Kohortanalyse: Hvordan du forstår hvorfor kunder blir eller forlater
Kohortanalyse avslører retensjonsmønstrene som gjemmer seg bak de aggregerte tallene dine. Slik leser du en, bygger en og handler på det du finner.
Din totale retensjonsrate er 78 %. Er det bra? Det avhenger helt av hvilke kunder som blir og hvilke som forlater — og det er nettopp det det aggregerte retensjonsstallet ditt ikke kan fortelle deg. Et selskap med 78 % retensjon kan lykkes med å beholde sine mest verdifulle kunder mens det mister de nyeste, eller det holder fast ved en eldre kundebase mens nyere kohorter churner raskt. Det aggregerte tallet skjuler begge historiene. Kohortanalyse avslører dem.
En kohort er rett og slett en gruppe kunder som startet på samme tid — registrerte seg i samme måned, foretok sitt første kjøp i samme kvartal, eller oppgraderte i samme uke. Ved å spore hver kohort separat over tid kan du se hvordan retensjonsmønstre endrer seg på tvers av ulike perioder i selskapets historie. Resultatet er et av de mest kraftfulle diagnostiske verktøyene som er tilgjengelige for et produkt- eller forretningsteam.
Slik leser du en kohortretensjonstabell
En standard kohortretensjonstabell har anskaffelseskohorter som løper nedover radene (januar, februar, mars...) og måneder siden anskaffelse som løper på tvers av kolonnene (Måned 0, Måned 1, Måned 2...). Måned 0 er alltid 100 % — det er startpunktet. Tallene på tvers av hver rad viser hvilken prosentandel av den kohortten 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% | — | — | — | — | — |
Denne tabellen forteller en tydelig historie: retensjonen har forbedret seg markant hver måned. Januarkohortet beholdt bare 34 % ved Måned 6, mens nyere kohorter holder seg på 69–84 % gjennom de første to månedene. Noe endret seg — sannsynligvis en produktforbedring, et bedre onboardingflyt eller en endring i anskaffelseskanalen som trakk inn bedre passende kunder. Det aggregerte retensjonsstallet ville ha skjult dette fullstendig.
De tre mønstrene å se etter
Når du har en kohorttabell, leter du etter tre spesifikke mønstre. Hvert av dem peker på et annet problem og krever en annen løsning.
Et bratt tidlig fall: Hvis retensjon fra Måned 0 til Måned 1 konsekvent er under 50 %, har du et onboardingproblem. Kunder registrerer seg og finner ikke nok verdi raskt nok til å bli. Dette er det vanligste mønsteret i tidlig SaaS og det mest behandlingsbare — bedre onboarding, raskere tid til verdi og mer proaktivt tidlig engasjement hjelper alle.
Konsekvent nedgang på tvers av alle kohorter: Hvis retensjonen fortsetter å falle i samme tempo måned etter måned på tvers av alle kohorter, har du et produktverdiproblem. Kunder prøver produktet, noen blir til å begynne med, men det er ikke nok løpende verdi til å holde dem engasjerte. Ingen mengde onboardingforbedringer vil løse dette — produktet i seg selv må levere flere grunner til å komme tilbake.
En "smilekurve" som flater ut: De beste retensjonskurvene flater ut etter et innledende fall. Kunder som overlever de første to eller tre månedene har en tendens til å bli. Målet er å maksimere antallet kunder som når det vendepunktet. Hvis kurven din aldri flater ut — hvis retensjonen fortsetter å falle i samme tempo ved Måned 6 som ved Måned 1 — har du ikke en stabil beholdt base, og LTV-beregninger bygget på den kohortten vil være villedende.
Det viktigste tallet i en kohorttabell er ikke prosentandelen ved Måned 6 — det er helningen mellom Måned 0 og Måned 2. Det er der de fleste kunder går tapt, og der de fleste tiltak har størst innflytelse.
Segmentering av kohorter: der den virkelige innsikten finnes
Kohortanalyse blir virkelig kraftfull når du segmenterer kohorter etter anskaffelseskanal, prisnivå, kundestørrelse eller geografi. En kohorttabell som viser samlet retensjon på 60 % etter tre måneder kan avsløre at kunder fra organisk søk beholdes ved 75 % mens kunder fra betalt sosiale medier beholdes ved 40 %. Den ene innsikten omformer hele samtalen om markedsføringsallokering.
Den mest verdifulle første segmenteringen er nesten alltid etter anskaffelseskanal. Kunder som finner deg via henvisninger, innhold eller organisk søk beholdes typisk ved markant høyere rater enn de som er anskaffet via brede betalte kampanjer. Hvis kohortdataene dine viser dette mønsteret — og det gjør de vanligvis — er det et sterkt argument for å investere i innhold og henvisninger selv når betalt anskaffelse virker billigere på kostnad per anskaffelse-basis. CAC ser billig ut helt til du bygger retensjon inn i modellen.
Hva du skal gjøre med en fallende kohorttabell
Hvis de nyeste kohortene dine beholdes dårligere enn eldre, er det et presserende signal. Det betyr at noe med produktet, anskaffelsen eller onboardingen ble verre — og det ble verre nylig. Sjekk hva som endret seg. Åpnet du en ny anskaffelseskanal som trekker inn mindre kvalifiserte kunder? Lanserte du en funksjon som forstyrret en eksisterende arbeidsflyt? Endret du prissettingen på en måte som tiltrakk kunder som ikke passet godt?
Å forbedre kohortretensjon er nesten alltid et produkt- og onboardingproblem før det er et markedsføringsproblem. Sekvensen av tiltak som har en tendens til å virke: identifiser først handlingene som beholdte kunder tar i løpet av sine første to uker som churnede kunder ikke gjør. Redesign deretter onboarding for å drive disse handlingene tidligere. Bruk deretter tidlig atferd som et signal for å identifisere kunder i risikosonen og grip inn før de churner, ikke etter.
Kohorter med lang levetid ser gode ut fordi kundene som ble, per definisjon er dine mest fornøyde og best egnede kunder. Når du ser på retensjonen ved Måned 24 for en to år gammel kohort, ser du en populasjon som allerede er kraftig filtrert av churn. Ikke bruk atferden til kunder med lang retensjon som modell for hva nye kunder vil gjøre — de er et utvalgt utvalg, ikke et representativt ett.
Kohortanalyse er mest nyttig når det gjennomgås konsekvent i stedet for å kjøres én gang og glemmes. I FabricLoop opprettholder produkt- og vekstteam ofte en månedlig notat i den delte gruppen sin med et oppdatert kohortøyeblikksbilde — tabellen oppdatert med de nyeste dataene, ett avsnits tolkning av hva som beveget seg og hvorfor, og en oppgaveliste over tiltak som testes mot kohortene i risikosonen. Når analysen lever side om side med oppgavene som svarer på den, reduseres kløften mellom innsikt og handling vesentlig.