Kohortenanalyse

Eine Kohorte ist eine Gruppe von Nutzern, die ein gemeinsames Ereignis zum gleichen Zeitpunkt erlebt haben – am häufigsten die Erstregistrierung, den ersten Websitebesuch oder die erste Bestellung. Die gängigste Form ist die akquisitionsbasierte Kohorte: Alle Nutzer, die in derselben Kalenderwoche gewonnen wurden, bilden eine Einheit, deren Entwicklung anschließend getrennt verfolgt wird. Daneben existieren verhaltensbasierte Kohorten, die Nutzer nach einer gemeinsamen Aktion gruppieren, etwa nach dem Abschluss eines Onboardings oder der Nutzung einer bestimmten Funktion.

Der entscheidende Vorteil liegt in der Vergleichbarkeit über die Zeit. Wenn die Retention insgesamt sinkt, bleibt unklar, ob frühere Kunden abwandern oder neue Kunden schlechter konvertieren. Die Kohortenanalyse trennt diese Effekte sauber, weil jede Gruppe für sich betrachtet wird. So lässt sich erkennen, ob eine Produktänderung im März die Bindung der danach gewonnenen Kohorten tatsächlich verbessert hat.

Damit unterscheidet sich die Kohortenanalyse grundlegend von einer reinen Momentaufnahme. Eine einzelne Kennzahl wie die Gesamtzahl aktiver Nutzer kann stabil wirken, obwohl darunter ständig alte Kunden gehen und neue nachrücken – ein Effekt, der echte Probleme der Kundenbindung verschleiert. Erst die Verfolgung definierter Gruppen über ihren Lebenszyklus hinweg legt offen, ob ein Unternehmen wirklich nachhaltig wächst oder nur ein Leck mit immer neuer Akquise stopft.

Klassisch wird eine Kohortenanalyse als Dreiecksmatrix dargestellt: Die Zeilen stehen für die einzelnen Kohorten (etwa Akquisitionswochen), die Spalten für die seit dem Start vergangene Zeit (Woche 0, Woche 1, Woche 2 und so weiter). Jede Zelle enthält einen Kennwert, häufig den Anteil der noch aktiven Nutzer in Prozent. Liest man eine Zeile von links nach rechts, sieht man den Lebenszyklus einer Kohorte; liest man eine Spalte von oben nach unten, vergleicht man verschiedene Kohorten zum selben relativen Zeitpunkt.

In Google Analytics 4 steht hierfür ein eigener Kohortenexplorer bereit, der Kohorten nach Akquisitionsdatum bildet und Metriken wie aktive Nutzer, Umsatz oder Transaktionen abbildet. Auch Matomo bietet einen vergleichbaren Kohortenbericht ohne die Stichprobenbildung großer Plattformen. Für individuelle Auswertungen exportieren viele Teams die Rohdaten und visualisieren das Raster in Looker Studio, um es in ihre Marketing-Dashboards einzubinden.

Eine typische Erkenntnis ist die Stabilisierung der Retentionskurve: In den ersten Tagen fällt der Anteil aktiver Nutzer stark ab, flacht dann aber ab und bildet ein Plateau. Liegt dieses Plateau bei null, fehlt dem Produkt ein nachhaltiger Wert; ein stabiles Plateau deutet auf einen tragfähigen Kern loyaler Nutzer hin.

Die Kohortenanalyse beantwortet konkrete Geschäftsfragen. Im E-Commerce zeigt sie, wie viele Erstkäufer eines Aktionszeitraums später erneut bestellen – eine direkte Grundlage zur Berechnung des Customer Lifetime Value. Im SaaS-Bereich macht sie die Net Revenue Retention sichtbar und legt offen, ob ein neuer Onboarding-Flow die frühe Abwanderung reduziert. Im Kampagnenkontext lässt sich vergleichen, ob über einen bestimmten Kanal gewonnene Nutzer langfristig wertvoller sind als andere.

Aus diesen Erkenntnissen entstehen handfeste Maßnahmen: Eine schwach bindende Kohorte kann durch gezielte E-Mail-Strecken reaktiviert werden, ein erfolgreicher Kanal erhält mehr Budget. Damit wird die Kohortenanalyse zum Bindeglied zwischen reiner Web-Analytics und operativer Steuerung.

Besonders wertvoll ist die Methode bei der Bewertung von Veränderungen. Führt ein Unternehmen ein neues Onboarding, eine Preisanpassung oder ein verändertes Produktfeature ein, lässt sich der Effekt sauber an den Kohorten ablesen, die danach gewonnen wurden. Steigt deren Retention gegenüber früheren Kohorten zum gleichen relativen Zeitpunkt, war die Maßnahme erfolgreich. Diese kausale Lesart macht die Kohortenanalyse zu einem der ehrlichsten Instrumente im datengetriebenen Online-Marketing, weil sie Erfolg nicht behauptet, sondern über die Zeit nachweist.

So aussagekräftig die Kohortenanalyse ist, so leicht lässt sie sich fehlinterpretieren. Ein verbreiteter Fehler ist die Wahl einer ungeeigneten Granularität: Tägliche Kohorten erzeugen bei kleinen Datenmengen verrauschte Werte, monatliche Kohorten verwischen kurzfristige Effekte. Die passende Auflösung hängt von der Kaufhäufigkeit und der Nutzeranzahl ab und sollte bewusst gewählt werden, statt blind die Voreinstellung des Tools zu übernehmen.

Ein weiterer Stolperstein sind saisonale Effekte. Eine Weihnachtskohorte verhält sich anders als eine Sommerkohorte, weshalb der Vergleich verschiedener Kohorten immer den Kontext berücksichtigen muss. Auch Mischungen unterschiedlicher Kanäle innerhalb einer Kohorte können das Bild verzerren; hier hilft eine zusätzliche Segmentierung nach Akquisitionsquelle, um Äpfel mit Äpfeln zu vergleichen.

Schließlich beantwortet die Kohortenanalyse das Was und Wann, selten aber das Warum. Sie zeigt, dass eine Gruppe abspringt, nicht aber die Ursache. Deshalb wird sie idealerweise mit qualitativen Methoden wie Nutzerbefragungen oder Session-Recordings kombiniert, um aus dem beobachteten Muster eine belastbare Hypothese und konkrete Maßnahmen abzuleiten.

Da eine Kohortenanalyse Nutzer über längere Zeiträume verfolgt, berührt sie unmittelbar die DSGVO. Maßgeblich ist eine rechtskonforme Einwilligung über ein Consent-Management, da andernfalls Daten fehlen und Kohorten unvollständig bleiben. Aggregierte, pseudonymisierte Auswertungen sind datenschutzfreundlicher als die Analyse auf individueller Nutzerebene und sollten bevorzugt werden, wo es die Fragestellung zulässt.

Auf der technischen Seite ist eine saubere Zuordnung des Startzeitpunkts entscheidend. Cross-Device-Wechsel, gelöschte Cookies und unterschiedliche Zeitzonen können Kohorten verfälschen. Ein regelmäßiges Performance Audit der Tracking-Implementierung stellt sicher, dass die Datenbasis belastbar ist und die abgeleiteten Entscheidungen tragen.