Kohorteanalyse: Sådan forstår du, hvorfor kunder bliver, eller forsvinder
Kohorteanalyse afslører de fastholdelsesmønstre, der skjuler sig i dine samlede tal. Her er, hvordan du læser en, bygger en og handler på det, du finder.
Din samlede fastholdelsesrate er 78 %. Er det godt? Det afhænger helt af, hvilke kunder der bliver, og hvilke der forsvinder – og netop det kan det samlede tal ikke fortælle dig. En virksomhed med 78 % fastholdelse kan sagtens være god til at holde på sine mest værdifulde kunder, mens den taber de nyeste, eller den kan sidde på en gammel kundebase, mens de seneste kohorter hurtigt falder fra. Det samlede tal skjuler begge historier. Kohorteanalyse afslører dem.
En kohorte er blot en gruppe kunder, der startede på samme tidspunkt – tilmeldte sig i samme måned, købte første gang i samme kvartal eller opgraderede i samme uge. Når du følger hver kohorte for sig over tid, kan du se, hvordan fastholdelsesmønstrene ændrer sig gennem virksomhedens historie. Resultatet er et af de stærkeste diagnoseværktøjer, et produkt- eller forretningsteam kan få.
Sådan læser du en kohortetabel for fastholdelse
En almindelig kohortetabel for fastholdelse har tilgangskohorterne nedad i rækkerne (januar, februar, marts …) og antal måneder siden tilgang henad kolonnerne (måned 0, måned 1, måned 2 …). Måned 0 er altid 100 % – det er udgangspunktet. Tallene henad hver række viser, hvor stor en andel af kohorten der stadig var aktiv i hver efterfølgende måned.
| Kohorte | Måned 0 | Måned 1 | Måned 2 | Måned 3 | Måned 4 | Måned 5 | Måned 6 |
|---|---|---|---|---|---|---|---|
| Januar | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| Februar | 100% | 71% | 55% | 43% | 41% | 39% | — |
| Marts | 100% | 76% | 62% | 51% | 49% | — | — |
| April | 100% | 79% | 65% | 61% | — | — | — |
| Maj | 100% | 82% | 69% | — | — | — | — |
| Juni | 100% | 84% | — | — | — | — | — |
Tabellen fortæller en tydelig historie: Fastholdelsen er blevet markant bedre fra måned til måned. Januar-kohorten fastholdt kun 34 % i måned 6, mens de nyere kohorter ligger på 69–84 % de første to måneder. Noget har ændret sig – formentlig en produktforbedring, en bedre onboarding eller en ny kanal, der har bragt mere velegnede kunder ind. Det samlede fastholdelsestal ville have skjult det helt.
De tre mønstre, du skal lede efter
Når du har en kohortetabel, leder du efter tre bestemte mønstre. Hvert af dem peger på et forskelligt problem og kræver en forskellig løsning.
Et stejlt fald tidligt: Hvis fastholdelsen fra måned 0 til måned 1 konsekvent ligger under 50 %, har du et onboarding-problem. Kunderne tilmelder sig, men finder ikke værdi hurtigt nok til at blive. Det er det hyppigste mønster i SaaS-virksomheder i en tidlig fase og samtidig det nemmeste at gøre noget ved – bedre onboarding, hurtigere time-to-value og mere proaktiv kontakt tidligt i forløbet hjælper alt sammen.
Jævnt fald på tværs af alle kohorter: Hvis fastholdelsen falder i samme tempo måned efter måned i alle kohorter, har du et problem med produktets værdi. Kunderne prøver produktet, nogle bliver i starten, men der er ikke værdi nok på længere sigt til at holde dem engagerede. Ingen forbedring af onboardingen løser det – selve produktet skal give flere grunde til at vende tilbage.
En »smilekurve«, der flader ud: De bedste fastholdelseskurver flader ud efter et indledende fald. Kunder, der overlever de første to eller tre måneder, bliver typisk. Målet er at få så mange kunder som muligt frem til dette vendepunkt. Hvis kurven aldrig flader ud – hvis fastholdelsen falder lige så hurtigt i måned 6 som i måned 1 – har du ikke en stabil kundebase, og LTV-beregninger bygget på den kohorte vil være vildledende.
Det vigtigste tal i en kohortetabel er ikke procenten i måned 6, men hældningen mellem måned 0 og måned 2. Det er dér, de fleste kunder går tabt, og dér har indsatsen størst effekt.
Opdel kohorterne: Dér ligger den egentlige indsigt
Kohorteanalyse bliver for alvor stærk, når du opdeler kohorterne efter tilgangskanal, prisniveau, kundestørrelse eller geografi. En kohortetabel, der viser 60 % samlet fastholdelse efter tre måneder, kan afsløre, at kunder fra organisk søgning har 75 % fastholdelse, mens kunder fra betalte sociale medier ligger på 40 %. Den ene indsigt ændrer hele samtalen om fordelingen af marketingbudgettet.
Den mest værdifulde første opdeling er næsten altid efter tilgangskanal. Kunder, der finder dig via anbefalinger, indhold eller organisk søgning, har typisk en mærkbart højere fastholdelse end dem, der kommer via brede betalte kampagner. Viser dine kohortedata dette mønster – og det gør de som regel – er det et stærkt argument for at investere i indhold og anbefalingsprogrammer, selv når betalt tilgang ser billigere ud målt i omkostning pr. kunde. CAC ser billig ud, indtil du regner fastholdelse med i modellen.
Hvad du gør ved en kohortetabel, der peger nedad
Hvis dine nyeste kohorter fastholdes dårligere end de ældre, er det et akut signal. Det betyder, at noget ved produktet, tilgangen eller onboardingen er blevet værre – og at det skete for nylig. Find ud af, hvad der har ændret sig. Åbnede du en ny kanal, der bringer mindre kvalificerede kunder? Lancerede du en funktion, der forstyrrede en eksisterende arbejdsgang? Ændrede du priserne på en måde, der tiltrak kunder, som ikke passede til din virksomhed?
Bedre fastholdelse i kohorterne er næsten altid et produkt- og onboarding-problem, før det er et marketingproblem. Den rækkefølge, der plejer at virke: Først identificerer du de handlinger, som kunder, der bliver, foretager i de første to uger, og som kunder, der falder fra, ikke foretager. Dernæst gentænker du onboardingen, så disse handlinger sker tidligere. Til sidst bruger du tidlig adfærd som signal til at finde kunder i risikozonen og gribe ind, før de forsvinder – ikke bagefter.
Kohorter med lang kundetid ser fantastiske ud, fordi de kunder, der blev, per definition er dine mest tilfredse og bedst egnede. Når du ser på fastholdelsen efter 24 måneder i en to år gammel kohorte, ser du en population, der allerede er kraftigt filtreret af frafald. Brug ikke adfærden hos langvarige kunder som model for, hvad nye kunder vil gøre – de er et udvalgt udsnit, ikke et repræsentativt.
Kohorteanalyse er mest nyttig, når den gennemgås løbende i stedet for at blive kørt én gang og glemt. I FabricLoop har produkt- og vækstteams ofte en månedlig note i deres fælles gruppe med et opdateret kohortebillede – tabellen opdateret med de nyeste data, et afsnit med en tolkning af, hvad der har rykket sig, og hvorfor, og en opgaveliste over de tiltag, der testes på risikokohorterne. Når analysen ligger side om side med de opgaver, der svarer på den, bliver afstanden mellem indsigt og handling markant kortere.