Kohortní analýza rozdělí tvé zákazníky podle měsíce, kdy se připojili, a pak každou skupinu sleduje zvlášť v čase. Místo jednoho smíšeného průměru vidíš, jak se lednová skupina chová ve třetím měsíci ve srovnání s červnovou skupinou. Odděluje tak efekt tvých úprav produktu od efektu růstu.
Kohortní tabulku sestavíš tak, že řádky jsou měsíce připojení a sloupce jsou měsíce od připojení. Každá buňka ukazuje, kolik lidí z dané skupiny je stále aktivních. Čtení sloupce shora dolů ti řekne, zda se noví zákazníci chovají lépe než starší.
Příklad. Tvá lednová kohorta má 200 zákazníků. Po třech měsících jich stále platí 120, takže retence ve třetím měsíci je 60 procent. Tvá červnová kohorta má 500 zákazníků a po třech měsících jich zůstává 350, což je 70 procent. Něco, co jsi mezi lednem a červnem změnil, zafungovalo. Smíšené číslo retence napříč všemi zákazníky by to skrylo, protože větší červnová skupina by průměr strhla k sobě.
Kohorty odhalí i opačný problém. Rychlý růst dělá celkový churn nízkým, jednoduše proto, že většina zákazníků je nová a nikdo ještě neměl čas odejít. Když se růst zpomalí, churn, který tam vždy byl, se stane viditelným.
Chyba, kterou zakladatelé dělají, je srovnávat kohorty různého stáří. Tvá červnová kohorta existuje tři měsíce a lednová osm. Samozřejmě že z lednové skupiny odešlo víc lidí. Srovnávej třetí měsíc se třetím měsícem, šestý se šestým, a nikdy neměř čísla mladé kohorty proti celé životnosti staré.
K tomu nepotřebuješ velkou zákaznickou základnu. S 50 zákazníky měsíčně už vidíš, jestli se mění retence ve druhém měsíci. Kohortní tabulky fungují i pro výnos, frekvenci objednávek a používání, ne jen pro retenci.
