- Eine Kohortenanalyse gruppiert Kunden nach dem Monat ihrer ersten Bestellung und vergleicht die Gruppen im selben Alter, was Monatssummen nicht leisten können.
- Lies Zeilen für eine Kohorte im Zeitverlauf, Spalten für Kohorten im selben Alter und Diagonalen für Kalendereffekte wie eine Aktion im November.
- Vergleiche Kohorten pro Kunde und im Bruttogewinn, damit Kohortengröße und Rabatte auf die erste Bestellung das Ergebnis nicht verzerren.
- Eine Kohorte lohnt sich, wenn ihr kumulierter Bruttogewinn pro Kunde ihren CAC in einer Zeit übersteigt, die du akzeptieren kannst.
Die Kohortenanalyse im E-Commerce gruppiert Kunden nach dem Monat ihrer ersten Bestellung und verfolgt, was jede Gruppe in den Monaten danach kauft. Sie zeigt, ob die Kunden, die du heute gewinnst, wiederkommen und so viel ausgeben wie die Kunden, die du früher gewonnen hast. Eine monatliche Umsatzsumme kann das nicht zeigen, weil sie neue und wiederkehrende Kunden jeden Alters vermischt.
Dieser Leitfaden erklärt, wie du eine Akquise-Kohortentabelle erstellst, wie du Retention und kumulierten Bruttogewinn pro Kunde liest, welche Fehler das Bild verzerren und was ROASaurus zeigt.
Was ist eine Kohortenanalyse?
Eine Kohorte ist eine Gruppe von Kunden mit gemeinsamem Ausgangspunkt. Im E-Commerce ist der übliche Ausgangspunkt die erste Bestellung. Alle, die zum ersten Mal im März gekauft haben, bilden die März-Kohorte, egal über welchen Kanal sie kamen.
Eine Kohortentabelle hat eine Zeile pro Kohorte und eine Spalte pro Zeitraum seit der ersten Bestellung. M0 ist der Monat der ersten Bestellung, M1 der Monat danach und so weiter. Jede Zelle beantwortet eine Frage für eine Gruppe in einem Alter: wie viele Kunden zurückkamen, wie viel sie ausgaben oder wie viel Bruttogewinn sie hinterließen.
Dieses Layout vergleicht Kunden im selben Alter. Die März-Kohorte in ihrem dritten Monat lässt sich mit der Juni-Kohorte in ihrem dritten Monat vergleichen, auch wenn diese Monate in unterschiedliche Jahreszeiten fallen.
Shopify hat einen eingebauten Bericht zur Kunden-Kohortenanalyse, der Kunden auf dieselbe Weise nach ihrer ersten Bestellung gruppiert. Seine Kennzahlen sind Kundenzahlen, Retention und Umsatz. Um Kohorten im Bruttogewinn zu sehen, brauchst du außerdem die Kosten jeder Bestellung: Produktkosten, Versand, Zahlungsgebühren und Bearbeitung.
So erstellst du eine Kohortentabelle
- Erfasse bezahlte Bestellungen mit einer Kundenidentität
Jede Bestellung braucht eine Kunden-ID oder eine E-Mail-Adresse. Ohne eine davon lässt sich eine zweite Bestellung nicht mit der ersten verknüpfen. Lass stornierte und unbezahlte Bestellungen weg.
- Finde die erste Bestellung jedes Kunden
Der Monat dieser Bestellung ist die Kohorte des Kunden.
- Gib jeder Bestellung ein Alter
Zähle die Monate zwischen dem Kohortenmonat und dem Monat der Bestellung: 0 für den ersten Monat, 1 für den nächsten und so weiter.
- Addiere pro Kohorte und Alter
Summiere Bestellungen, Umsatz und Bruttogewinn in jeder Zelle und zähle die Kunden, die bestellt haben.
- Teile durch die Kohortengröße
Teile durch die Anzahl der Kunden in der Kohorte, damit sich Kohorten unterschiedlicher Größe vergleichen lassen.
- Wähle pro Zeitraum oder kumuliert
Eine Zelle pro Zeitraum zeigt nur diesen Monat. Eine kumulierte Zelle addiert alle bisherigen Monate, und genau das vergleichst du mit den Akquisitionskosten.
Google Analytics bietet in seiner Kohortenanalyse eine ähnliche Auswahl, mit standardmäßiger, rollierender und kumulierter Berechnung. Standard zählt jeden Zeitraum für sich, und kumuliert addiert die bisherigen Zeiträume. Für Webshop-Kohorten nutzt du Zellen pro Zeitraum für die Retention und kumulierte Zellen für den Wert.
So liest du eine Kohortentabelle
Hier ist eine Retention-Tabelle für einen Beispiel-Shop, mit Stand Anfang Januar. Jede Zelle zeigt den Anteil der Kohorte, der in diesem Monat erneut bestellt hat.
| Erste Bestellung | Kunden | 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% | – | – | – | – |
Die Zeilen lesen
Eine Zeile verfolgt eine Kohorte über die Zeit. In diesem Beispiel bestellt die Juli-Kohorte in ihrem ersten Monat zu 8% erneut. Die Rate fällt bis zum dritten Monat auf 5% und springt im November auf 9%.
Die Spalten lesen
Eine Spalte vergleicht Kohorten im selben Alter. In M1 schnitt der Oktober mit 12% am besten und der November mit 5% am schlechtesten ab. Aber M1 der Oktober-Kohorte war der November, der Aktionsmonat. Ein Teil dieser 12% stammt also von der Aktion, nicht von der Kohorte.
Die Diagonalen lesen
Eine Diagonale ist ein Kalendermonat über alle Kohorten hinweg. Die November-Diagonale liest sich als 9%, 10%, 11% und 12%: Jede ältere Kohorte hat im November mehr gekauft. Fällt eine Diagonale auf, liegt die Ursache in etwas, das in diesem Monat passiert ist, etwa eine Aktion, ein Produktlaunch oder ein Lieferproblem. Über die Qualität der Kohorten sagt sie nichts aus.
Die November-Kohorte selbst ist die eigentliche Frage. Sie ist mehr als doppelt so groß wie die anderen, aber nur 5% von ihr kamen im Dezember zurück. Im selben Monat kamen alle anderen Kohorten zu 7% oder 8% zurück.
Kumulierter Umsatz und Bruttogewinn pro Kunde
Die Retention zeigt, ob Kunden wiederkommen. Der kumulierte Wert pro Kunde zeigt, was sie wert sind. Addiere alles, was eine Kohorte ab ihrer ersten Bestellung gekauft hat, und teile durch die Zahl der Kunden in der Kohorte. Tu das im Bruttogewinn, nicht nur im Umsatz, denn der Bruttogewinn ist das, was die Kosten für die Gewinnung des Kunden zurückzahlt.
Hinter den beiden Linien: Die ersten Bestellungen der März-Kohorte lagen im Schnitt bei $70 mit einer Bruttomargenquote von 48%, sie ließen also $33.60 pro Kunde übrig. Die ersten Bestellungen der November-Kohorte wären zum vollen Preis $80 gewesen, bei derselben Bruttomargenquote von 48%. Nach einem Rabatt von 20% lagen sie im Schnitt bei $64, aber ihre Kosten blieben bei $41.60. Die Bruttomargenquote fiel auf 35%, und jede erste Bestellung ließ $22.40 übrig. Der Rabatt senkte die Marge der ersten Bestellung, und weniger dieser Kunden kamen wieder.
Eine Kohorte lohnt sich, wenn ihr kumulierter Bruttogewinn pro Kunde ihren CAC in einer Zeit übersteigt, die du akzeptieren kannst. Der Monat, in dem das geschieht, ist die Payback-Periode. Für die März-Kohorte ist das M0. Für die November-Kohorte ist es noch nicht passiert. Wie du diese Grenze setzt, steht in Customer Lifetime Value für Shopify-Shops, und die Marge selbst wird in Deckungsbeitrag im E-Commerce erklärt.
Häufige Fehler bei der Kohortenanalyse
Kohortengrößen vermischen
Eine Kohorte mit 150 Kunden und eine mit 2,400 verdienen nicht dasselbe Gewicht. Wenn du Kohorten mittelst, gewichte jede nach ihrer Kundenzahl. Geh mit kleinen Kohorten vorsichtig um: In einer Kohorte mit 150 Kunden verschieben drei Kunden, die je $200 mehr ausgeben, den Durchschnitt um $4.
Der umgekehrte Fehler ist, Kohortensummen zu vergleichen. Die November-Kohorte hat nur deshalb insgesamt den meisten Umsatz, weil sie die meisten Kunden hat. Vergleiche Kohorten pro Kunde.
Junge Kohorten als schlechter lesen
Eine Kohorte, die letzten Monat begonnen hat, hatte einen Monat Zeit zum Kaufen. Vergleiche sie nur mit älteren Kohorten im selben Alter. Die letzte Zelle einer Zeile kann außerdem der laufende Monat sein, der noch nicht vorbei ist, und sieht deshalb niedrig aus, bis der Monat endet.
Saisonalität ignorieren
Kohorten, die in einem Aktionsmonat wie November gewonnen wurden, verhalten sich anders als Kohorten, die zum vollen Preis gewonnen wurden. Vergleiche sie mit demselben Monat im Vorjahr, nicht mit dem Vormonat. Und prüfe die Diagonalen, bevor du eine Kohorte verantwortlich machst: Hatten alle Kohorten zur gleichen Zeit einen schwachen Monat, liegt die Ursache im Kalender.
Rabatte auf die erste Bestellung ignorieren
Ein Rabatt auf die erste Bestellung bringt Kunden mit niedrigerer Marge, und manche von ihnen kamen wegen des Rabatts und nicht wegen des Produkts. Teile Kohorten nach dem Rabattcode der ersten Bestellung auf und vergleiche ihren Bruttogewinn pro Kunde.
Kunden verlieren, die als Gast bestellen
Bestellt ein wiederkehrender Kunde mit einer anderen E-Mail-Adresse, sieht er wie ein neuer Kunde aus. Seine zweite Bestellung beginnt dann eine neue Kohorte, statt als Wiederholungsbestellung zu zählen. Die Wiederkaufraten fallen dann zu niedrig und die Neukundenzahlen zu hoch aus. Fördere Kundenkonten und lies Wiederkaufraten als Untergrenze.
Wie du aus einer Kohortenanalyse Maßnahmen ableitest
- Lege fest, was du für einen Kunden zahlen kannst. Lies den kumulierten Bruttogewinn pro Kunde zur akzeptierten Payback-Zeit ab, zum Beispiel 6 Monate. Das ist dein maximaler CAC.
- Verschiebe Budget zu Kohorten, die wiederkaufen. Teile Kohorten nach erstem Produkt, Rabattcode oder erstem Anzeigenkanal auf und gib den Gruppen, die weiter kaufen, mehr Budget.
- Setze den richtigen Zeitpunkt für Follow-up-E-Mails. Kommen die meisten zweiten Bestellungen im zweiten Monat, sende die Erinnerung davor, nicht danach.
- Korrigiere das Angebot für die erste Bestellung. Holen rabattierte Kohorten nie auf, teste einen kleineren Rabatt oder ein anderes Angebot und vergleiche die neuen Kohorten nach drei Monaten.
- Beurteile Verluste bei der ersten Bestellung mit dem Payback. Eine Kohorte mit einem Payback in M2 kann Kampagnen rechtfertigen, die unter dem Break-even-ROAS der ersten Bestellung liegen. Eine Kohorte ohne Payback kann das nicht.
Kohortenanalyse in ROASaurus
Der Kohortenbericht in ROASaurus Customer Lifetime Value wird aus deinen Bestellungen und den Produktkosten in der Gewinnanalyse aufgebaut. Kunden werden über die Shopify-Kunden-ID oder die E-Mail-Adresse identifiziert, und nur bezahlte Bestellungen zählen.
- Kohorten nach Woche, Monat, Quartal oder Jahr der ersten Bestellung, als Matrix oder als Kurven, mit CSV-Export.
- 14 Kennzahlen, darunter Customers returning (%), Cumulative orders per customer, Cumulative revenue per customer und Cumulative contribution margin per customer. Diese letzte Kennzahl zieht Produktkosten, Versand, Bestellgebühren, Zahlungsgebühren, Bearbeitung und durchlaufende Steuern ab, und das vor den Werbeausgaben. Sie entspricht dem Bruttogewinn pro Kunde, wie dieser Leitfaden den Begriff verwendet. Der Bericht hat auch eine Kennzahl Cumulative gross profit per customer, aber sie behält die eingenommene Steuer bei, es sei denn, Taxes collected ist auf Left out of revenue gesetzt, unter Profit › Cost settings.
- Jede Zeile zeigt die Zahl der Kunden, den CAC, R% (den Anteil mit einer zweiten Bestellung bisher) und die durchschnittliche erste Bestellung. Der CAC sind die Werbeausgaben im Zeitraum der Kohorte, geteilt durch jeden in diesem Zeitraum gewonnenen Neukunden.
- Die Durchschnittszeile gewichtet Kennzahlen pro Kunde nach der Kundenzahl jeder Kohorte.
- Ein grüner Rahmen markiert den Zeitraum, in dem die kumulierte Marge pro Kunde einer Kohorte ihren CAC überschritten hat: die Payback-Periode.
- Bei monatlichen Kohorten zeigen gestreifte Zellen prognostizierte Werte für bis zu 24 Monate, aus der eigenen Wiederkaufkurve deines Shops.
- Filter auf der ersten Bestellung: erstes Produkt, Produkttyp, Anbieter, Rabattcode, Land, erster Anzeigenkanal, Verkaufskanal, UTM-Quelle, -Medium oder -Kampagne, Kunden-Tag oder Bestell-Tag.
- Wiederkaufraten pro Monat der ersten Bestellung innerhalb von 30, 60, 90, 180 und 365 Tagen. Ein Zeitfenster, das noch nicht für jeden Kunden der Kohorte abgelaufen ist, ist mit einem Sternchen markiert.
Ask AI kann auch Fragen zu deinen Kohorten beantworten. Es liest für dich die monatlichen Kohorten, den kumulierten Deckungsbeitrag pro Kunde und den CAC-Payback-Monat.