Kohortová analýza
Kohortová analýza je metoda seskupování zákazníků podle společného výchozího bodu, nejčastěji měsíce nebo týdne, kdy provedli svůj první nákup, a následného sledování, jak se chování této skupiny vyvíjí v čase ve srovnání s ostatními kohortami. Odhaluje trendy v retenci, útratě a odlivu zákazníků, které by jediný agregovaný ukazatel průměrovaný napříč všemi zákazníky skryl.
Definice kohortové analýzy
Kohortová analýza je metoda pro porozumění chování zákazníků, která spočívá v seskupování lidí podle společného časového výchozího bodu, nejčastěji měsíce nebo týdne jejich prvního nákupu, a následném sledování, jak se každá skupina chová v následujících měsících. Namísto sledování jediného průměrného čísla retence nebo útraty napříč celou zákaznickou základnou rozděluje kohortová analýza zákazníky do “kohort” tak, aby byly trendy v čase viditelné: vydrží u vás nověji získaní zákazníci déle než ti, které jste získali před rokem, nebo se retence tiše zhoršuje, zatímco celkové tržby stále rostou, protože akvizice nových zákazníků maskuje pokles? Kohortová analýza je standardní technikou u předplatitelských služeb, ale stejně přímo se uplatní i v e-commerce, kde relevantním chováním bývá obvykle opakovaný nákup, retence nebo kumulativní útrata, nikoliv obnova předplatného.
Jak kohortová analýza funguje
Sestavení kohortové analýzy začíná definováním seskupení kohorty, nejčastěji kalendářního měsíce, kdy zákazník zadal svou první objednávku. Každý zákazník je přiřazen do právě jedné kohorty na základě data prvního nákupu. Odtud analýza pro každý měsíc po akvizici vypočítá, jaké procento dané kohorty provedlo další nákup nebo jaké tržby tato kohorta vygenerovala, čímž vzniká mřížka s kohortami jako řádky a “měsíci od akvizice” jako sloupci.
Praktický příklad: obchod získá v lednu 1 000 nových zákazníků. Z nich 280 provede druhý nákup během prvního měsíce po akvizici (1. měsíc), 190 je stále aktivních ve 3. měsíci a 140 zůstává aktivních v 6. měsíci. Obchod opakuje stejné sledování pro svou únorovou kohortu, březnovou kohortu a tak dále. Pokud únorová kohorta vykazuje 320 zákazníků stále aktivních v 1. měsíci namísto lednových 280, jde o významný signál — retence se zlepšuje a stojí za to prozkoumat, co se mezi lednem a únorem změnilo, ať už šlo o nový akviziční kanál, sekvenci onboardovacích e-mailů nebo změnu cen.
Proč kohortová analýza záleží pro e-commerce značky
Agregované metriky, jako je jediná průměrná míra retence nebo průměrná celoživotní hodnota zákazníka, mohou skrývat důležité trendy, protože průměrují chování zákazníků získaných v velmi odlišných časech a za velmi odlišných podmínek. Obchod, jehož celkové číslo retence vypadá stabilně, může mít ve skutečnosti zlepšující se retenci u nových kohort, kterou vyvažuje klesající retence u starších kohort, které odcházejí — rozdíl s velmi odlišnými strategickými důsledky. Kohortová analýza zviditelňuje a přiřazuje efekt konkrétním změnám: pokud značka v březnu změní sekvenci onboardovacích e-mailů, porovnání měsíční míry opakovaných nákupů březnové kohorty s únorovou kohortou izoluje efekt této konkrétní změny mnohem čistěji než sledování průměrného měsíčního čísla retence, které mísí staré a nové zákazníky dohromady.
Srovnávací tabulka: Kohortová analýza vs. jiné přístupy k analýze zákazníků
| Přístup | Co měří | Časová dimenze | Nejvhodnější pro |
|---|---|---|---|
| Kohortová analýza | Jak se skupiny získané v různých časech chovají v průběhu času | Explicitní, dle období akvizice | Izolaci vlivu akvizičních nebo produktových změn |
| RFM analýza | Aktuálnost, frekvenci a hodnotu nákupu v daném okamžiku | Okamžitý snímek, nikoliv časová řada | Segmentaci aktuální zákaznické základny pro cílení |
| Míra odlivu (Churn Rate) | Podíl zákazníků ztracených za určité období | Agregát napříč všemi zákazníky | Celkovou kontrolu zdraví (high-level health check) |
| Celoživotní hodnota (LTV) | Celkové očekávané tržby na zákazníka | Může být kohortová nebo průměrná | Zdůvodnění akvizičních výdajů |
| Segmentace zákazníků | Skupiny sdílející behaviorální nebo demografické rysy | Okamžitý snímek nebo průběžně | Cílení sdělení a nabídek |
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
Kohortová analýza a AI řízený obchod
Kohortová analýza je primárně interní analytická disciplína, nikoliv něco, s čím by AI nákupní asistenti přímo interagovali, ale hraje roli v tom, jak značky vyhodnocují zákazníky, které tito asistenti přivádějí. S tím, jak stále větší objem nákupů pochází z AI zprostředkovaného objevování, ať už prostřednictvím ChatGPT Shopping, Perplexity Shopping nebo AI-driven doporučení produktů, značky stále častěji chtějí vědět, zda si zákazníci získaní prostřednictvím těchto kanálů vedou v retenci a útratě jinak než zákazníci získaní tradičním vyhledáváním nebo placenými sociálními sítěmi. Sestavení kohorty specificky podle zdroje akvizice, včetně AI doporučené návštěvnosti, umožňuje značce odpovědět si na tuto otázku přímo, namísto hádání z jediného průměrného čísla retence.
Nástroje AmICited eshop_get_retention a eshop_get_ltv jsou oba svým návrhem postavené kolem akvizičních kohort a sledují, jak si každý měsíc noví zákazníci udržují retenci a kumulují hodnotu v čase. Tato struktura umožňuje snadno porovnat například to, zda zákazníci získaní v měsíci s velkou AI-viditelnostní kampaní vykazují jinou křivku retence než zákazníci získaní v předchozím měsíci, a to bez nutnosti ručně sestavovat kohortovou logiku z nezpracovaných exportů objednávek.
Osvědčené postupy pro kohortovou analýzu
- Definujte kohorty na základě konzistentní, smysluplné události, nejčastěji měsíce prvního nákupu, a udržujte tuto definici stabilní po celé sledované období, aby kohorty zůstaly srovnatelné
- Sledujte u každé kohorty více než jednu metriku, například míru opakovaných nákupů a kumulativní útratu, protože kohorta může mít dobrou retenci, ale utrácet méně, nebo naopak
- Porovnávejte kohorty s ohledem na konkrétní známé změny (nový akviziční kanál, změna ceny, úprava onboardingu), namísto pouhého sledování křivek bez hypotézy
- Dejte novějším kohortám dostatek času na dozrání, než začnete vyvozovat závěry, protože chování kohorty v prvním měsíci nemusí vždy předpovídat její konečný vzorec
- Dále segmentujte kohorty podle akvizičního kanálu nebo prvního zakoupeného produktu, pokud samotný pohled podle měsíce akvizice nestačí k vysvětlení odchylky
Časté chyby v kohortové analýze
Častou chybou je vyvozování závěrů z kohorty, která je příliš mladá na to, aby dozrála — srovnávání raných čísel dvouměsíční kohorty s celou trajektorií roční kohorty a zaměňování časného náskoku nebo zpoždění za trvalý trend. Dalším běžným problémem je nekonzistentní definování kohort v čase, například přepnutí akviziční události z “první nákup” na “datum registrace” v průběhu sledovaného období, což naruší srovnatelnost mezi kohortami sestavenými před a po změně. Některé týmy se také dívají pouze na procento retence, aniž by ho doplnily o tržby na kohortu, a přehlížejí tak případy, kdy si kohorta udržuje podobnou míru retence, ale utrácí výrazně méně na objednávku — rozdíl s reálnými důsledky pro predikci celoživotní hodnoty. Dalším úskalím je považovat jednorázový propad kohorty za trvalý trend bez ověření vnější příčiny, například sezónního akvizičního výkyvu, který přivedl zákazníky s nižším záměrem, kteří by nikdy nedosahovali takové retence jako typická kohorta, bez ohledu na jakoukoliv interní změnu. A konečně, některé značky sestaví tabulky kohort, ale nikdy je nepropojí s akvizičními náklady, čímž přicházejí o ten nejpřímější případ použití: potvrzení, zda zákazníci z daného kanálu stojí za to, co stojí je získat, jakmile je znám jejich skutečný vzorec retence a útraty.