Kohorttianalyysi ryhmittelee asiakkaasi liittymiskuukauden mukaan ja seuraa sitten kutakin ryhmää erikseen ajan mittaan. Yhden sekoitetun keskiarvon sijaan näet, miten tammikuun ryhmä käyttäytyy kolmannessa kuussa verrattuna kesäkuun ryhmään. Se erottaa tuotemuutostesi vaikutuksen kasvun vaikutuksesta.
Rakennat kohorttitaulukon, jossa liittymiskuukaudet ovat riveinä ja liittymisestä kuluneet kuukaudet sarakkeina. Jokainen solu näyttää, kuinka moni kyseisestä ryhmästä on yhä aktiivinen. Sarakkeen lukeminen ylhäältä alas kertoo, käyttäytyvätkö uudemmat asiakkaat paremmin kuin vanhemmat.
Esimerkki. Tammikuun kohortissasi on 200 asiakasta. Kolmen kuukauden jälkeen 120 maksaa yhä, joten kolmannen kuukauden pysyvyys on 60 prosenttia. Kesäkuun kohortissasi on 500 asiakasta, ja kolmen kuukauden jälkeen 350 on jäljellä, mikä on 70 prosenttia. Jokin, minkä muutit tammikuun ja kesäkuun välillä, toimi. Kaikkien asiakkaiden yhteinen sekoitettu pysyvyysluku peittäisi tämän, koska suurempi kesäkuun ryhmä vetää keskiarvoa puoleensa.
Kohortit paljastavat myös päinvastaisen ongelman. Nopea kasvu saa kokonaispoistuman näyttämään pieneltä yksinkertaisesti siksi, että useimmat asiakkaat ovat uusia, eikä kenelläkään ole vielä ollut aikaa lähteä. Kun kasvu hidastuu, koko ajan olemassa ollut poistuma tulee näkyväksi.
Virhe, jonka perustajat tekevät, on eri-ikäisten kohorttien vertailu. Kesäkuun kohorttisi on ollut olemassa kolme kuukautta ja tammikuun kohorttisi kahdeksan. Tietenkin useampi tammikuun ryhmästä on lähtenyt. Vertaa kolmatta kuukautta kolmanteen kuukauteen, kuudetta kuudenteen, äläkä koskaan pidä nuoren kohortin lukuja vasten vanhan kohortin koko elinkaarta.
Tähän ei tarvita suurta asiakaskuntaa. 50 asiakkaalla kuukaudessa näet jo, liikkuuko toisen kuukauden pysyvyys. Kohorttitaulukot toimivat myös liikevaihdolle, tilaustiheydelle ja käytölle, ei vain pysyvyydelle.
