Kohortanalys: Hur du förstår varför kunder stannar eller lämnar
Kohortanalys avslöjar de retentionsmönster som döljer sig bakom dina aggregerade siffror. Så här läser du en, bygger en och agerar på vad du hittar.
Din totala retentionsgrad är 78 %. Är det bra? Det beror helt på vilka kunder som stannar och vilka som lämnar — och det är precis vad ditt aggregerade retentionstal inte kan berätta. Ett företag med 78 % retention kan framgångsrikt behålla sina mest värdefulla kunder medan det tappar de nyaste, eller så håller det fast vid en äldre kundbas medan nyare kohorter churnar snabbt. Det aggregerade talet döljer båda historierna. Kohortanalys avslöjar dem.
En kohort är helt enkelt en grupp kunder som började vid samma tidpunkt — registrerade sig under samma månad, genomförde sitt första köp under samma kvartal, eller uppgraderade under samma vecka. Genom att spåra varje kohort separat över tid kan du se hur retentionsmönstren förändras under olika perioder i ditt företags historia. Resultatet är en av de mest kraftfulla diagnostiska verktyg som finns tillgängliga för ett produkt- eller affärsteam.
Hur du läser en kohortretentionstabell
En standard kohortretentionstabell har förvärvskohortter löpande nedåt i raderna (januari, februari, mars...) och månader sedan förvärvet löpande åt höger 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 efterföljande 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% | — | — | — | — | — |
Den här tabellen berättar en tydlig historia: retentionen har förbättrats markant varje månad. Januarikohortten behöll bara 34 % vid Månad 6, medan nyare kohorter håller sig på 69–84 % under sina första två månader. Något förändrades — troligen en produktförbättring, ett bättre onboardingflöde eller ett skifte i förvärvskanalerna som tog in bättre passande kunder. Det aggregerade retentionstalet hade dolt detta helt.
De tre mönstren att leta efter
När du väl har en kohorttabell letar du efter tre specifika mönster. Vart och ett pekar på ett annat problem och kräver en annan lösning.
Ett brant tidigt fall: Om retentionen från Månad 0 till Månad 1 konsekvent ligger under 50 % har du ett onboardingproblem. Kunder registrerar sig och hittar inte värde tillräckligt snabbt för att stanna. Det här är det vanligaste mönstret i tidig SaaS och det mest behandlingsbara — bättre onboarding, snabbare tid-till-värde och mer proaktivt tidigt engagemang hjälper alla.
Konsekvent nedgång i alla kohorter: Om retentionen fortsätter att sjunka i samma takt månad efter månad i alla kohorter har du ett produktvärdesproblem. Kunder provar produkten, en del stannar till en början, men det finns inte tillräckligt med löpande värde för att hålla dem engagerade. Ingen mängd onboardingförbättringar löser detta — produkten i sig behöver leverera fler skäl att återvända.
En "leendekurva" som planar ut: De bästa retentionskurvorna plattar ut efter ett initialt fall. Kunder som överlever de första två eller tre månaderna tenderar att stanna. Målet är att maximera antalet kunder som når den punkten. Om kurvan aldrig plattar ut — om retentionen fortsätter att sjunka i samma takt vid Månad 6 som vid Månad 1 — har du inte en stabil befintlig bas, och LTV-beräkningar byggda på den kohortten kommer att vara vilseledande.
Det viktigaste talet i en kohorttabell är inte procentandelen vid Månad 6 — det är lutningen mellan Månad 0 och Månad 2. Det är där de flesta kunder förloras, och där de flesta insatser har störst hävstång.
Segmentera kohorter: där de verkliga insikterna finns
Kohortanalys blir verkligt kraftfull när du segmenterar kohorter efter förvärvskälla, prissättningsnivå, kundstorlek eller geografi. En kohorttabell som visar en total retention på 60 % efter tre månader kan avslöja att kunder från organisk sökning stannar vid 75 % medan kunder från betald social media stannar vid 40 %. Den enda insikten omformar hela konversationen om marknadsföringsallokering.
Den mest värdefulla första segmenteringen är nästan alltid per förvärvskälla. Kunder som hittar dig via rekommendationer, innehåll eller organisk sökning tenderar att ha markant högre retention än de som förvärvades via breda betalda kampanjer. Om dina kohortdata visar detta mönster — och det gör de vanligtvis — är det ett starkt argument för att investera i innehåll och rekommendationsprogram även när betalt förvärv verkar billigare sett till kostnad per förvärv. CAC ser billigt ut tills du bygger in retention i modellen.
Vad du ska göra med en nedåtgående kohorttabell
Om dina senaste kohorter retenter sämre än äldre är det en brådskande signal. Det betyder att något med din produkt, ditt förvärv eller din onboarding försämrades — och det försämrades nyligen. Kontrollera vad som ändrades. Öppnade du en ny förvärvskälla som tar in mindre kvalificerade kunder? Lanserade du en funktion som störde ett befintligt arbetsflöde? Ändrade du prissättningen på ett sätt som lockade kunder som inte passade bra?
Att förbättra kohortretention är nästan alltid ett produkt- och onboardingproblem innan det är ett marknadsföringsproblem. Den sekvens av insatser som tenderar att fungera: identifiera först de åtgärder som kunder som stannat vidtar under sina första två veckor men som kunder som churnat inte gör. Designa sedan om onboarding för att driva dessa åtgärder tidigare. Använd sedan tidigt beteende som signal för att identifiera kunder i riskzonen och agera innan de churnar, inte efter.
Kohorter med lång livslängd ser bra ut eftersom kunderna som stannade per definition är dina mest nöjda och bäst passande kunder. När du tittar på retentionen vid Månad 24 för en tvåår gammal kohort ser du en population som redan kraftigt filtrerats av churn. Använd inte beteendet hos kunder med lång retention som modell för vad nya kunder kommer att göra — de är ett selekterat urval, inte ett representativt sådant.
Kohortanalys är mest användbart när det granskas konsekvent snarare än körs en gång och glöms bort. I FabricLoop upprätthåller produkt- och tillväxtteam ofta en månatlig anteckning i sin delade grupp med en uppdaterad kohortöversikt — tabellen uppdaterad med senaste data, ett styckes tolkning av vad som rörde sig och varför, och en uppgiftslista med insatser som testas mot kohorterna i riskzonen. När analysen lever tillsammans med de uppgifter som svarar på den minskar klyftan mellan insikt och handling avsevärt.