 für die des vorherigen Dezembers, sodass ein saisonaler Höhepunkt an einer anderen Position auf jeder Kurve erscheint. Das Mitteln der Kurven verschmiert ein reales Ereignis über die gesamte horizontale Achse.
Die Kohortendefinition ändern, ohne die Historie neu zu formulieren. Eine Kohortentabelle, in der „neuer Kunde“ vor Juni etwas anderes bedeutete, sind zwei auf einer Achse gezeichnete Diagramme.

Wenn die Zahlen zu klein sind, um darauf zu reagieren

Die Kohortenanalyse scheitert stillschweigend bei kleinen Datenmengen, weil ein Prozentsatz einer kleinen Zahl in großen Schritten schwankt. Eine Kohorte von 40 Kunden mit einer 20%igen Wiederkaufsrate im Monat 1 sind 8 Personen; zwei Kunden mehr oder weniger sind 15% oder 25%, und eine verzögerte Lieferung kann dies verursachen. Eine Grafik solcher Kohorten sieht aus wie ein Geschäft mit extrem volatiler Kundenbindung, und es ist in Wirklichkeit ein Geschäft mit 40-Kunden-Kohorten.

Die praktische Antwort ist, die Granularität zu erweitern, anstatt die Grafik zu glätten – vierteljährliche Kohorten von 500 sind lesbar, wo monatliche Kohorten von 160 es nicht sind – und die Kohortengröße in eine Spalte neben die Raten zu setzen, damit niemand einen Prozentsatz liest, ohne zu wissen, wovon er ein Prozentsatz ist. Das obige Beispiel-Dreieck tut dies absichtlich.

Handeln Sie dann nach dem Spaltenvergleich und nicht nach der Zeile. Die Zeile sagt Ihnen, dass Kunden abnehmen, was sie immer tun. Die Spalte sagt Ihnen, ob die Kohorten, die Sie in diesem Quartal gewinnen, im gleichen Alter besser sind als die, die Sie im letzten Quartal gewonnen haben, und das ist die einzige Frage in der Grafik, an der jemand etwas ändern kann.

Häufige Fragen

Was ist eine Kohorte?: Eine Kohorte ist eine Gruppe von Kunden, die ein gemeinsames Ausgangsmerkmal teilen — meistens der Monat ihres ersten Kaufs — und über die Zeit gemeinsam verfolgt werden, wobei die 'Uhr' jedes Kunden mit dem eigenen ersten Kauf beginnt und nicht mit einem Kalenderdatum. Diese Neuzuordnung nach Alter macht Gruppen, die zu unterschiedlichen Zeiten gewonnen wurden, vergleichbar.
Was ist Kohortenanalyse?: Die Kohortenanalyse gruppiert Kunden danach, wann sie gewonnen wurden, und verfolgt jede Gruppe über die Zeit, damit Sie sehen können, ob sich das Verhalten oder die Zusammensetzung der Kunden geändert hat. Eine gemischte Metrik ändert sich aus beiden Gründen und kann sie nicht unterscheiden, weshalb eine flache Gesamtretention zwei große entgegengesetzte Trends verbergen kann.
Warum nach Akquisitionsmonat kohortieren?: Weil der erste Kauf das einzige Ereignis ist, das jeder Kunde genau einmal hat, wird er zuverlässig erfasst und ändert sich nie rückwirkend. Das Kohortieren nach einem wiederholbaren Ereignis wie dem ersten Abonnement macht die Zugehörigkeit mehrdeutig, da ein Kunde kündigen und erneut beginnen kann, und das schreibt stillschweigend jede darauf basierende historische Grafik um.
Wie vergleicht man zwei Kohorten fair?: Vergleichen Sie sie im gleichen Alter, nicht am gleichen Kalenderdatum. Eine vor vier Monaten akquirierte Kohorte hat vier Monate Historie und eine im letzten Monat akquirierte hat einen Monat, daher begünstigt jede kumulative Zahl die ältere Kohorte per Definition. Lesen Sie eine Spalte der Kohortentabelle nach unten — Monat 1 gegen Monat 1 — anstatt über die Zeilen.
Was ist der Überlebensfehler (Survivorship Bias) in der Kohortenanalyse?: Er tritt auf, wenn der Nenner einer Retentionskurve aktive Kunden sind, anstatt der ursprünglichen Kohortengröße. Auf diese Weise gemessen, steigt die Rate, wenn die am wenigsten engagierten Kunden aus der Berechnung herausfallen, und eine sich verschlechternde Kohorte kann wie eine sich verbessernde aussehen. Der Nenner muss während des gesamten Zeitraums auf der ursprünglichen Kohortengröße fixiert bleiben.
Wie groß muss eine Kohorte sein?: Groß genug, damit gewöhnliche Variation das Signal nicht überdeckt. Eine Kohorte von 40 Kunden mit einer Wiederholungsrate von 20% sind acht Personen, sodass zwei Kunden mehr oder weniger sie zwischen 15% und 25% schwanken lassen. Vergrößern Sie die Granularität auf Quartalskohorten, anstatt die Grafik zu glätten, und zeigen Sie die Kohortengröße immer neben dem Prozentsatz an.