Was ist eine Kohortenanalyse?
Eine Kohorte ist eine Gruppe von Beobachtungseinheiten mit demselben definierten Startmerkmal. In einer Akquisitionskohorte können das alle eindeutigen Kunden sein, deren erste bezahlte Bestellung im Januar lag. In einem SaaS-Modell kann eine Kohorte aus Accounts bestehen, deren bezahlter Vertrag im selben Quartal aktiviert wurde. Die Analyse ordnet jede Gruppe an diesem Start aus und beobachtet ihre Entwicklung in Periode 0, 1, 2 und darüber hinaus.
Diese Zeitnormierung beantwortet eine andere Frage als ein gewöhnlicher Monatsbericht. Ein Kalendertrend zeigt beispielsweise alle aktiven Kunden im April. Eine Kohortenansicht vergleicht dagegen, wie sich Januar-, Februar- und März-Kunden jeweils einen Monat nach ihrem eigenen Einstieg verhalten haben. Sie trennt damit Kundenalter und Akquisitionszeitpunkt, ohne automatisch eine Ursache für Unterschiede zu liefern.
| Sicht | Zeitachse | Geeignete Frage | Typisches Risiko |
|---|---|---|---|
| Aggregierter Trend | Kalendermonat oder -quartal | Wie entwickelt sich die Gesamtkennzahl? | Mischt Kunden unterschiedlichen Alters |
| Kohortenanalyse | Perioden seit individuellem Start | Wie unterscheiden sich gleich alte Gruppen? | Kleine oder unreife Kohorten werden überinterpretiert |
Der Messvertrag: fünf Definitionen vor jeder Berechnung
Eine farbige Matrix ist erst interpretierbar, wenn die Regeln dahinter sichtbar sind. Dokumentieren Sie den Messvertrag im Dashboard oder in der Kennzahlendefinition. Ändert sich eine Regel, markieren Sie den Methodenbruch; sonst kann eine neue Datenlogik wie eine Verhaltensänderung aussehen.
Beobachtungseinheit
Kunde, Account, Nutzer, Vertrag oder Bestellung. Die Einheit darf im Nenner nicht wechseln.
Kohortenschlüssel
Das gemeinsame Merkmal, meist die Periode des ersten qualifizierenden Ereignisses.
Eintrittsereignis
Zum Beispiel erste bezahlte Bestellung oder Aktivierung eines zahlenden Vertrags—not Registrierung und Kauf gemischt.
Zeitpunkt null
Festlegen, ob Periode 0 das Eintrittsintervall oder die erste vollständige Folgeperiode bezeichnet.
Fenster und Aktivität
Periodenlänge, Zeitzone, Beobachtungsende und Ereignis, das „aktiv“ bedeutet.
Gerade „Retention“ benötigt eine Geschäftsdefinition. Bei einem Abonnement kann sie einen noch aktiven Vertrag am Periodenende bezeichnen. Im transaktionalen Handel ist „mindestens ein erneuter Kauf in Periode N“ eine periodische Wiederkaufsrate und keine durchgehende Überlebenswahrscheinlichkeit. Diese Metriken sollten nicht unter demselben Label vermischt werden.
Eine Retention-Matrix richtig lesen
In der Standardmatrix steht jede Zeile für eine Startkohorte. Die Spalten zeigen das relative Alter. Periode 0 ist häufig 100 %, weil das Eintrittsereignis die Aufnahme in die Kohorte definiert; dieser Wert enthält dann noch keine Aussage zur Bindung. Jede spätere Zelle verwendet dieselbe Ausgangskohorte als Nenner.
„Berechtigt“ muss für Stornos, Betrug, Testaccounts oder Datenlöschungen eindeutig geregelt sein. Entfernen Sie Mitglieder nicht nachträglich nur deshalb aus dem Nenner, weil sie inaktiv geworden sind. Für Umsatz- oder Deckungsbeitragskohorten wird statt aktiver Mitglieder ein konsistent definierter Wert je ursprünglichem Kunden oder Account berichtet.
Rechenbeispiel: drei Akquisitionskohorten
Ein Händler bildet monatliche Kundenkohorten nach der ersten bezahlten Bestellung. „Aktiv“ bedeutet in diesem Beispiel mindestens eine weitere bezahlte, nicht vollständig stornierte Bestellung in der jeweiligen Folgeperiode. Der Bericht wird Ende April erstellt.
| Kohorte | n | Periode 0 | Periode 1 | Periode 2 | Periode 3 |
|---|---|---|---|---|---|
| Januar | 200 | 100 % | 35 % (70) | 25 % (50) | 21 % (42) |
| Februar | 240 | 100 % | 40 % (96) | 25,8 % (62) | — |
| März | 180 | 100 % | 45 % (81) | — | — |
Für die Januar-Kohorte ergibt sich in Periode 2: 50 ÷ 200 = 25 %. Februar erreicht in derselben relativen Periode 62 ÷ 240 = 25,8 %. Diese gleich alten Zellen sind vergleichbar, sofern Definition und Datenabdeckung gleich sind. März kann dagegen erst in Periode 1 beurteilt werden. Der Anstieg der Periode-1-Werte von 35 auf 40 auf 45 % ist ein deskriptives Signal; er beweist nicht, welche Maßnahme ihn ausgelöst hat.
Right-Censoring und Stichprobenunsicherheit
Neuere Kohorten haben weniger Zeit, spätere Perioden zu erreichen. Dieses Problem heißt Rechtszensierung oder Right-Censoring. Die Striche in der Beispielmatrix bedeuten „noch nicht beobachtbar“, nicht null. Summen, Mittelwerte und Visualisierungen müssen diese Zellen als fehlend behandeln. Ein Vergleich „vollständiger LTV nach sechs Monaten“ darf nur Kohorten einschließen, deren Sechsmonatsfenster geschlossen ist.
- Haben beide Kohorten die verglichene relative Periode vollständig durchlaufen?
- Ist die Datenerfassung für beide Kohorten gleich vollständig und nach derselben Regel geschlossen?
- Werden absolute Zähler und ursprüngliche Kohortengröße neben dem Prozentsatz gezeigt?
Auch eine reife Zelle kann unsicher sein. Kleine Kohorten reagieren stark auf einzelne Kunden; tiefe Segmentierung verschärft das. Es gibt keine allgemeingültige Mindestgröße. Bewerten Sie die Stichprobe anhand der Entscheidung, der erwarteten Grundrate und der benötigten Genauigkeit. Zeigen Sie n, prüfen Sie Intervalle oder Sensitivität und bündeln Sie Zeiträume, wenn die Einzelkohorten zu volatil sind. Das Zusammenfassen erhöht Stabilität, kann aber kurzfristige Veränderungen verdecken.
Segmentieren, ohne das Signal zu zerlegen
Nach der zeitbasierten Basissicht kann eine zweite Dimension erklären, wo ein Unterschied konzentriert ist. Sinnvolle Segmente sind nur solche, die sauber erfasst werden und eine konkrete Entscheidung verändern. Mehrere Dimensionen gleichzeitig erzeugen schnell kleine Zellen und zufällige Ausschläge.
| Segment | Prüffrage | Mögliche Entscheidung | Kontrolle |
|---|---|---|---|
| Akquisitionskanal | Unterscheiden sich gleich alte Kunden nach Kanal? | Budgettest oder Zielgruppe prüfen | Attribution und Kundenmix |
| Erstprodukt / Tarif | Hat der Einstieg einen anderen Folgeverlauf? | Onboarding oder Sortiment untersuchen | Preis, Rabatt und Verfügbarkeit |
| Region | Ist der Unterschied geografisch konzentriert? | Lokale Erfahrung oder Fulfillment prüfen | Steuern, Versand und Stichprobe |
| Vertrags- / Bestellwert | Verlaufen Wertgruppen unterschiedlich? | Service- oder Angebotslogik testen | Regression zum Mittelwert |
Eine auffällige Kohorte ist ein Ausgangspunkt für Diagnose. Prüfen Sie Kalender- und Saisoneffekte, Kanal- und Produktmix, Preisänderungen, Kampagnen, Datenmigrationen und operative Einschränkungen. Erst dann formulieren Sie eine Hypothese und wählen – wenn die Entscheidung es rechtfertigt – einen kontrollierten Test. Kohortendifferenzen allein sind keine Kausalitätsnachweise.
Ein belastbarer Analyse-Workflow
- Entscheidung notieren: Legen Sie fest, welche operative Frage die Analyse beantworten soll.
- Messvertrag schließen: Dokumentieren Sie Einheit, Schlüssel, Ereignis, Zeitpunkt null, Fenster und Aktivitätsregel.
- Identitäten deduplizieren: Verhindern Sie, dass derselbe Kunde durch Geräte, Shops oder Systeme mehrfach eingeht.
- Matrix mit n bauen: Zeigen Sie Prozent, absoluten Zähler, Ausgangsgröße und Datenstand.
- Reife begrenzen: Vergleichen Sie nur vollständig beobachtete relative Perioden.
- Ein Segment prüfen: Zerlegen Sie das Signal entlang einer entscheidungsrelevanten Dimension.
- Hypothese testen: Trennen Sie Datenfehler, Mixeffekt, zeitliche Korrelation und mögliche Ursache.
Für monetäre Auswertungen ergänzt der Begriff Kohorten-LTV die Retention-Sicht. Die Grundlagen des Kundenwerts stehen unter Customer Lifetime Value; bei vertraglichen Modellen helfen außerdem Churn Rate und Net Revenue Retention. Verwenden Sie dabei dieselbe Kunden-, Umsatz- und Periodenabgrenzung.
Häufige Fragen
Was ist eine Kohortenanalyse?
Eine Kohortenanalyse gruppiert Beobachtungseinheiten nach einem gemeinsamen Startmerkmal und vergleicht ihr Verhalten im gleichen relativen Alter. Beispielsweise werden Kunden nach dem Monat ihrer ersten bezahlten Bestellung gruppiert und anschließend in Monat 1, 2 und 3 nach dem Einstieg verglichen.
Was ist der Unterschied zwischen Kohortenanalyse und einer aggregierten Trendanalyse?
Eine aggregierte Trendanalyse mischt Kunden unterschiedlichen Alters und zeigt die Entwicklung nach Kalenderperiode. Eine Kohortenanalyse richtet Gruppen an ihrem jeweiligen Startzeitpunkt aus. Dadurch lässt sich erkennen, ob eine Veränderung aus dem Mix alter und neuer Kunden oder aus einem anderen Verlauf gleich alter Kohorten stammt.
Wie liest man eine Retention-Matrix?
Die Zeile bezeichnet die Startkohorte, die Spalte das relative Alter seit dem definierten Start. Eine Zelle zeigt den Anteil oder Wert dieser Ausgangskohorte in der jeweiligen Periode. Werte dürfen nur verglichen werden, wenn Kohortenschlüssel, Aktivitätsdefinition, Nenner und Periodenlogik identisch sind.
Warum bleiben bei neuen Kohorten Zellen leer?
Neue Kohorten konnten spätere Beobachtungsperioden noch nicht erreichen. Diese rechtszensierten Zellen sind unbekannt und werden deshalb leer gelassen. Sie als null zu behandeln würde die Retention neuer Kohorten künstlich verschlechtern.
Wie groß muss eine Kohorte sein?
Es gibt keine universelle Mindestgröße. Die erforderliche Stichprobe hängt von Grundrate, gewünschter Genauigkeit, Segmentierung und Entscheidung ab. Berichten Sie die Kohortengröße mit jedem Wert, betrachten Sie Unsicherheit und fassen Sie Perioden zusammen, wenn einzelne Gruppen zu instabil sind.
Beweist eine bessere Kohorte, dass eine Kampagne funktioniert hat?
Nein. Eine Kohortenanalyse beschreibt Unterschiede, beweist aber allein keine Ursache. Saison, Kanal- und Produktmix, Preise, Datenabdeckung oder andere gleichzeitige Änderungen können den Verlauf beeinflussen. Eine kausale Aussage benötigt ein geeignetes Experiment oder eine belastbare Identifikationsstrategie.