Analytics

Was ist eigentlich eine Kohortenanalyse?

kohortenanalyse

Data Scientists werden bewundert, denn sie sehen in Zahlenkolonnenen oft Dinge, die anderen verborgen bleiben. Diese Fähigkeit ist naturgemäß im Marketing heiß begehrt. Tatsächlich hilft Dir Data Driven Marketing dabei, mehr über Kunden zu erfahren und Angebote besser auszurichten. Ein beliebtes Werkzeug ist die Kohortananalyse.

Was ist denn nun eine Kohortenanalyse?

Kohortenanalysen werden eingesetzt, um Gruppen anhand eines gemeinsamen Merkmals innerhalb eines bestimmten Zeitraumes oder Zeitpunktes zu identifizieren. Bei den Gruppen handelt es sich um sogenannte Kohorten (lat. cohors = ‚eingegrenzter Raum‘, ‚Schar‘), die ein gemeinsames Merkmal besitzen. Unterschiedliche Gruppen wiederum können ganz unterschiedliche Merkmale besitzen.

Prinzipiell wird zwischen Längsschnittuntersuchung, Zeitreihenuntersuchung und Querschnittsuntersuchung unterschieden:

Längsschnittuntersuchung: Es wird dieselbe Gruppe an mehreren Zeitpunkten untersucht. Somit wird festgestellt, welche Veränderungen in einer Gruppe im Zeitverlauf auftreten.

Zeitreihenuntersuchung: Es werden unterschiedliche Gruppen untersucht, die sich durch das gleiche Merkmal (z.B. Akquisedatum) auszeichnen.

Querschnittsuntersuchung: Es werden mehrere Gruppen zum gleichen Zeitpunkt untersucht. Dabei liegt der Schwerpunkt der Untersuchung auf den verschiedenen Altersgruppen.

Kohorteneffekte

Jahrgänge oder Gruppen von Jahrgängen sind Kohorten.
Von den Kohorteneffekten spricht man, wenn sich eine Kohorte durch ein bestimmtes Verhalten auszeichnet. Man unterscheidet:

Alterseffekte: Es handelt sich um Veränderungen der Gewohnheiten, die sich auf das Alter zurückführen lassen.

Periodeneffekte: Es handelt sich im Veränderungen, die sich generationsunabhängig und unabhängig von soziodemographischen Faktoren entwickeln.

Kohortenanalyse im Marketing

Marketer möchten ihre Maßnahmen optimal aussteuern, um den ROI zu maximieren. Voraussetzung dafür sind ausreichende Kenntnisse über Zielkunden sowie den Markt. Diese fehlen oft, wenn die Kundenstruktur alles ansere als homogen ist und man viele verschiedene Produkte anbietet, wie z.B. im B2C E-Commerce. Hier kann es sehr interessant sein, z.B. das Verhalten von Neu- bzw. Bestandskunden separat zu betrachten und so die Effizienz von Follow-up-Kampagnen zu optimieren. Hierbei hilft die Kohortentenanalyse.

Kohortenanalyse mit Google Analytics

Dank Google Analytics sind Kohortenanalyse ohne große Vorkenntnisse durchführbar. Zwar lassen sich Kohorten hier allein auf Basis ihres Akquisedatums bilden, doch dafür kann man bequem Variablen wie Alter, Region oder sogar das verwendete Endgerät in die Analyse mit einbeziehen.

Beispiel Kohortenanalyse
Quelle: Amazee Metrics

Messwerte in Überblick

Kundenbindung

Die Anzahl der Nutzer in der Kohorte, die im n-ten Zeitraum (Tag, Woche, Monat) zurückgekehrt sind, geteilt durch die Gesamtzahl der Nutzer in der Kohorte

Abschlüsse für Zielvorhaben je Nutzer

Gesamtanzahl der abgeschlossenen Ziele nach Kohorte, geteilt durch die Gesamtgröße der Kohorte.

Seitenaufrufe pro Nutzer

Gesamtanzahl an Aufrufen (Seiten- oder Bildschirmaufrufe) nach Kohorte, geteilt durch die Gesamtgröße der Kohorte.

Sitzungen pro Nutzer

Gesamtanzahl der gestarteten Sitzungen nach Kohorte, geteilt durch die Gesamtgröße der Kohorte.

Sitzungsdauer pro Nutzer

Besuchszeit insgesamt (hh:mm:ss) nach Kohorte, geteilt durch die Gesamtgröße der Kohorte.

Transaktionen pro Nutzer

Gesamtanzahl der Transaktionen nach Kohorte, geteilt durch die Gesamtgröße der Kohorte.

Umsatz pro Nutzer

Gesamtumsatz nach Kohorte, geteilt durch die Gesamtgröße der Kohorte.

Beispiel: Customer Retention

Eine Kohortanalsyse eignet sich hervorragend, wenn man seine Customer Retention näher unter die Lupe nehmen möchte. Das zeigt das folgende Beispiel von moengage

Kohortanalyse Beispiel

Aus dieser Kohortenanalyse lässt sich folgendes ableiten:

1. Von allen Kunden, welche die App am 6. September 2019 installiert haben, waren 35.89% bis zum Tag #1 aktiv. Danach sinkt deren Anteil signifikant.

2. Durchschnittlich sind am Tag #4 nur noch 16,94% aller Kunden aktiv.

3. Ab dem 10. September 2019 gibt es einen spürbaren Einbruch bei den Registrierungen – ggf. ausgelöst durch Unzulänglichkeiten in der Customer Journey und verstärkte Absprungbereitschaft, technische Probleme, fehlende Features etc.

Ebenfalls interessant
Predictive Marketing
Was ist eigentlich Predictive Marketing?
Kundenlebenswert
Was ist eigentlich der Kundenlebenswert?

Bitte kommentieren

Ihr Kommentar*

Ihr Name*
Ihre Website