Cohortanalyse: hoe je begrijpt waarom klanten blijven of vertrekken
Cohortanalyse onthult de retentiepatronen verborgen in je geaggregeerde getallen. Dit is hoe je er één leest, er één maakt en handelt naar wat je vindt.
Je totale retentiepercentage is 78%. Is dat goed? Het hangt volledig af van welke klanten blijven en welke vertrekken — en dat is precies wat je geaggregeerde retentiegetal niet kan vertellen. Een bedrijf met 78% retentie zou succesvol zijn meest waardevolle klanten kunnen behouden terwijl het nieuwste klanten bloedt, of het kan een legacy klantenbasis vasthouden terwijl zijn recente cohorten snel afvallen. De geaggregeerde verbergt beide verhalen. Cohortanalyse onthult ze.
Een cohort is simpelweg een groep klanten die op dezelfde tijd begonnen — meldden zich dezelfde maand aan, maakten hun eerste aankoop hetzelfde kwartaal of upgradden dezelfde week. Door elke cohort onafhankelijk in de loop der tijd te volgen, kun je zien hoe retentiepatronen veranderen over verschillende perioden van je bedrijfsgeschiedenis. Het resultaat is een van de krachtigste diagnostieken die voor een product- of bedrijfsteam beschikbaar zijn.
Hoe je een cohort retentietabel leest
Een standaard cohort retentietabel heeft acquisitiecohorten die de rijen aflopen (januari, februari, maart...) en maanden sinds aquisitie die over de kolommen lopen (maand 0, maand 1, maand 2...). Maand 0 is altijd 100% — dat is het startpunt. De getallen over elke rij laten zien welk percentage van die cohort nog actief was in elke volgende maand.
| 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: retentie verbetert elke maand aanzienlijk. De januaricohort behield slechts 34% aan het einde van maand 6, terwijl recentere cohorten 69–84% door hun eerste twee maanden houden. Iets is veranderd — waarschijnlijk een productverbetering, een beter onboarding-proces of een wijziging in het acquisitiekanaal dat klanten met beter pasvorm binnenbracht. Het geaggregeerde retentiegetal zou dit geheel hebben gemaskeerd.
De drie patronen om naar te zoeken
Zodra je een cohort tabel hebt, zoek je naar drie specifieke patronen. Elk wijst naar een ander probleem en vereist een ander reparatie.
Een steile vroege daling: Als retentie van maand 0 naar maand 1 consistent onder de 50% ligt, heb je een onboarding-probleem. Klanten melden zich aan en vinden niet snel genoeg waarde om te blijven. Dit is het meest voorkomende patroon in vroeg-stadium SaaS en het meest behandelbaar — beter onboarding, sneller tot waarde en meer proactieve vroege betrokkenheid helpen allemaal.
Consistente daling over alle cohorten: Als retentie dezelfde snelheid maand na maand over alle cohorten blijft dalen, heb je een product-waarde-probleem. Klanten proberen het product, sommigen blijven aanvankelijk, maar er is niet genoeg voortdurende waarde om hen betrokken te houden. Geen verbetering van de inschrijvingsstroom zal dit repareren — het product zelf moet meer redenen leveren om terug te keren.
Een "glimlapje"-curve die afvlakt: De beste retentiecurven vlakken af na een initiële daling. Klanten die de eerste twee of drie maanden overleven, hebben de neiging te blijven. Het doel is het aantal klanten dat dat inflectie-moment bereikt te maximaliseren. Als je curve nooit afvlakt — als retentie dezelfde snelheid blijft dalen op maand 6 als op maand 1 — heb je geen stabiele ingehouden basis, en LTV-berekeningen gebouwd op die cohort zullen misleidend zijn.
Het belangrijkste getal in een cohort tabel is niet het percentage op maand 6 — het is de helling tussen maand 0 en maand 2. Dat is waar de meeste klanten verloren gaan en waar de meeste interventies hefboomwerking hebben.
Segmentatie cohorten: waar het echte inzicht woont
Cohortanalyse wordt werkelijk krachtig wanneer je cohorten segmenteert op acquisitiekanaal, prijtier, klantgrootte of geografie. Een cohort tabel die totale retentie na drie maanden 60% laat zien, zou kunnen onthullen dat klanten uit organisch zoeken op 75% retineren terwijl betaalde sociale klanten op 40% retineren. Dat ene inzicht herborduurt het hele marketing-allocationgesprek.
De meest waardevolle eerste segmentatie is bijna altijd op acquisitiekanaal. Klanten die je door verwijzingen, inhoud of organisch zoeken vinden, behouden typisch aanzienlijk hogere snelheden dan die verworven door brede betaalde campagnes. Als je cohort gegevens dit patroon tonen — en het doet dat meestal — het is een sterk argument voor het investeren in inhoud en referraalprogramma's, zelfs wanneer betaalde acquisitie goedkoper lijkt op een aankostbasis. CAC ziet er goedkoop uit totdat je retentie in het model bouwt.
Wat doen met een dalende cohort tabel
Als je meest recente cohorten slechter retineren dan oudere, dat is een dringend signaal. Het betekent dat iets in je product, je acquisitie of je onboarding erger werd — en het werd recent erger. Controleer wat veranderde. Heb je een nieuw acquisitiekanaal geopend dat minder gekwalificeerde klanten binnenbrengt? Heb je een functie verscheepd die een bestaande workflow onderbroken? Heb je prijzen op een manier veranderd die klanten trok die geen goed pasvorm waren?
Het verbeteren van cohort retentie is bijna altijd een product- en onboarding-probleem voordat het een marketing-probleem is. De volgorde van interventies die werken: eerst, bepaal de acties die ingehouden klanten in hun eerste twee weken ondernemen die gechurde klanten niet. Herontwerp dan onboarding om deze acties eerder uit te voeren. Gebruik vervolgens vroeg gedrag als signaal om risicoclanten te identificeren en in te grijpen voordat ze weggaan, niet erna.
Langdurige cohorten zien er geweldig uit omdat de klanten die bleven, per definitie, je meest tevredengestelde en het beste aansluitende klanten zijn. Wanneer je naar de retentie van maand 24 van een twee jaar oude cohort kijkt, kijk je naar een populatie die al zwaar is gefilterd door churn. Gebruik het gedrag van lang-ingehouden klanten niet als model voor wat nieuwe klanten zullen doen — ze zijn een geselecteerde steekproef, geen representatieve.
Cohortanalyse is het nuttigst wanneer het consistent wordt herzien in plaats van eenmaal te worden uitgevoerd en vergeten. In FabricLoop behouden product- en groeiteams vaak een maandelijkse notitie in hun gedeelde groep met een bijgewerkte cohort-snapshot — de tabel vernieuwd met de meest recente gegevens, een alinea-interpretatie van wat verplaatste en waarom en een takenlijst van interventies die tegen de risicocluster worden getest. Wanneer de analyse naast de taken woont die erop reageren, verkleint de kloof tussen inzicht en actie aanzienlijk.