Cohortanalyse: hoe je begrijpt waarom klanten blijven of vertrekken
Cohortanalyse onthult de retentiepatronen die verborgen zitten in je geaggregeerde cijfers. Zo lees je er een, bouw je er een en onderneem je actie op basis van wat je vindt.
Je totale retentiepercentage is 78%. Is dat goed? Dat hangt er volledig van af welke klanten blijven en welke vertrekken — en dat kan je geaggregeerde retentiecijfer je juist niet vertellen. Een bedrijf met 78% retentie behoudt misschien succesvol zijn meest waardevolle klanten terwijl het zijn nieuwste klanten kwijtraakt, of het houdt een legacy-klantenbestand vast terwijl de recente cohorten snel afhaken. Het geaggregeerde cijfer verbergt beide verhalen. Cohortanalyse onthult ze.
Een cohort is simpelweg een groep klanten die op hetzelfde moment is gestart — zich in dezelfde maand heeft aangemeld, in hetzelfde kwartaal een eerste aankoop deed of in dezelfde week een upgrade nam. Door elk cohort afzonderlijk over de tijd te volgen, zie je hoe retentiepatronen veranderen over verschillende perioden uit de geschiedenis van je bedrijf. Het resultaat is een van de krachtigste diagnoses waarover een product- of businessteam beschikt.
Zo lees je een cohort-retentietabel
Een standaard cohort-retentietabel heeft acquisitiecohorten als rijen (januari, februari, maart...) en maanden sinds acquisitie als kolommen (maand 0, maand 1, maand 2...). Maand 0 is altijd 100% — dat is het startpunt. De getallen in elke rij tonen welk percentage van dat cohort in elke volgende maand nog actief was.
| Cohort | Maand 0 | Maand 1 | Maand 2 | Maand 3 | Maand 4 | Maand 5 | Maand 6 |
|---|---|---|---|---|---|---|---|
| Januari | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| Februari | 100% | 71% | 55% | 43% | 41% | 39% | — |
| Maart | 100% | 76% | 62% | 51% | 49% | — | — |
| April | 100% | 79% | 65% | 61% | — | — | — |
| Mei | 100% | 82% | 69% | — | — | — | — |
| Juni | 100% | 84% | — | — | — | — | — |
Deze tabel vertelt een duidelijk verhaal: de retentie verbetert elke maand aanzienlijk. Het januaricohort hield aan het einde van maand 6 slechts 34% over, terwijl recentere cohorten in hun eerste twee maanden op 69–84% blijven. Er is iets veranderd — waarschijnlijk een productverbetering, een betere onboardingflow of een verandering in het acquisitiekanaal waardoor beter passende klanten binnenkwamen. Het geaggregeerde retentiecijfer had dit volledig verhuld.
De drie patronen waarop je let
Heb je een cohorttabel, dan zoek je naar drie specifieke patronen. Elk wijst op een ander probleem en vraagt om een andere oplossing.
Een steile daling in het begin: Als de retentie van maand 0 naar maand 1 consequent onder de 50% ligt, heb je een onboardingprobleem. Klanten melden zich aan en vinden niet snel genoeg waarde om te blijven. Dit is het meest voorkomende patroon bij early-stage SaaS en het best te verhelpen — betere onboarding, een snellere time-to-value en proactievere betrokkenheid in het begin helpen allemaal.
Een consistente daling bij alle cohorten: Als de retentie bij alle cohorten maand na maand in hetzelfde tempo blijft dalen, heb je een probleem met de productwaarde. Klanten proberen het product, sommigen blijven aanvankelijk, maar er is niet genoeg doorlopende waarde om hen betrokken te houden. Geen enkele verbetering van de onboarding lost dit op — het product zelf moet meer redenen geven om terug te komen.
Een "smile"-curve die afvlakt: De beste retentiecurves vlakken af na een eerste daling. Klanten die de eerste twee of drie maanden overleven, blijven doorgaans. Het doel is zoveel mogelijk klanten dat omslagpunt te laten bereiken. Als je curve nooit afvlakt — als de retentie in maand 6 nog in hetzelfde tempo daalt als in maand 1 — heb je geen stabiele groep behouden klanten, en LTV-berekeningen op basis van dat cohort zullen misleidend zijn.
Het belangrijkste getal in een cohorttabel is niet het percentage in maand 6 — het is de helling tussen maand 0 en maand 2. Daar gaan de meeste klanten verloren en daar hebben de meeste ingrepen de meeste invloed.
Cohorten segmenteren: waar het echte inzicht zit
Cohortanalyse wordt echt krachtig wanneer je cohorten segmenteert op acquisitiekanaal, prijsniveau, klantgrootte of regio. Een cohorttabel die na drie maanden een totale retentie van 60% laat zien, kan onthullen dat klanten uit organische zoekresultaten op 75% blijven en klanten uit betaalde social media op 40%. Dat ene inzicht geeft het hele gesprek over de verdeling van het marketingbudget een andere wending.
De waardevolste eerste segmentatie is bijna altijd die op acquisitiekanaal. Klanten die je vinden via verwijzingen, content of organisch zoeken, blijven doorgaans aanzienlijk vaker behouden dan klanten die via brede betaalde campagnes zijn binnengehaald. Laat je cohortdata dit patroon zien — en dat is meestal zo — dan is dat een sterk argument om te investeren in content en verwijsprogramma's, ook als betaalde acquisitie goedkoper lijkt op basis van de kosten per acquisitie. CAC lijkt goedkoop totdat je retentie in het model meeneemt.
Wat te doen met een dalende cohorttabel
Als je meest recente cohorten slechter worden behouden dan oudere, is dat een dringend signaal. Het betekent dat er iets aan je product, je acquisitie of je onboarding is verslechterd — en nog niet zo lang geleden. Zoek uit wat er is veranderd. Heb je een nieuw acquisitiekanaal geopend dat minder goed gekwalificeerde klanten binnenbrengt? Heb je een feature uitgerold die een bestaande workflow verstoorde? Heb je je prijzen zo aangepast dat je klanten aantrok die niet goed bij je pasten?
Cohortretentie verbeteren is bijna altijd eerst een product- en onboardingprobleem en pas daarna een marketingprobleem. De volgorde van ingrepen die doorgaans werkt: bepaal eerst welke acties behouden klanten in hun eerste twee weken ondernemen die vertrokken klanten niet ondernemen. Ontwerp daarna de onboarding opnieuw om die acties eerder uit te lokken. Gebruik vervolgens vroeg gedrag als signaal om klanten met churnrisico te herkennen en in te grijpen voordat ze vertrekken, niet erna.
Cohorten met een lange looptijd zien er geweldig uit, omdat de klanten die zijn gebleven per definitie je meest tevreden en best passende klanten zijn. Kijk je naar de retentie na 24 maanden van een cohort van twee jaar oud, dan zie je een populatie die al sterk is gefilterd door churn. Gebruik het gedrag van klanten die lang blijven niet als model voor wat nieuwe klanten gaan doen — het is een geselecteerde steekproef, geen representatieve.
Cohortanalyse is het nuttigst wanneer je haar regelmatig opnieuw bekijkt in plaats van haar één keer uit te voeren en te vergeten. In FabricLoop houden product- en growthteams vaak een maandelijkse notitie bij in hun gedeelde groep met een bijgewerkte cohortsnapshot — de tabel ververst met de nieuwste data, een interpretatie van een alinea over wat er is bewogen en waarom, en een takenlijst met ingrepen die worden getest bij de cohorten met risico. Wanneer de analyse naast de taken staat die erop reageren, wordt de kloof tussen inzicht en actie aanzienlijk kleiner.