Kohortanalys är ett kraftfullt verktyg som kan förändra hur du tänker kring ditt företag. Det hjälper dig att ställa bättre frågor för att få den information du behöver, till exempel följande: lämnar de nya användare du skaffar varje månad snabbare än de du fick in förra kvartalet? Fungerar dina förbättringar av onboardingen faktiskt eller maskerar lojala kunder bara en växande läcka? Aggregerade nyckeltal avslöjar det inte, men det gör en kohortanalys.

Nedan förklarar vi hur du kan använda kohortanalys för att upptäcka hur kunderna verkligen interagerar med ditt företag.

Vad innehåller den här artikeln?

– Vad är en kohortanalys?
– Hur fungerar en kohortanalys i ett affärssammanhang?
– Vilka typer av kohortanalyser är användbara för företag?
– Hur kan en kohortanalys förbättra kundernas lojalitet och livstidsvärde?
– Vilka är de största utmaningarna som företag står inför när de använder kohortanalys?

Vad är en kohortanalys?

Kohortanalys är en metod för att dela in kunddata i meningsfulla grupper och följa hur dessa grupper beter sig över tid. En kohort är en uppsättning användare som har något gemensamt: du kan till exempel gruppera alla kunder som registrerade sig i januari eller alla som gjorde sitt första inköp under kvartal 2.

Istället för att betrakta alla kunder tillsammans som ett stort, sammanslaget genomsnitt, tittar du på dem i distinkta delar. På så sätt kan du se mönster som inte syns i aggregerade data. Till exempel kan en stabil kundretention dölja det faktum att nya kunder lämnar snabbt medan äldre kohorter håller genomsnittet flytande. Med kohortanalys kan du zooma in och se vad som verkligen händer inom genomsnittet.

När företag bara förlitar sig på bruttosiffror (t.ex. totalt antal användare, genomsnittliga intäkter) kan de missa viktiga nyanser. Kohortanalys fyller i dessa luckor genom att avslöja hur kundbeteendet förändras över tid och vilka grupper som går bra eller tappar mark.

Hur fungerar en kohortanalys i ett affärssammanhang?

I praktiken innebär en kohortanalys att man grupperar kunder efter en gemensam egenskap och följer hur deras beteende utvecklas under veckor, månader eller kvartal.

Du kan till exempel gruppera kunder efter den månad som de registrerade sig och sedan mäta hur många av dem som fortfarande är aktiva eller spenderar pengar varje period efter det. Det skapar en beteendemässig tidslinje för varje kohort som visar när engagemanget avtar, när det är stabilt och hur länge olika grupper tenderar att stanna kvar.

Denna struktur gör att du kan ställa mer specifika frågor än vad som är möjligt med aggregerade data, till exempel följande:

– Är kunder som tillkom i mars mer benägna att lämna företaget än de som tillkom i februari?
– Förbättrade omarbetningen av onboardingen i april retentionen under den första veckan?
– Blir de användare som tillkom under en sommarkampanj långsiktiga eller kortsiktiga kunder?

Med hjälp av en kohortanalys kan du rekonstruera vad som hände när, med vem och varför. I stället för att fokusera på ett blandat genomsnitt kan du se hur varje grupp beter sig över tid. Det ger ett viktigt sammanhang för dina beslut.

Med hjälp av en kohortanalys kan du göra följande:

– Isolera effekterna nedströms av en produktförändring
– Mäta den verkliga kvaliteten på en marknadsföringskampanj både genom att se hur många kunder den gav och hur länge dessa kunder stannade kvar
– Skilja säsongs- eller kampanjmässiga effekter från varaktiga förbättringar i fråga om retention eller intäkter

Med en kohortanalys övergår din vy från statiska sammanfattningar till tidsbaserade berättelser, vilket fördjupar din förståelse av hur ditt företag växer eller minskar över tid, för en grupp i taget.

Stripe inkluderar kohortanalys direkt i sin abonnemangsanalys. Företag som använder Stripe Billing kan automatiskt se abonnentretention per kohort i Dashboard för Billing-analys: varje kohort grupperas efter sitt första faktureringsdatum och Stripe visar hur många kunder från varje grupp som förblir aktiva under efterföljande månader.

Den här typen av inbyggda verktyg gör det möjligt för team att snabbt upptäcka problem och skillnader, till exempel följande:

– Om nya abonnenter slutar snabbare än vanligt
– En ökning av långvarigt kundbortfall
– Om specifika månader eller kampanjer ger kunder av bättre kvalitet

Det gör att tidsbaserade mönster blir synliga – och erbjuder tydligare möjligheter att ingripa eller dubblera insatserna.

Så här är data från kohortanalysen strukturerade

Kohortrapporter ser ofta ut som ett rutnät. Varje rad är en kohort (t.ex. användare som registrerade sig i juli). Varje kolumn representerar ett tidsintervall (t.ex. Vecka 1, Vecka 2, Vecka 3).

Värdena i cellerna visar procentandelen av den kohort som fortfarande är aktiv, abonnerar eller genererar intäkter.

Den här layouten visar var saker och ting förbättras eller försämras.

Vilka typer av kohortanalyser är användbara för företag?

Kohorter behöver inte definieras utifrån registreringsdatum. Du kan gruppera användare på olika sätt beroende på vad du försöker ta reda på. Här är några av de mest värdefulla kohorttyperna för företag.

Förvärvskohorter

I förvärvskohorter grupperas användare efter när de först förvärvades – per vecka, månad eller kvartal. De hjälper dig att förstå hur länge olika kohorter stannar kvar och hur förändringar i marknadsföring, onboarding eller produkt påverkar retentionen över tid.

Du kan använda förvärvskohorter för att göra följande:

– Upptäcka kundbortfallsmönster tidigt (t.ex. användare som förvärvades i april slutar snabbare än de som förvärvades i mars)
– Utvärdera marknadsföringskampanjer (t.ex. användare från rekommendationskampanjen stannar kvar längre än de från betalda annonser)
– Benchmarking av resultat över tid (t.ex. Har vi förbättrat retentionen efter tre månader jämfört med förra året?)

Beteendekohorter

I denna typ av kohort grupperas användare baserat på vad de gjort (eller inte gjort), snarare än när de tillkom. Du kan segmentera följande:

– Användare som använde en viss funktion under vecka 1 jämfört med dem som inte gjorde det
– Kunder som gjorde mer än tre köp under sina första 30 dagar jämfört med dem som bara gjorde ett köp

Med beteendekohorter kan du isolera åtgärder som korrelerar med bättre resultat. Tänk på följande exempel:

– En streamingapp kanske upptäcker att användare som favoritmarkerar fler än tre låtar under den första veckan är mer benägna att stanna kvar än användare som inte gör det.
– En B2B molnbaserad mjukvarutjänst kanske får veta att användare som slutför sin onboarding inom 48 timmar är mer benägna att stanna kvar på lång sikt.

Den här typen av analys avslöjar vilka beteenden som förutsäger långsiktigt värde. Den är särskilt användbar för produkt- och tillväxtteam som försöker identifiera de mest effektiva åtgärderna. Kom bara ihåg att korrelation inte alltid betyder orsakssamband. Du kommer förmodligen att behöva testa dina hypoteser innan du agerar på dem i stor skala.

Prediktiva kohorter

I prediktiva kohorter används modeller för att gruppera användare baserat på vad de sannolikt kommer att göra i framtiden (t.ex. lämna, uppgradera, göra ett nytt köp). Du segmenterar proaktivt baserat på förväntat beteende.

Du kan till exempel göra följande:

– Flagga de 10 % av de nya användarna som har störst sannolikhet att bli långvariga avancerade användare och ge dem en premium-onboarding
– Identifiera kunder som löper hög risk att lämna företaget och rikta kampanjerbjudanden till dem
– Undvika att spendera för mycket genom att utesluta de med låg sannolikhet för köp från retargeting-kampanjer

Den här typen av analys är kraftfull men svårare att genomföra. Det krävs vanligtvis en solid datainfrastruktur, bra modeller och tillräckligt många användare för att kunna göra förutsägelser. Det är vanligare i större eller mer datamogna organisationer.

Var och en av dessa kohorttyper svarar på olika frågor. Förvärvskohorter talar om för dig när användare slutar. Beteendekohorter berättar vad som driver långsiktig framgång. Prediktiva kohorter berättar vem du bör kontakta just nu. Tillsammans ger de en 360-gradersvy av kundens livscykel – vad som fungerar, vad som inte fungerar och var du ska ingripa för att få bättre resultat.

Hur kan en kohortanalys förbättra kundernas lojalitet och livstidsvärde?

Kohortanalys hjälper företag att gå från allmänna gissningar till riktade åtgärder. I stället för att försöka förbättra kundens livstidsvärde (LTV) och lojalitet rent allmänt kan du se exakt var och när kunderna slutar försvinner.

Det här kan kohortanalys hjälpa dig att göra.

Hitta bortfallspunkterna

Kohortdata visar när kunderna tenderar att lämna företaget. När du känner till tidsfönstret för bortfall kan du rikta in dig direkt på det.

Här följer några exempel:

– Om flera kohorter lämnar företaget kring dag 14 kan du justera onboardingen, lägga till påminnelser eller planera in ett välplacerat incitament precis före den tidpunkten.
– Om kunder under tredje kvartalet försvinner snabbare än andra är det en signal om att du bör undersöka vad som förändrats. Beror det på kanalmixen, budskapen eller tillgängligheten på support?

Kohortanalysen visar när kundbortfallet sker och under vilka förutsättningar.

Ta reda på vad som fungerar

En kohortanalys kan visa vilka grupper som stannar kvar och vad de gjorde i början som kan ha bidragit till deras beslut.

Du kanske upptäcker följande:

– En särskild kohort med ovanligt högt LTV förvärvades genom rekommendationer.
– Användare som fyller i en konfigurationschecklista under de första 24 timmarna stannar kvar dubbelt så länge.
– Kunder som abonnerar på stationära datorer tenderar att stanna längre än de som börjar på mobilen.

Den här typen av insikter gör att du kan fokusera på högpresterande beteenden, kanaler eller flöden. I stället för att tillämpa breda lösningar förstärker du det som redan fungerar för dina bästa användare.

Bygg smartare segment

Med kohortanalys kan du naturligt segmentera dina kunder efter tid, beteende eller förväntat värde. Det är värdefullt för retention marknadsföring och livscykelbudskap.

Överväg följande exempel:

– Om kunder från rabattkampanjer lämnar företaget tidigare kan du ta hand om dem på ett annat sätt eller tänka om kring kampanjen.
– Om tunga användare från självbetjäningsregistreringar stannar kvar oftare kanske de inte behöver samma e-postmeddelanden om onboarding som andra segment.

Den här typen av segmentering hindrar dig från att ge för mycket service till användare som inte behöver hjälp och för lite till de som behöver det.

Mäta effekterna av förändringar

När du lanserar en ny funktion eller kampanj eller ett nytt onboardingflöde kan du med hjälp av kohortanalys se om den/det faktiskt fungerar.

Om du till exempel behåller juni månads kohort bättre än maj månads, kan det vara ett tecken på framsteg. Om du inte gör det vet du tidigt att något behöver omarbetas.

Vilka är de största utmaningarna som företag står inför när de använder kohortanalys?

Kohortanalys är ett kraftfullt verktyg. Men som alla verktyg har den brister och potentiella fallgropar. Här är några vanliga utmaningar som team stöter på och hur de kan hanteras.

Röriga eller ofullständiga data

Kohortanalysen är beroende av stabila ingångsdata: rena händelsedata, konsekventa tidsstämplar och spårning mellan olika system. Om dessa delar inte är på plats blir dina resultat inte opålitliga.

Vanliga frågor är bland annat:

– Registreringsdatum som saknas eller är inkonsekventa
– Händelser som spåras i ett system men inte i ett annat
– Luckor mellan produkt-, marknadsförings- och betalningssystem

För att lösa det här problemet måste du få ordning på din datainfrastruktur innan du börjar analysera. Se till att viktiga kundåtgärder spåras, tidsstämplas och samlas på ett ställe. Verktyg som Stripe Sigma kan hjälpa team att hämta rena, sammanfogade datauppsättningar direkt från betalningar och fakturering. De är ofta den felande länken.

Verktyg som inte motsvarar dina behov

Historiskt sett har kohortanalys krävt kunskaper i Structured Query Language (SQL) och manuellt arbete med kalkylblad. Nu erbjuder många plattformar kohortanalyser som är färdiga att användas, men det är inte alla team som har rätt åtkomst eller vet var de ska leta. Vissa företag undviker kohortanalys helt och hållet eftersom det känns för komplext eller utför kohortanalys på ett tidskrävande och felbenäget sätt.

Lösningen är att börja med det som är enklast och tillgängligt. Stripe Billing visar till exempel abonnentretention per kohort utan någon extra konfiguration. E-handelsplattformar gör ofta samma sak med data om upprepade köp. Om ditt företag är litet kan till och med en grundläggande kalkylbladsmodell vara användbar.

Översegmentering eller undersegmentering

Om du skapar för många kohorter krymper dina urvalsstorlekar så att de blir meningslösa. Om du skapar för få är du tillbaka till att titta på alltför breda trender.

Så här gör du för att hitta rätt balans:

– Börja med tidsbaserade kohorter för att fastställa en baslinje
– Lägg endast till ytterligare segmentering när det tjänar en tydlig hypotes (t.ex. ”användare från rekommendationskampanjen stannar kvar längre än användare från betalda annonsanvändare”)
– Var försiktig med urvalsstorleken – om en kohort endast består av sex personer bör du behandla motsvarande trender med försiktighet

Det är bättre att ställa en exakt fråga än att skapa en dashboard som är full av delar som du inte kan tolka.

Felaktig avläsning av data

Kohortanalyser kan ge kraftfulla signaler, men det krävs tid och omsorg för att tolka dem på rätt sätt. Några vanliga fällor är att missta korrelation för orsakssamband (t.ex. att anta att en funktion orsakar högre retention när den kanske bara lockar mer engagerade användare) och att ignorera externa samband (t.ex. en semestertopp eller en konkurrents kampanj som påverkar en kohorts beteende).

Behandla kohortmönster som hypoteser, inte slutsatser. Kombinera dem med kvalitativa insikter eller A/B-testning när så är möjligt. Och titta alltid på kohorter i sina sammanhang och markera diagrammen med produktlanseringar, kampanjdatum och kända störningar.

Att bli överväldigad av data

Det är lätt att bli överväldigad av dussintals kohorter, var och en med sin egen retentionskurva, intäktskurva och beteendeprofil.

Så här undviker du att förlamas av analysen:

– Knyt ditt kohortarbete till en specifik fråga eller ett specifikt beslut (t.ex. ”Förbättrade den nya onboardingen 30-dagarsretentionen?”)
– Sammanfatta med viktiga nyckeltal som följs över tid, till exempel retention månad 3 och 90-dagars LTV
– Granska kohorterna regelbundet som ett team så att insikterna kan leda till verkliga förändringar