- En kohorteanalyse grupperer kunder efter måneden for deres første ordre og sammenligner grupperne i samme alder, hvilket månedlige totaler ikke kan.
- Aflæs rækker for én kohorte over tid, kolonner for kohorter i samme alder og diagonaler for kalendereffekter som et udsalg i november.
- Sammenlign kohorter pr. kunde og i bruttooverskud, så kohortens størrelse og rabatter på første ordre ikke forvrænger resultatet.
- En kohorte er værd at erhverve, når dens kumulative bruttooverskud pr. kunde overstiger dens CAC inden for en tid, du kan acceptere.
Kohorteanalyse i e-handel grupperer kunder efter måneden for deres første ordre og følger, hvad hver gruppe køber i månederne efter. Den viser, om de kunder, du vinder i dag, vender tilbage og bruger lige så meget som de kunder, du vandt før. En månedlig omsætningstotal kan ikke vise det, fordi den blander nye og tilbagevendende kunder i alle aldre.
Denne guide forklarer, hvordan du bygger en kohortetabel over kundeerhvervelse, hvordan du aflæser fastholdelse og kumulativt bruttooverskud pr. kunde, hvilke fejl der forvrænger billedet, og hvad ROASaurus viser.
Hvad er en kohorteanalyse?
En kohorte er en gruppe kunder, der har et fælles udgangspunkt. I e-handel er udgangspunktet som regel den første ordre. Alle, der første gang købte i marts, udgør marts-kohorten, uanset hvilken kanal de kom fra.
En kohortetabel har én række pr. kohorte og én kolonne pr. periode siden første ordre. M0 er måneden for den første ordre, M1 er måneden efter, og så videre. Hver celle besvarer ét spørgsmål for én gruppe i én alder: hvor mange kunder der kom tilbage, hvor meget de brugte, eller hvor meget bruttooverskud de efterlod.
Dette layout sammenligner kunder i samme alder. Marts-kohorten i sin tredje måned kan sammenlignes med juni-kohorten i dens tredje måned, selv om de måneder falder i forskellige sæsoner.
Shopify har en indbygget rapport med kundekohorteanalyse, der grupperer kunder efter deres første ordre på samme måde. Dens metrikker er kundeantal, fastholdelse og salg. For at se kohorter i bruttooverskud har du også brug for omkostningerne for hver ordre: produktomkostninger, fragt, betalingsgebyrer og håndtering.
Sådan bygger du en kohortetabel
- Indsaml betalte ordrer med en kundeidentitet
Hver ordre skal have et kunde-id eller en e-mailadresse. Uden et af dem kan du ikke knytte en anden ordre til den første. Udelad annullerede og ubetalte ordrer.
- Find hver kundes første ordre
Måneden for den ordre er kundens kohorte.
- Giv hver ordre en alder
Tæl månederne mellem kohortemåneden og ordrens måned: 0 for den første måned, 1 for den næste, og så videre.
- Læg sammen pr. kohorte og alder
Summér ordrer, omsætning og bruttooverskud i hver celle, og tæl de kunder, der bestilte.
- Divider med kohortens størrelse
Divider med antallet af kunder i kohorten, så kohorter af forskellig størrelse kan sammenlignes.
- Vælg pr. periode eller kumulativt
En celle pr. periode viser kun den måned. En kumulativ celle lægger alle måneder indtil nu sammen, hvilket er det, du sammenligner med erhvervelsesomkostningen.
Google Analytics tilbyder et lignende valg i sin kohorteudforskning med standard-, rullende og kumulative beregninger. Standard tæller hver periode for sig, og kumulativ lægger perioderne indtil nu sammen. Til webshop-kohorter skal du bruge celler pr. periode til fastholdelse og kumulative celler til værdi.
Sådan aflæser du en kohortetabel
Her er en tabel over fastholdelse for en eksempelshop, set i begyndelsen af januar. Hver celle viser andelen af kohorten, der bestilte igen i den måned.
| Første ordre | Kunder | M1 | M2 | M3 | M4 | M5 |
|---|---|---|---|---|---|---|
| Juli | 1,000 | 8% | 6% | 5% | 9% | 7% |
| August | 900 | 8% | 6% | 10% | 7% | – |
| September | 1,100 | 7% | 11% | 7% | – | – |
| Oktober | 1,050 | 12% | 8% | – | – | – |
| November | 2,400 | 5% | – | – | – | – |
Aflæs rækkerne
En række følger én kohorte over tid. I dette eksempel bestiller juli-kohorten igen med 8% i sin første måned. Raten falder til 5% i den tredje måned og hopper derefter til 9% i november.
Aflæs kolonnerne
En kolonne sammenligner kohorter i samme alder. I M1 klarede oktober sig bedst med 12% og november dårligst med 5%. Men M1 for oktober-kohorten var november, udsalgsmåneden. Så en del af de 12% kommer fra udsalget, ikke fra kohorten.
Aflæs diagonalerne
En diagonal er én kalendermåned på tværs af alle kohorter. Novemberdiagonalen lyder på 9%, 10%, 11% og 12%: Hver ældre kohorte købte mere i november. Når en diagonal skiller sig ud, skyldes det noget, der skete i den måned, f.eks. et udsalg, en produktlancering eller et leveringsproblem. Det siger intet om kohorternes kvalitet.
Selve november-kohorten er det egentlige spørgsmål. Den er mere end dobbelt så stor som de andre, men kun 5% af den kom tilbage i december. I samme måned kom hver anden kohorte tilbage med 7% eller 8%.
Kumulativ omsætning og bruttooverskud pr. kunde
Fastholdelse fortæller dig, om kunderne kommer tilbage. Kumulativ værdi pr. kunde fortæller dig, hvad de er værd. Læg alt sammen, hvad en kohorte har købt fra sin første ordre og frem, og divider med antallet af kunder i kohorten. Gør det i bruttooverskud, ikke kun i omsætning, fordi bruttooverskud er det, der betaler omkostningen ved at erhverve kunden tilbage.
Bag de to linjer: Marts-kohortens første ordrer lå i gennemsnit på $70 med en bruttomargin på 48%, så de efterlod $33.60 pr. kunde. November-kohortens første ordrer ville have været $80 til fuld pris, med den samme bruttomargin på 48%. Efter en rabat på 20% lå de i gennemsnit på $64, men omkostningerne forblev på $41.60. Bruttomarginen faldt til 35%, og hver første ordre efterlod $22.40. Rabatten skar i marginen på den første ordre, og færre af de kunder kom tilbage.
En kohorte er værd at erhverve, når dens kumulative bruttooverskud pr. kunde overstiger dens CAC inden for en tid, du kan acceptere. Den måned, hvor det sker, er tilbagebetalingsperioden. For marts-kohorten er det M0. For november-kohorten er det endnu ikke sket. Hvordan du sætter den grænse, er beskrevet i livstidsværdi for Shopify-shops, og selve marginen forklares i dækningsbidrag i e-handel.
Almindelige fejl i kohorteanalyse
At blande kohortestørrelser
En kohorte på 150 kunder og en kohorte på 2,400 fortjener ikke samme vægt. Når du tager gennemsnit af kohorter, skal du vægte hver enkelt efter antallet af kunder. Behandl små kohorter med omhu: I en kohorte på 150 flytter tre kunder, der hver bruger $200 mere, gennemsnittet med $4.
Den modsatte fejl er at sammenligne kohortetotaler. November-kohorten har mest omsætning i alt, kun fordi den har flest kunder. Sammenlign kohorter pr. kunde.
At aflæse unge kohorter som dårligere
En kohorte, der startede sidste måned, har kun haft én måned til at købe. Sammenlign den kun med ældre kohorter i samme alder. Den sidste celle i en række kan også være den aktuelle måned, som endnu ikke er slut, så den ser lav ud, indtil måneden er omme.
At ignorere sæsonudsving
Kohorter, der er erhvervet i en udsalgsmåned som november, opfører sig anderledes end kohorter, der er erhvervet til fuld pris. Sammenlign dem med samme måned et år tidligere, ikke med måneden før. Og tjek diagonalerne, før du bebrejder en kohorte: Hvis hver kohorte havde en svag måned på samme tid, er årsagen kalenderen.
At ignorere rabatter på første ordre
En rabat på første ordre henter kunder ind med en lavere margin, og nogle af dem kom for rabatten frem for for produktet. Del kohorter op efter rabatkoden på første ordre, og sammenlign deres bruttooverskud pr. kunde.
At miste kunder, der handler som gæster
Hvis en tilbagevendende kunde handler med en anden e-mailadresse, ligner vedkommende en ny kunde. Den anden ordre starter en ny kohorte i stedet for at tælle som en genkøbsordre. Genkøbsrater bliver så for lave og antallet af nye kunder for højt. Opfordr til kundekonti, og læs genkøbsrater som en nedre grænse.
Sådan handler du på en kohorteanalyse
- Fastsæt, hvad du kan betale for en kunde. Aflæs det kumulative bruttooverskud pr. kunde ved den tilbagebetalingstid, du accepterer, for eksempel 6 måneder. Det er din maksimale CAC.
- Flyt budget til kohorter, der køber igen. Del kohorter op efter første produkt, rabatkode eller første annoncekanal, og læg mere budget bag de grupper, der bliver ved med at købe.
- Tidsindstil dine opfølgende e-mails. Hvis de fleste genkøb kommer i den anden måned, så send påmindelsen før da, ikke efter.
- Ret tilbuddet på første ordre. Hvis kohorter med rabat aldrig indhenter de andre, så test en mindre rabat eller et andet tilbud, og sammenlign de nye kohorter efter tre måneder.
- Brug tilbagebetaling til at vurdere tab på første ordre. En kohorte, der tjener sig ind i M2, kan retfærdiggøre kampagner under deres break-even-ROAS på første ordre. En kohorte, der aldrig tjener sig ind, kan ikke.
Kohorteanalyse i ROASaurus
Kohorterapporten i ROASaurus livstidsværdi bygges ud fra dine ordrer og produktomkostningerne i overskudsanalysen. Kunder identificeres via Shopify-kunde-id eller e-mail, og kun betalte ordrer tæller.
- Kohorter efter ugen, måneden, kvartalet eller året for den første ordre, som matrix eller kurver, med CSV-eksport.
- 14 metrikker, blandt andet Customers returning (%), Cumulative orders per customer, Cumulative revenue per customer og Cumulative contribution margin per customer. Den sidste metrik trækker produktomkostninger, fragt, ordregebyrer, betalingsgebyrer, håndtering og viderestillet skat fra, og den er før annonceforbrug. Det er den, der svarer til bruttooverskud pr. kunde, som denne guide bruger begrebet. Rapporten har også en metrik Cumulative gross profit per customer, men den beholder den skat, du har opkrævet, medmindre Taxes collected er sat til Left out of revenue under Profit › Cost settings.
- Hver række viser antallet af kunder, CAC, R% (andelen med en anden ordre indtil nu) og den gennemsnitlige første ordre. CAC er annonceforbruget i kohortens periode divideret med alle nye kunder, der er erhvervet i den.
- Gennemsnitsrækken vægter metrikker pr. kunde efter antallet af kunder i hver kohorte.
- En grøn kant markerer den periode, hvor en kohortes kumulative margin pr. kunde overstegede dens CAC: tilbagebetalingsperioden.
- For månedlige kohorter viser stribede celler forudsagte værdier op til 24 måneder ud fra din shops egen genkøbskurve.
- Filtre på første ordre: første produkt, produkttype, leverandør, rabatkode, land, første annoncekanal, salgskanal, UTM-source, -medium eller -campaign, kundetag eller ordretag.
- Genkøbsrater pr. måned for første ordre inden for 30, 60, 90, 180 og 365 dage. Et vindue, der endnu ikke er forløbet for hver kunde i kohorten, er markeret med en stjerne.
Ask AI kan også besvare spørgsmål om dine kohorter. Den læser de månedlige kohorter, det kumulative dækningsbidrag pr. kunde og CAC-tilbagebetalingsmåneden for dig.