Kohortanalyse: Hvordan du forstår, hvorfor kunder bliver eller forlader
Kohortanalyse afslører de fastholdelsesmønstre, der gemmer sig bag dine samlede tal. Sådan læser du en, bygger en og handler på det, du finder.
Din samlede fastholdelsesrate er 78 %. Er det godt? Det afhænger fuldstændig af, hvilke kunder der bliver, og hvilke der forlader — og det er præcis, hvad dit samlede fastholdelsestal ikke kan fortælle dig. Et virksomhed med 78 % fastholdelse kan med succes bevare sine mest værdifulde kunder, mens den mister de nyeste, eller den holder fast i en ældre kundebase, mens nyere kohorter churner hurtigt. Det samlede tal skjuler begge historier. Kohortanalyse afslører dem.
En kohort er simpelthen en gruppe kunder, der startede på samme tidspunkt — tilmeldte sig i samme måned, foretog deres første køb i samme kvartal, eller opgraderede i samme uge. Ved at spore hver kohort separat over tid kan du se, hvordan fastholdelsesmønstre ændrer sig på tværs af forskellige perioder i din virksomheds historie. Resultatet er et af de mest kraftfulde diagnostiske værktøjer, der er tilgængelige for et produkt- eller forretningsteam.
Sådan læser du en kohortfastholdelsestabel
En standard kohortfastholdelsestabel har anskaffelseskohorter, der løber ned ad rækkerne (januar, februar, marts...), og måneder siden anskaffelse, der løber på tværs af kolonnerne (Måned 0, Måned 1, Måned 2...). Måned 0 er altid 100 % — det er udgangspunktet. Tallene på tværs af hver række viser, hvilken procentdel af den kohort der stadig var aktiv i hver efterfølgende måned.
| Kohort | 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% | — | — | — | — | — |
Denne tabel fortæller en klar historie: fastholdelsen er forbedret markant hver måned. Januarkohortet fastholdt kun 34 % ved Måned 6, mens nyere kohorter holder sig på 69–84 % gennem deres første to måneder. Noget ændrede sig — sandsynligvis en produktforbedring, et bedre onboardingflow eller en ændring i anskaffelseskanalen, der tiltrak bedre passende kunder. Det samlede fastholdelsestal ville have skjult dette fuldstændigt.
De tre mønstre at kigge efter
Når du har en kohorttabel, leder du efter tre specifikke mønstre. Hvert af dem peger på et andet problem og kræver en anden løsning.
Et stejlt tidligt fald: Hvis fastholdelse fra Måned 0 til Måned 1 konsekvent er under 50 %, har du et onboardingproblem. Kunder tilmelder sig og finder ikke nok værdi hurtigt nok til at blive. Dette er det mest almindelige mønster i tidlig SaaS og det mest behandlingsegnede — bedre onboarding, hurtigere tid til værdiskabelse og mere proaktivt tidligt engagement hjælper alle.
Konsekvent fald på tværs af alle kohorter: Hvis fastholdelsen fortsætter med at falde i samme tempo måned efter måned på tværs af alle kohorter, har du et produktværdiproblem. Kunder prøver produktet, nogle bliver til at starte med, men der er ikke nok løbende værdi til at holde dem engagerede. Ingen mængde forbedringer af onboarding vil løse dette — produktet i sig selv skal levere 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, har tendens til at blive. Målet er at maksimere antallet af kunder, der når det vendepunkt. Hvis din kurve aldrig flader ud — hvis fastholdelsen fortsætter med at falde i samme tempo ved Måned 6 som ved Måned 1 — har du ikke en stabil fastholdt base, og LTV-beregninger bygget på den kohort vil være vildledende.
Det vigtigste tal i en kohorttabel er ikke procentdelen ved Måned 6 — det er hældningen mellem Måned 0 og Måned 2. Det er der, de fleste kunder tabes, og hvor de fleste interventioner har størst løftestang.
Segmentering af kohorter: hvor den virkelige indsigt befinder sig
Kohortanalyse bliver virkelig kraftfuld, når du segmenterer kohorter efter anskaffelseskanal, prisniveau, kundestørrelse eller geografi. En kohorttabel, der viser samlet fastholdelse på 60 % efter tre måneder, kan afsløre, at kunder fra organisk søgning fastholdes ved 75 %, mens kunder fra betalt sociale medier fastholdes ved 40 %. Den ene indsigt omformer hele samtalen om marketingallokering.
Den mest værdifulde første segmentering er næsten altid efter anskaffelseskanal. Kunder, der finder dig via henvisninger, indhold eller organisk søgning, fastholdes typisk ved markant højere rater end dem, der er erhvervet via brede betalte kampagner. Hvis dine kohortdata viser dette mønster — og det gør de normalt — er det et stærkt argument for at investere i indhold og henvisninger, selv når betalt anskaffelse ser billigere ud på en omkostning-per-anskaffelse-basis. CAC ser billigt ud, indtil du bygger fastholdelse ind i modellen.
Hvad du skal gøre med en faldende kohorttabel
Hvis dine nyeste kohorter fastholdes dårligere end ældre, er det et presserende signal. Det betyder, at noget ved dit produkt, din anskaffelse eller din onboarding forværredes — og det forværredes for nylig. Tjek, hvad der ændrede sig. Åbnede du en ny anskaffelseskanal, der tiltrak mindre kvalificerede kunder? Lancerede du en funktion, der forstyrrede et eksisterende workflow? Ændrede du prissætningen på en måde, der tiltrak kunder, der ikke passede godt?
Forbedring af kohortfastholdelse er næsten altid et produkt- og onboardingproblem, før det er et marketingproblem. Sekvensen af interventioner, der har tendens til at virke: identificer først de handlinger, som fastholdte kunder foretager i deres første to uger, som churnede kunder ikke gør. Redesign derefter onboarding for at drive disse handlinger tidligere. Brug derefter tidlig adfærd som et signal til at identificere kunder i risikozone og grib ind, inden de churner, ikke efter.
Kohorter med lang levetid ser gode ud, fordi de kunder, der blev, per definition er dine mest tilfredse og bedst egnede kunder. Når du ser på fastholdelsen ved Måned 24 for en to år gammel kohort, ser du en population, der allerede er kraftigt filtreret af churn. Brug ikke adfærden hos langvarige kunder som model for, hvad nye kunder vil gøre — de er et udvalgt stikprøve, ikke et repræsentativt et.
Kohortanalyse er mest nyttigt, når det gennemgås konsekvent frem for at køres én gang og glemmes. I FabricLoop opretholder produkt- og vækstteams ofte en månedlig note i deres delte gruppe med et opdateret kohortøjebliksbillede — tabellen opdateret med de seneste data, et afsnits fortolkning af, hvad der bevægede sig og hvorfor, og en opgaveliste over interventioner, der testes mod kohorteme i risikozone. Når analysen lever side om side med de opgaver, der reagerer på den, mindskes kløften mellem indsigt og handling væsentligt.