Kohortanalyse: slik forstår du hvorfor kunder blir eller går
Kohortanalyse avdekker retensjonsmønstrene som skjuler seg i de samlede tallene dine. Slik leser du en, bygger en og handler på det du finner.
Den samlede retensjonsraten din er 78 %. Er det bra? Det kommer helt an på hvilke kunder som blir og hvilke som går – og akkurat det kan ikke det samlede tallet fortelle deg. Et selskap med 78 % retensjon kan like gjerne beholde de mest verdifulle kundene og miste de nyeste i rekordfart, eller sitte på en gammel kundebase mens de siste kohortene forsvinner raskt. Det samlede tallet skjuler begge historiene. Kohortanalyse avslører dem.
En kohort er rett og slett en gruppe kunder som startet samtidig – registrerte seg samme måned, gjorde sitt første kjøp samme kvartal eller oppgraderte i samme uke. Ved å følge hver kohort for seg over tid ser du hvordan retensjonsmønstrene endrer seg gjennom ulike perioder av selskapets historie. Resultatet er et av de kraftigste diagnoseverktøyene et produkt- eller forretningsteam har.
Slik leser du en kohorttabell for retensjon
En vanlig kohorttabell for retensjon har anskaffelseskohortene nedover radene (januar, februar, mars …) og antall måneder siden anskaffelse bortover kolonnene (måned 0, måned 1, måned 2 …). Måned 0 er alltid 100 % – det er startpunktet. Tallene bortover hver rad viser hvor stor andel av kohorten som fortsatt var aktiv i hver påfølgende 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 % | — |
| Mars | 100 % | 76 % | 62 % | 51 % | 49 % | — | — |
| April | 100 % | 79 % | 65 % | 61 % | — | — | — |
| Mai | 100 % | 82 % | 69 % | — | — | — | — |
| Juni | 100 % | 84 % | — | — | — | — | — |
Tabellen forteller en tydelig historie: retensjonen har bedret seg markant for hver måned. Januar-kohorten beholdt bare 34 % ved måned 6, mens de nyere kohortene ligger på 69–84 % gjennom de to første månedene. Noe har endret seg – trolig en produktforbedring, en bedre onboarding eller en ny anskaffelseskanal som har gitt kunder som passer bedre. Det samlede retensjonstallet ville ha skjult dette fullstendig.
De tre mønstrene du bør lete etter
Når du har en kohorttabell, leter du etter tre bestemte mønstre. Hvert av dem peker på et ulikt problem og krever en ulik løsning.
Et bratt fall tidlig: Hvis retensjonen fra måned 0 til måned 1 jevnlig ligger under 50 %, har du et onboarding-problem. Kundene registrerer seg, men finner ikke verdi raskt nok til å bli. Dette er det vanligste mønsteret i SaaS-selskaper i tidlig fase, og det er det som er enklest å gjøre noe med – bedre onboarding, raskere tid til verdi og mer proaktiv oppfølging tidlig hjelper alt sammen.
Jevn nedgang på tvers av alle kohorter: Hvis retensjonen faller i samme tempo måned etter måned i alle kohorter, har du et problem med produktverdien. Kundene prøver produktet, noen blir i starten, men det er ikke nok vedvarende verdi til å holde dem engasjert. Ingen forbedring av onboardingen løser dette – selve produktet må gi flere grunner til å komme tilbake.
En «smilekurve» som flater ut: De beste retensjonskurvene flater ut etter et innledende fall. Kundene som overlever de to–tre første månedene, blir som regel. Målet er å få flest mulig kunder fram til dette vendepunktet. Hvis kurven aldri flater ut – hvis retensjonen faller like raskt i måned 6 som i måned 1 – har du ingen stabil kundebase å bygge på, og LTV-beregninger basert på kohorten vil være misvisende.
Det viktigste tallet i en kohorttabell er ikke prosenten i måned 6, men stigningen mellom måned 0 og måned 2. Der mister du flest kunder, og der har tiltakene størst effekt.
Segmenter kohortene: der den virkelige innsikten ligger
Kohortanalyse blir virkelig kraftfull når du segmenterer kohortene etter anskaffelseskanal, prisnivå, kundestørrelse eller geografi. En kohorttabell som viser 60 % samlet retensjon etter tre måneder, kan avsløre at kunder fra organisk søk har 75 % retensjon, mens kunder fra betalte sosiale medier ligger på 40 %. Den ene innsikten setter hele diskusjonen om fordeling av markedsbudsjettet i et nytt lys.
Segmentering etter anskaffelseskanal gir nesten alltid mest verdi først. Kunder som finner deg gjennom anbefalinger, innhold eller organisk søk, har vanligvis merkbart høyere retensjon enn de som kommer via brede betalte kampanjer. Viser kohortdataene dine dette mønsteret – og det gjør de som regel – er det et sterkt argument for å investere i innhold og anbefalingsprogrammer, selv når betalt anskaffelse ser billigere ut målt i kostnad per anskaffelse. CAC ser billig ut helt til du tar retensjon med i regnestykket.
Hva du gjør når kohorttabellen viser nedgang
Hvis de nyeste kohortene har dårligere retensjon enn de eldre, er det et alvorlig varselsignal. Da har noe ved produktet, anskaffelsen eller onboardingen blitt verre – og det skjedde nylig. Finn ut hva som har endret seg. Åpnet du en ny anskaffelseskanal som gir mindre kvalifiserte kunder? Lanserte du en funksjon som forstyrret en eksisterende arbeidsflyt? Endret du prisene på en måte som tiltrakk kunder som ikke passet?
Bedre kohortretensjon er nesten alltid et produkt- og onboarding-problem før det er et markedsføringsproblem. Rekkefølgen som pleier å fungere: Først kartlegger du hva kundene som blir gjør i løpet av de to første ukene, og som kundene som slutter, ikke gjør. Deretter utformer du onboardingen på nytt slik at disse handlingene skjer tidligere. Til slutt bruker du tidlig atferd som signal for å finne kunder i faresonen og gripe inn før de forsvinner, ikke etterpå.
Kohorter med lang kundetid ser fantastiske ut fordi kundene som ble, per definisjon er de mest fornøyde og de som passer best. Når du ser på retensjonen etter 24 måneder i en kohort som er to år gammel, ser du en populasjon som allerede er kraftig filtrert av frafall. Bruk ikke atferden til kunder som har vært med lenge, som modell for hva nye kunder kommer til å gjøre – de er et selektert utvalg, ikke et representativt.
Kohortanalyse er mest nyttig når den gjennomgås jevnlig i stedet for å kjøres én gang og glemmes. I FabricLoop har produkt- og vekstteam ofte et månedlig notat i den delte gruppen med et oppdatert kohortbilde – tabellen oppdatert med nyeste data, et avsnitt som tolker hva som har beveget seg og hvorfor, og en oppgaveliste over tiltakene som testes mot kohortene i faresonen. Når analysen ligger side om side med oppgavene som svarer på den, krymper avstanden mellom innsikt og handling betydelig.