Cohortanalyse groepeert je klanten naar de maand waarin ze klant werden, en volgt elke groep afzonderlijk in de tijd. In plaats van één gemengd gemiddelde zie je hoe de januarigroep zich in maand drie gedraagt vergeleken met de junigroep. Het scheidt het effect van je productwijzigingen van het effect van groei.
Je bouwt een cohorttabel met instroommaanden als rijen en maanden sinds instroom als kolommen. Elke cel toont hoeveel van die groep nog actief zijn. Een kolom van boven naar beneden lezen vertelt je of nieuwere klanten zich beter gedragen dan oudere.
Een voorbeeld. Je januaricohort heeft 200 klanten. Na drie maanden betalen er nog 120, dus de retentie in maand drie is 60 procent. Je junicohort heeft 500 klanten, en na drie maanden blijven er 350 over, dat is 70 procent. Iets wat je tussen januari en juni hebt veranderd, werkte. Een gemengd retentiecijfer over alle klanten zou dit verbergen, omdat de grotere junigroep het gemiddelde meetrekt.
Cohorten leggen ook het omgekeerde probleem bloot. Snelle groei maakt de totale churn laag lijken, simpelweg omdat de meeste klanten nieuw zijn en nog niemand tijd heeft gehad om te vertrekken. Als de groei vertraagt, wordt de churn die er altijd al was zichtbaar.
De fout die oprichters maken is cohorten van verschillende leeftijden vergelijken. Je junicohort bestaat drie maanden en je januaricohort acht maanden. Natuurlijk is er meer van de januarigroep vertrokken. Vergelijk maand drie met maand drie, maand zes met maand zes, en houd nooit de cijfers van een jonge cohort tegen de volledige levensduur van een oude.
Je hebt geen groot klantenbestand nodig hiervoor. Met 50 klanten per maand kun je al zien of de retentie in maand twee verandert. Cohorttabellen werken ook voor omzet, bestelfrequentie, en gebruik, niet alleen voor retentie.
