I stedet for at se alle brugere eller kunder som én samlet gruppe deler man dem op i mindre grupper med et fælles kendetegn. Det er kernen i cohort analysis, på dansk kohorteanalyse.
En kohorte kan for eksempel bestå af personer, der har oprettet sig i samme måned, foretaget deres første køb i samme uge eller kommet fra den samme kampagne. Derefter følger man hver gruppe over tid for at se, hvordan adfærd, fastholdelse eller køb udvikler sig.
Metoden gør det lettere at opdage mønstre, som ellers kan forsvinde i samlede tal. Kohorteanalyse bruges derfor til at forstå, hvilke grupper der klarer sig bedst, og hvor der opstår ændringer i bruger- eller kundeadfærd.
Metoden går ud på at gruppere brugere eller kunder, som deler et bestemt fællestræk, og derefter følge deres udvikling over tid. En kohorte kan for eksempel oprettes ud fra anskaffelsestidspunkt, så alle, der blev kunder i samme uge eller måned, placeres i den samme gruppe. Kohorter kan også defineres ud fra adfærd, som køb af et bestemt produkt eller første login i en app, samt ud fra fælles egenskaber som kanal, abonnementstype eller geografi.
Det afgørende er tidsdimensionen. I stedet for kun at se på samlede tal undersøger man, hvordan hver kohorte ændrer sig fra uge til uge eller måned til måned. Det gør det lettere at opdage mønstre i fastholdelse, engagement og frafald. To kohorter kan have samme størrelse ved start, men udvikle sig meget forskelligt, når tiden går.
Et konkret eksempel er en webshop, der opdeler kunder efter den måned, de foretog deres første køb. Herefter måler man, hvor mange fra hver kohorte der køber igen efter 30, 60 og 90 dage. Hvis kunder fra april vender hurtigere tilbage end kunder fra marts, kan det pege på ændringer i kampagner, sortiment eller kundeoplevelse. Netop derfor er kohorteanalyse nyttig: Den viser ikke bare hvad der sker, men hvornår udviklingen ændrer sig.
Med kohorteanalyse følger man grupper af brugere eller kunder på tværs af tid, så udviklingen bliver synlig i stedet for udjævnet i et samlet gennemsnit. Det er især nyttigt, når man vil se, om nye brugere opfører sig anderledes end tidligere grupper, eller om en ændring i produkt, pris eller markedsføring faktisk har flyttet adfærden.
De mest almindelige nøgletal er retention, churn rate og konverteringsrate. Retention viser, hvor stor en andel af en kohorte der fortsat er aktiv efter en uge, måned eller et andet fast interval. Churn rate viser det modsatte: hvor mange der falder fra. Konverteringsraten bruges til at måle, hvor mange i en given kohorte der gennemfører en ønsket handling, for eksempel opretter abonnement, foretager køb eller vender tilbage efter første besøg.
Metoden bruges også til at vurdere kundelevetidsværdi, fordi man kan sammenligne, hvor meget forskellige kohorter skaber af værdi over tid. Aggregerede tal kan skjule store forskelle mellem grupper. En stabil gennemsnitlig retention kan dække over, at nye kohorter klarer sig dårligere, mens ældre kohorter holder tallet oppe. Derfor giver kohorter et mere præcist billede af adfærd, kvaliteten af kundeanskaffelse og effekten af konkrete ændringer.
Kohorteanalyse bliver for alvor værdifuld, når data kobles til konkrete forretningsmål. I en SaaS-virksomhed kan man for eksempel samle brugere efter oprettelsesmåned og følge, hvor mange der tager de vigtigste funktioner i brug i de første 7, 14 eller 30 dage. Hvis en ny kohorte aktiverer hurtigere efter en ændring i onboardingforløbet, tyder det på en reel forbedring. Falder aktiveringen derimod for brugere fra en bestemt kampagne, kan problemet ligge i forventningsafstemning eller målretning.
I e-handel bruges metoden ofte til at måle gentagne køb. En butik kan sammenligne kundekohorter fra forskellige måneder og se, hvor stor en andel der køber igen inden for 30, 60 eller 90 dage. Det gør det lettere at vurdere effekten af velkomstflows, rabatkoder eller ændringer i sortimentet. Hvis førstegangskøbere fra en ny produktkategori sjældnere vender tilbage, peger det på en forskel i kundeværdi, ikke bare i omsætning her og nu.
For abonnementsforretninger er kohorter centrale til at analysere fastholdelse og frafald. Et medieabonnement kan eksempelvis følge kohorter efter startmåned og se, om en prisændring, en ny prøveperiode eller et ændret indholdstilbud påvirker retention efter tredje eller sjette måned. Det giver et mere præcist billede end et samlet gennemsnit, fordi ændringer over tid bliver synlige i de enkelte grupper.
Den afgørende forskel er tid. I en kohorteanalyse følger man en gruppe brugere, kunder eller abonnenter, som deler et fælles startpunkt, for eksempel første køb eller oprettelsesdato, og måler hvordan deres adfærd udvikler sig uge for uge eller måned for måned. Almindelig segmentering opdeler derimod typisk brugere ud fra mere statiske kendetegn som alder, kanal, geografi eller enhedstype på et givent tidspunkt.
Segmenter viser altså, hvem brugerne er, mens kohorter i højere grad viser, hvordan grupper ændrer sig over tid. Det gør kohorteanalyse særlig nyttig til at forstå fastholdelse, churn og effekten af ændringer i produkt, onboarding eller kampagner.
Funnel-analyse er beslægtet, men har et andet fokus. Den viser, hvor mange der falder fra mellem bestemte trin i en proces, mens kohorteanalyse kan vise, om frafaldet udvikler sig forskelligt for forskellige startgrupper over tid. Attributionsanalyse handler primært om, hvilke kanaler eller kontaktpunkter der bidrager til en konvertering. RFM-analyse segmenterer kunder efter recency, frequency og monetary, men er normalt mere et øjebliksbillede end en egentlig tidsserie.
Start med at definere, hvilken gruppe brugere du vil følge, og hvad de skal have til fælles. En kohorte kan for eksempel bestå af kunder, der købte første gang i samme måned, eller brugere der oprettede en konto i samme uge. Vælg derefter den handling, du vil måle på, som fastholdelse, genkøb eller afmelding. Det er vigtigt, at du samtidig fastlægger en tydelig tidsenhed, for eksempel dage, uger eller måneder, så alle kohorter sammenlignes på samme grundlag.
Næste skridt er at sikre et brugbart datagrundlag. Du skal have unikke bruger-id’er, dato for den første hændelse, efterfølgende aktiviteter og en afgrænset analyseperiode. Data skal være ensartede og så komplette som muligt, ellers bliver resultatet misvisende. Vælg derefter kohortetype og opstil data i en tabel, hvor rækkerne typisk viser kohorter efter starttidspunkt, mens kolonnerne viser tidsperioder efter første aktivitet, som måned 0, måned 1 og måned 2.
Når tabellen er bygget, beregner du andele eller antal for hver celle. Måned 0 viser udgangspunktet, og de næste kolonner viser, hvor mange der stadig er aktive eller har gennemført den valgte handling. En kohortetabel læses derfor både vandret og lodret: vandret ser du udviklingen for den enkelte kohorte over tid, og lodret kan du sammenligne forskellige kohorter på samme trin. Afslut med at visualisere tallene, ofte som en farvet tabel eller graf, og fortolk mønstre, fald og forskelle mellem perioder.
Selv små skævheder i datagrundlaget kan give et forkert billede af, hvordan en kohorte udvikler sig. Hvis registreringer mangler, konverteringer måles forskelligt over tid, eller kun en del af brugerne indgår i analysen, bliver resultatet misvisende. Konsekvensen er, at man tror, en kanal, kampagne eller ændring virker bedre eller dårligere, end den faktisk gør.
En anden klassisk fejl er forkert segmentering. Samles nye og tilbagevendende kunder i samme kohorte, eller blandes trafik fra forskellige kanaler, bliver forskelle i adfærd udvisket. Det gør det svært at se, hvad der reelt driver fastholdelse, køb eller frafald. Omvendt kan alt for små segmenter give udsving, som ligner mønstre, men i praksis blot er tilfældigheder.
For korte måleperioder fører også ofte til dårlige konklusioner. En kohorte kan se svag ud efter få dage, men udvikle sig positivt over uger eller måneder. Samtidig er det en fejl at overfortolke små ændringer som sikre tendenser. Det kan føre til forhastede beslutninger, hvor man stopper indsatser, justerer budgetter eller ændrer indhold uden et solidt grundlag.
Cohort analysis, eller kohorteanalyse, er en metode, hvor man opdeler brugere eller kunder i grupper med et fælles kendetegn og følger dem over tid. Det fælles kendetegn kan for eksempel være oprettelsesdato, første køb eller den kampagne, de kom fra.
Formålet er at se, hvordan hver gruppe udvikler sig, i stedet for kun at se på samlede gennemsnit. Det gør det lettere at forstå retention, churn, konvertering og ændringer i adfærd.
Almindelig segmentering opdeler brugere efter kendetegn som geografi, kanal, alder eller enhedstype på et givent tidspunkt. Kohorteanalyse tilføjer en tidsdimension og følger grupper med samme startpunkt gennem flere perioder.
Derfor er kohorteanalyse særlig nyttig, når du vil forstå udvikling over tid, for eksempel om nye kunder fastholdes dårligere end tidligere kunder.
Start med at vælge, hvordan kohorten skal defineres, for eksempel efter første køb, oprettelsesuge eller første login. Vælg derefter det nøgletal, du vil måle, som retention, genkøb eller afmelding, og fastlæg en ensartet tidsenhed som dage, uger eller måneder.
Derefter samler du data i en tabel, hvor hver række er en kohorte, og hver kolonne viser udviklingen efter starttidspunktet. Til sidst sammenligner du mønstre mellem kohorterne for at se, hvor udviklingen forbedres eller forværres.
Du skal som minimum have et unikt bruger- eller kunde-id, en dato for den hændelse, der definerer kohorten, og data om de efterfølgende handlinger, du vil måle. Det kan være køb, logins, abonnementfornyelser eller afmeldinger.
Data skal være ensartede og dækkende over hele analyseperioden. Hvis registreringer mangler, eller målingen har ændret sig undervejs, kan resultaterne blive misvisende.
Retention måles ved at se, hvor stor en andel af en kohorte der stadig er aktiv efter en bestemt periode. Det kan for eksempel være andelen af nye brugere fra januar, som stadig logger ind efter 7, 30 eller 90 dage.
Ved at sammenligne retention på tværs af kohorter kan du se, om nyere grupper fastholdes bedre eller dårligere end tidligere. Det giver et mere præcist billede end et samlet gennemsnit.
Kohorteanalyse gør det muligt at se, hvornår frafaldet stiger, og hvilke grupper der er mest udsatte. Hvis churn for eksempel stiger markant efter første måned for en bestemt kohorte, kan du undersøge onboarding, produktoplevelse eller forventningsafstemning i netop den periode.
Metoden gør det også lettere at vurdere effekten af ændringer. Hvis en ny onboardingproces eller et ændret abonnement sænker churn for de efterfølgende kohorter, har du et tydeligere tegn på, at indsatsen virker.
De mest almindelige typer er anskaffelseskohorter, adfærdskohorter og egenskabsbaserede kohorter. Anskaffelseskohorter samler brugere efter, hvornår de blev kunder eller oprettede sig. Adfærdskohorter samler dem efter en handling, de har udført, for eksempel første køb eller brug af en bestemt funktion.
Egenskabsbaserede kohorter kan oprettes efter kanal, abonnementstype, geografi eller andre fælles karakteristika. Valget afhænger af, hvilket spørgsmål analysen skal besvare.
Rækkerne viser normalt kohorter efter starttidspunkt, for eksempel måned eller uge for første køb. Kolonnerne viser, hvordan hver kohorte udvikler sig efter start, typisk som periode 0, 1, 2 og så videre.
Læs tabellen vandret for at se udviklingen i én kohorte over tid. Læs den lodret for at sammenligne flere kohorter på samme trin, for eksempel retention efter 30 dage. Farvemarkeringer bruges ofte til hurtigt at se, hvor resultaterne er stærke eller svage.
Ja, i mange tilfælde kan kohorteanalyse laves i Google Analytics 4, især når du vil analysere brugerfastholdelse over tid. GA4 har rapporter og udforskningsmuligheder, som kan bruges til at gruppere brugere efter anskaffelse og følge deres aktivitet i efterfølgende perioder.
Mulighederne afhænger dog af, hvordan dataindsamlingen er sat op. Hvis du har brug for mere detaljerede kohorter eller vil kombinere data med abonnement, omsætning eller CRM-oplysninger, kan det være nødvendigt at arbejde videre i et datavarehus eller et eksternt analyseværktøj.
Anskaffelseskohorter grupperer brugere efter, hvornår de blev oprettet eller foretog første køb. De bruges ofte til at måle retention, churn og livstidsværdi for nye kunder over tid.
Adfærdskohorter grupperer derimod brugere efter en bestemt handling, for eksempel at de har brugt en funktion, set en produktside eller gennemført en prøveperiode. De er nyttige, når du vil forstå, om en bestemt adfærd hænger sammen med højere fastholdelse eller bedre konvertering.
De mest almindelige fejl er ufuldstændige data, uklare definitioner og forkert segmentering. Hvis du ikke måler brugere ens over hele perioden, eller hvis forskellige typer kunder blandes i samme kohorte, bliver sammenligningen usikker.
En anden typisk fejl er at drage konklusioner for tidligt. Små kohorter eller korte måleperioder kan give udsving, som ser vigtige ud, men som ikke holder, når datagrundlaget bliver større.