Kohortenanalyse
Die Kohortenanalyse ist eine Methode, bei der Kunden nach einem gemeinsamen Startpunkt gruppiert werden, meist dem Monat oder der Woche ihres ersten Kaufs. Anschließend wird verfolgt, wie sich das Verhalten dieser Gruppe im Laufe der Zeit im Vergleich zu anderen Kohorten entwickelt. Sie zeigt Trends bei Kundenbindung, Ausgaben und Abwanderung auf, die ein einzelner aggregierter Kennwert, gemittelt über alle Kunden, verbergen würde.
Definition der Kohortenanalyse
Die Kohortenanalyse ist eine Methode zum Verständnis des Kundenverhaltens, bei der Personen nach einem gemeinsamen zeitlichen Startpunkt gruppiert werden, meist dem Monat oder der Woche ihres ersten Kaufs. Anschließend wird verfolgt, wie sich jede Gruppe in den Folgemonaten verhält. Anstatt eine einzelne gemischte Bindungs- oder Ausgabenzahl über den gesamten Kundenstamm zu betrachten, trennt die Kohortenanalyse Kunden in „Kohorten" auf, sodass Trends im Zeitverlauf sichtbar werden: Bleiben Kunden, die erst kürzlich gewonnen wurden, länger als Kunden, die vor einem Jahr gewonnen wurden? Oder verschlechtert sich die Kundenbindung still und leise, während der Gesamtumsatz weiter wächst, weil die Neukundenakquise den Rückgang überdeckt? Die Kohortenanalyse ist eine Standardtechnik in Abonnementgeschäften, lässt sich aber genauso direkt auf den E-Commerce anwenden, wo das relevante Verhalten meist der Wiederholungskauf, die Kundenbindung oder die kumulierten Ausgaben sind, und nicht die Abonnementverlängerung.
Wie die Kohortenanalyse funktioniert
Der Aufbau einer Kohortenanalyse beginnt mit der Definition der Kohortengruppierung, meist dem Kalendermonat, in dem ein Kunde seine erste Bestellung aufgegeben hat. Jeder Kunde wird basierend auf diesem Erskaufdatum genau einer Kohorte zugeordnet. Von dort aus berechnet die Analyse für jeden Monat nach der Akquisition, wie viel Prozent dieser Kohorte einen weiteren Kauf getätigt haben oder wie viel Umsatz diese Kohorte generiert hat, und bildet so ein Raster mit Kohorten als Zeilen und „Monate seit Akquisition" als Spalten.
Ein praktisches Beispiel: Ein Geschäft gewinnt im Januar 1.000 Neukunden. Von diesen tätigen 280 innerhalb ihres ersten Monats nach der Akquisition (Monat 1) einen Zweitkauf, 190 sind im Monat 3 noch aktiv und 140 sind im Monat 6 noch aktiv. Das Geschäft wiederholt diese Verfolgung für seine Februar-Kohorte, seine März-Kohorte und so weiter. Wenn die Februar-Kohorte im Monat 1 320 statt Januars 280 aktive Kunden aufweist, ist das ein bedeutendes Signal: Die Kundenbindung verbessert sich, und es lohnt sich zu untersuchen, was sich zwischen Januar und Februar geändert hat – ob es ein neuer Akquisitionskanal, eine Onboarding-E-Mail-Sequenz oder eine Preisänderung war.
Ready to Monitor Your AI Visibility?
Track how AI chatbots mention your brand across ChatGPT, Perplexity, and other platforms.
Warum die Kohortenanalyse für E-Commerce-Marken wichtig ist
Aggregierte Kennzahlen wie eine einzelne gemischte Retentionsrate oder der durchschnittliche Kundenlebenszeitwert können wichtige Trends verbergen, da sie das Verhalten von Kunden mitteln, die zu sehr unterschiedlichen Zeiten und unter sehr unterschiedlichen Bedingungen akquiriert wurden. Ein Geschäft, dessen Gesamtbindungsrate stabil erscheint, könnte tatsächlich eine verbesserte Bindung bei neuen Kohorten aufweisen, die durch eine sinkende Bindung bei älteren, abwandernden Kohorten ausgeglichen wird – ein Unterschied mit sehr unterschiedlichen strategischen Implikationen. Die Kohortenanalyse macht die Auswirkung spezifischer Änderungen sicht- und zurechenbar: Wenn eine Marke ihre Onboarding-E-Mail-Sequenz im März ändert, isoliert der Vergleich der Wiederkaufrate im Monat 1 der März-Kohorte mit der der Februar-Kohorte die Wirkung dieser spezifischen Änderung weitaus sauberer, als die gemischte monatliche Bindungsrate zu betrachten, die alte und neue Kunden vermischt.
Vergleichstabelle: Kohortenanalyse vs. andere Kundenanalysemethoden
| Ansatz | Was wird gemessen | Zeitdimension | Am besten geeignet für |
|---|---|---|---|
| Kohortenanalyse | Wie sich zu unterschiedlichen Zeiten akquirierte Gruppen im Zeitverlauf verhalten | Explizit, nach Akquisitionszeitraum | Isolierung von Auswirkungen durch Akquisitions- oder Produktänderungen |
| RFM-Analyse | Aktualität, Häufigkeit, Geldwert zu einem bestimmten Zeitpunkt | Momentaufnahme, keine Zeitreihe | Segmentierung des aktuellen Kundenstamms für gezielte Ansprache |
| Abwanderungsrate | Anteil der über einen Zeitraum verlorenen Kunden | Aggregiert über alle Kunden | Allgemeine Gesundheitsprüfung |
| Kundenlebenszeitwert (LTV) | Erwarteter Gesamtumsatz pro Kunde | Kohortenbasiert oder gemischt | Rechtfertigung von Akquisitionsausgaben |
| Kundensegmentierung | Gruppen mit gemeinsamen Verhaltens- oder demografischen Merkmalen | Momentaufnahme oder fortlaufend | Gezielte Messaging- und Angebotsansprache |
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
Kohortenanalyse und KI-gesteuerter Handel
Die Kohortenanalyse ist in erster Linie eine interne Analysedisziplin und nicht etwas, mit dem KI-Einkaufsassistenten direkt interagieren. Sie spielt jedoch eine Rolle dabei, wie Marken die Kunden bewerten, die diese Assistenten heranführen. Da immer mehr Kaufvolumen über KI-vermittelte Entdeckungen erfolgt – sei es durch ChatGPT Shopping, Perplexity Shopping oder KI-gesteuerte Produktempfehlungen – möchten Marken zunehmend wissen, ob Kunden, die über diese Kanäle gewonnen werden, sich in Bezug auf Bindung und Ausgaben anders verhalten als Kunden, die über traditionelle Suche oder bezahlte soziale Medien akquiriert werden. Der Aufbau einer spezifischen Kohorte nach Akquisitionsquelle, einschließlich KI-vermitteltem Traffic, ermöglicht es einer Marke, diese Frage direkt zu beantworten, anstatt aus einer einzigen gemischten Bindungszahl zu raten.
Die Tools eshop_get_retention und eshop_get_ltv von AmICited sind beide von Grund auf auf Akquisitionskohorten ausgerichtet und verfolgen, wie sich die Neukunden jedes Monats im Laufe der Zeit binden und Werte aufbauen. Diese Struktur macht es einfach zu vergleichen, ob sich Kunden, die in einem Monat mit einer großen KI-Sichtbarkeitskampagne gewonnen wurden, in ihrer Bindungsentwicklung von Kunden des Vormonats unterscheiden – ohne die Kohortenlogik manuell aus rohen Bestellexporten aufbauen zu müssen.
Best Practices für die Kohortenanalyse
- Definieren Sie Kohorten anhand eines konsistenten, aussagekräftigen Ereignisses, meist dem Monat des ersten Kaufs, und halten Sie diese Definition über den Berichtszeitraum stabil, damit Kohorten vergleichbar bleiben
- Verfolgen Sie nach Möglichkeit mehr als eine Kennzahl pro Kohorte, wie z. B. Wiederkaufrate und kumulierte Ausgaben, da eine Kohorte eine gute Bindung bei geringeren Ausgaben aufweisen kann oder umgekehrt
- Vergleichen Sie Kohorten mit bestimmten bekannten Änderungen (neuer Akquisitionskanal, Preisänderung, Onboarding-Update), anstatt nur Kurven ohne Hypothese zu beobachten
- Geben Sie neueren Kohorten genügend Zeit zu reifen, bevor Sie Schlussfolgerungen ziehen, da das Verhalten einer Kohorte im ersten Monat nicht immer ihr endgültiges Muster vorhersagt
- Segmentieren Sie Kohorten weiter nach Akquisitionskanal oder erstem gekauftem Produkt, wenn die reine Akquisitionsmonatsansicht eine Abweichung nicht erklärt
Häufige Fehler bei der Kohortenanalyse
Ein häufiger Fehler besteht darin, Schlussfolgerungen aus einer Kohorte zu ziehen, die noch zu jung ist, um ausgereift zu sein – also eine zwei Monate alte Kohorte mit den frühen Zahlen mit der gesamten Entwicklung einer ein Jahr alten Kohorte zu vergleichen und einen frühen Vor- oder Rückstand fälschlicherweise für einen dauerhaften Trend zu halten. Ein weiteres häufiges Problem ist die inkonsistente Definition von Kohorten im Zeitverlauf, beispielsweise der Wechsel des Akquisitionsereignisses von „Erstkauf" zu „Anmeldedatum" mitten in einem Berichtszeitraum, was die Vergleichbarkeit zwischen Kohorten vor und nach der Änderung beeinträchtigt. Manche Teams betrachten auch nur den Bindungsprozentsatz, ohne ihn mit dem Umsatz pro Kohorte zu kombinieren, und übersehen so Fälle, in denen eine Kohorte eine ähnliche Bindungsrate, aber deutlich geringere Ausgaben pro Bestellung aufweist – ein Unterschied mit echten Auswirkungen auf die Prognose des Kundenlebenszeitwerts. Eine weitere Falle ist die Behandlung eines einzelnen Kohortenabfalls als dauerhaften Trend, ohne nach einer externen Ursache zu suchen, wie etwa einem saisonalen Akquisitionsanstieg, der Kunden mit geringerer Kaufabsicht brachte, die unabhängig von internen Änderungen niemals die gleiche Bindung wie eine typische Kohorte aufweisen würden. Schließlich erstellen einige Marken Kohortentabellen, verbinden diese jedoch nie mit den Akquisitionsausgaben und übersehen so den direktesten Anwendungsfall: die Bestätigung, ob die Kunden eines Kanals die Kosten für ihre Akquisition wert sind, sobald ihr tatsächliches Bindungs- und Ausgabenverhalten bekannt ist.