CAllgemein

Cohort Analysis (Kohortenanalyse)

Vergleicht Gruppen nach Startzeitpunkt (z.B. Neukunden Monat X) über Zeit.

Cohort Analysis (Kohortenanalyse) ist eine Analyse-Methode, bei der Sie Nutzer oder Kunden in Gruppen (Kohorten) mit gleichem Startzeitpunkt oder gleichem Ereignis bündeln (z. B. „Neukunden aus Januar“) und dann über Wochen/Monate vergleichen. So erkennen Sie, ob Veränderungen wirklich besser werden – oder nur daran liegen, dass Sie gerade mehr neue Kunden gewinnen.

Was bedeutet Cohort Analysis (Kohortenanalyse)?

„Cohort“ bedeutet „Gruppe“. In der Praxis ist eine Kohorte eine Menge von Kunden, die eine gemeinsame Eigenschaft teilen, meist den Zeitpunkt ihres ersten Kontakts: erster Kauf, erste App-Installation, erstes Abo oder erste Registrierung. Statt alle Kunden in einem Durchschnitt zusammenzuwerfen, betrachten Sie jede Kohorte separat – und sehen dadurch Muster, die in Gesamtkennzahlen verborgen bleiben.

Wie funktioniert Cohort Analysis (Kohortenanalyse)?

Typisch ist eine Kohorten-Tabelle (oft „Retention Matrix“): Zeilen sind Kohorten (z. B. Monate), Spalten sind Zeitabstände seit Start (Woche 0, Woche 1, Monat 1 …). In den Zellen steht eine Kennzahl wie Wiederkaufrate, aktiver Anteil, Umsatz pro Kunde oder Kündigungsquote.

  • 1) Kohorten-Regel festlegen: z. B. „Erstkauf-Monat“ oder „Registrierungswoche“.
  • 2) Zielmetrik wählen: Retention, Wiederkauf, Umsatz, Deckungsbeitrag, Support-Tickets pro Kunde etc.
  • 3) Zeitfenster definieren: z. B. 12 Wochen oder 6 Monate nach Start.
  • 4) Daten vorbereiten: Pro Kunde Startdatum + Folgeereignisse (Käufe/Logins/Kündigungen) sauber erfassen.
  • 5) Vergleichen & interpretieren: Welche Kohorten halten länger, kaufen mehr, kündigen schneller – und seit wann hat sich das verändert?

Warum ist Cohort Analysis wichtig für KMU?

Viele Geschäftsführer steuern nach Durchschnittswerten (z. B. „Umsatz steigt“ oder „Conversion ist okay“). Das kann trügen: Wenn Sie mehr Marketingbudget ausgeben, kommen mehr Neukunden – der Umsatz steigt – aber die Kundenqualität kann sinken. Cohort Analysis trennt Wachstum (mehr neue Kunden) von Qualität (wie gut Kunden bleiben und wieder kaufen). Das hilft bei Entscheidungen zu Marketingkanälen, Onboarding, Pricing und Produktverbesserungen.

Beispiele aus der Praxis

  • E-Commerce: Kohorten nach Erstkauf-Monat. Sie sehen, dass die April-Kohorte nach 60 Tagen deutlich weniger wiederkauft. Ursache könnte ein neuer Rabattkanal sein, der „Schnäppchenjäger“ bringt – oder ein Lieferproblem im April.
  • SaaS/Abos: Kohorten nach Abo-Startwoche. Nach einem neuen Onboarding-Flow verbessert sich die 4‑Wochen-Retention in neuen Kohorten. Das ist ein starkes Signal, dass die Änderung wirkt.
  • Lead-Gen/Vertrieb: Kohorten nach „Lead-Erstkontakt“. Sie messen, wie viele Leads nach 30/60/90 Tagen zu Kunden werden. So erkennen Sie, ob neue Kampagnen zwar viele Leads liefern, aber schlechte Abschlussquoten haben.

Typische Fehler (und wie Sie sie vermeiden)

  • Zu kleine Kohorten: Wenn pro Kohorte nur wenige Kunden enthalten sind, schwanken Werte stark. Besser wöchentlich statt täglich gruppieren (oder umgekehrt, je nach Volumen).
  • Falsche Metrik: Retention allein reicht oft nicht. Ergänzen Sie um Umsatz/Deckungsbeitrag pro Kohorte, sonst optimieren Sie möglicherweise „Aktivität“ statt Profitabilität.
  • Äpfel-mit-Birnen-Vergleich: Wenn sich Preise, Produktpakete oder Zielgruppen stark ändern, sollten Sie Kohorten zusätzlich segmentieren (z. B. nach Tarif oder Kanal).

Was kostet Cohort Analysis (Kohortenanalyse)?

Die Methode selbst ist „kostenlos“ – die Kosten entstehen durch Setup und Datenqualität. In vielen KMU reicht ein BI-Tool oder sogar Excel/Google Sheets für erste Kohorten-Tabellen; aufwändiger wird es, wenn Daten aus Shop/CRM/Abo-System zusammengeführt werden müssen (ETL/ELT, saubere IDs, konsistente Zeitstempel). Als Faustregel: Starten Sie klein (eine Kohorten-Regel + eine Metrik) und erweitern Sie erst dann.