Kohortanalys: så förstår du varför kunder stannar eller lämnar
Kohortanalys avslöjar de retentionsmönster som göms i dina aggregerade siffror. Så läser, bygger och agerar du på en sådan.
Din totala retention är 78 %. Är det bra? Det beror helt på vilka kunder som stannar och vilka som lämnar – och just det kan ditt aggregerade retentionstal inte berätta. Ett bolag med 78 % retention kan framgångsrikt behålla sina mest värdefulla kunder men tappa de nyaste, eller så kan det sitta kvar med en äldre kundbas medan de senaste kohorterna snabbt churnar. Det aggregerade talet döljer båda historierna. Kohortanalys visar dem.
En kohort är helt enkelt en grupp kunder som började samtidigt – registrerade sig samma månad, gjorde sitt första köp samma kvartal eller uppgraderade samma vecka. Genom att följa varje kohort för sig över tid ser du hur retentionsmönstren förändras under olika perioder i företagets historia. Resultatet är ett av de mest kraftfulla diagnosverktygen som finns för ett produkt- eller affärsteam.
Så läser du en kohortretentionstabell
En vanlig kohortretentionstabell har förvärvskohorterna nedåt i raderna (januari, februari, mars …) och månader sedan förvärvet i kolumnerna (månad 0, månad 1, månad 2 …). Månad 0 är alltid 100 % – det är startpunkten. Siffrorna längs varje rad visar hur stor andel av kohorten som fortfarande var aktiv under varje följande månad.
| Kohort | Månad 0 | Månad 1 | Månad 2 | Månad 3 | Månad 4 | Månad 5 | Månad 6 |
|---|---|---|---|---|---|---|---|
| januari | 100% | 68% | 52% | 41% | 38% | 35% | 34% |
| februari | 100% | 71% | 55% | 43% | 41% | 39% | — |
| mars | 100% | 76% | 62% | 51% | 49% | — | — |
| april | 100% | 79% | 65% | 61% | — | — | — |
| maj | 100% | 82% | 69% | — | — | — | — |
| juni | 100% | 84% | — | — | — | — | — |
Tabellen berättar en tydlig historia: retentionen har förbättrats markant för varje månad. Januarikohorten behöll bara 34 % vid månad 6, medan de senaste kohorterna ligger på 69–84 % under de två första månaderna. Något har förändrats – troligen en produktförbättring, ett bättre onboardingflöde eller en ändring i förvärvskanalen som gav mer passande kunder. Det aggregerade retentionstalet hade helt dolt detta.
De tre mönster du ska leta efter
När du har en kohorttabell letar du efter tre specifika mönster. Vart och ett pekar på ett eget problem och kräver en egen åtgärd.
Ett brant tidigt fall: Om retentionen mellan månad 0 och månad 1 genomgående ligger under 50 % har du ett onboardingproblem. Kunderna registrerar sig men hittar inte värde tillräckligt snabbt för att stanna. Det är det vanligaste mönstret i SaaS i tidig fas och det som är lättast att åtgärda – bättre onboarding, kortare time-to-value och mer proaktivt engagemang tidigt hjälper alla.
Jämn nedgång i alla kohorter: Om retentionen fortsätter sjunka i samma takt månad efter månad i alla kohorter har du ett problem med produktens värde. Kunderna testar produkten och en del stannar till en början, men det finns inte tillräckligt med löpande värde för att hålla dem engagerade. Ingen onboardingförbättring i världen löser detta – produkten själv måste ge fler skäl att komma tillbaka.
En ”smilekurva” som planar ut: De bästa retentionskurvorna planar ut efter ett första fall. Kunder som klarar de två–tre första månaderna tenderar att stanna. Målet är att få så många kunder som möjligt förbi den brytpunkten. Om kurvan aldrig planar ut – om retentionen fortsätter sjunka lika snabbt vid månad 6 som vid månad 1 – har du ingen stabil kvarvarande kundbas, och LTV-beräkningar som bygger på den kohorten blir missvisande.
Den viktigaste siffran i en kohorttabell är inte procenten vid månad 6 – det är lutningen mellan månad 0 och månad 2. Det är där de flesta kunder går förlorade, och där de flesta insatser har störst effekt.
Segmentera kohorter: här finns de verkliga insikterna
Kohortanalys blir riktigt kraftfull när du segmenterar kohorterna efter förvärvskanal, prisnivå, kundstorlek eller geografi. En kohorttabell som visar en total retention på 60 % efter tre månader kan avslöja att kunder från organisk sökning har 75 % retention medan kunder från betalda sociala medier har 40 %. Den insikten ensam ändrar hela diskussionen om hur marknadsföringsbudgeten ska fördelas.
Den mest värdefulla första segmenteringen är nästan alltid efter förvärvskanal. Kunder som hittar dig via rekommendationer, innehåll eller organisk sökning har oftast märkbart högre retention än de som värvats via breda betalkampanjer. Visar din kohortdata det mönstret – och det gör den oftast – är det ett starkt argument för att satsa på innehåll och rekommendationsprogram, även när betald förvärvning ser billigare ut per förvärvad kund. CAC ser lågt ut tills du räknar in retentionen i modellen.
Det här gör du med en försämrad kohorttabell
Om dina senaste kohorter har sämre retention än de äldre är det en akut varningssignal. Något i produkten, förvärvet eller onboardingen har blivit sämre – och det har hänt nyligen. Undersök vad som ändrats. Öppnade ni en ny förvärvskanal som ger mindre kvalificerade kunder? Lanserade ni en funktion som störde ett befintligt arbetsflöde? Ändrade ni prissättningen så att den lockade kunder som inte passade?
Att förbättra kohortretentionen är nästan alltid ett produkt- och onboardingproblem innan det är ett marknadsföringsproblem. Den ordning av insatser som brukar fungera: identifiera först vilka handlingar behållna kunder gör under de två första veckorna som churnade kunder inte gör. Utforma sedan onboardingen så att de handlingarna sker tidigare. Använd därefter tidigt beteende som signal för att hitta kunder i riskzonen och agera innan de churnar, inte efteråt.
Kohorter med lång kundtid ser fantastiska ut eftersom de kunder som stannat per definition är dina mest nöjda och bäst passande. När du tittar på retentionen vid månad 24 för en tvåårig kohort ser du en population som redan filtrerats hårt av churn. Använd inte långvariga kunders beteende som modell för vad nya kunder kommer att göra – de är ett selekterat urval, inte ett representativt.
Kohortanalys är mest användbar när den följs upp regelbundet i stället för att köras en gång och glömmas. I FabricLoop brukar produkt- och tillväxtteam föra en månatlig anteckning i sin gemensamma grupp med en uppdaterad kohortbild – tabellen uppdaterad med senaste data, en kort tolkning av vad som rört sig och varför, samt en uppgiftslista över de åtgärder som testas mot riskkohorterna. När analysen finns tillsammans med uppgifterna som svarar på den krymper glappet mellan insikt och handling avsevärt.