- En kohortanalys grupperar kunder efter månaden för deras första order och jämför grupperna vid samma ålder, vilket månadstotaler inte kan göra.
- Läs rader för en kohort över tid, kolumner för kohorter vid samma ålder och diagonaler för kalendereffekter som en rea i november.
- Jämför kohorter per kund och i bruttovinst, så att kohortens storlek och rabatter på första ordern inte förvränger resultatet.
- En kohort är värd att förvärva när dess ackumulerade bruttovinst per kund passerar dess CAC inom en tid du kan acceptera.
Kohortanalys inom e-handel grupperar kunder efter månaden för deras första order och följer vad varje grupp köper under månaderna efter. Den visar om de kunder du vinner i dag kommer tillbaka och spenderar lika mycket som de kunder du vann tidigare. En total för månadsintäkter kan inte visa det, eftersom den blandar nya och återkommande kunder i alla åldrar.
Den här guiden förklarar hur du bygger en kohorttabell för förvärv, hur du läser retention och ackumulerad bruttovinst per kund, vilka misstag som förvränger bilden och vad ROASaurus visar.
Vad är en kohortanalys?
En kohort är en grupp kunder som har en gemensam startpunkt. Inom e-handel är den vanliga startpunkten den första ordern. Alla som först köpte i mars är marskohorten, oavsett vilken kanal de kom från.
En kohorttabell har en rad per kohort och en kolumn per period sedan den första ordern. M0 är månaden för den första ordern, M1 är månaden efter, och så vidare. Varje cell svarar på en fråga för en grupp vid en ålder: hur många kunder som kom tillbaka, hur mycket de spenderade eller hur mycket bruttovinst de lämnade.
Den här uppställningen jämför kunder i samma ålder. Marskohorten i sin tredje månad kan jämföras med junikohorten i sin tredje månad, även om de månaderna ligger i olika säsonger.
Shopify har en inbyggd rapport för kundkohortanalys som grupperar kunder efter deras första order på samma sätt. Måtten är antal kunder, retention och försäljning. För att se kohorter i bruttovinst behöver du också kostnaderna för varje order: produktkostnad, frakt, betalavgifter och hantering.
Så bygger du en kohorttabell
- Samla betalda ordrar med en kundidentitet
Varje order behöver ett kund-id eller en e-postadress. Utan någon av dem kan du inte koppla en andra order till den första. Lämna utanför avbeställda och obetalda ordrar.
- Hitta varje kunds första order
Månaden för den ordern är kundens kohort.
- Ge varje order en ålder
Räkna månaderna mellan kohortmånaden och orderns månad: 0 för den första månaden, 1 för nästa, och så vidare.
- Summera per kohort och ålder
Summera ordrar, intäkter och bruttovinst i varje cell och räkna de kunder som beställde.
- Dividera med kohortens storlek
Dividera med antalet kunder i kohorten, så att kohorter av olika storlek kan jämföras.
- Välj per period eller ackumulerat
En cell per period visar bara den månaden. En ackumulerad cell summerar varje månad hittills, vilket är det du jämför med förvärvskostnaden.
Google Analytics erbjuder ett liknande val i sin kohortutforskning, med standardberäkning, rullande och ackumulerad beräkning. Standard räknar varje period för sig, och ackumulerad summerar perioderna hittills. För kohorter i webbshoppar använder du celler per period för retention och ackumulerade celler för värde.
Så läser du en kohorttabell
Här är en retentionstabell för en exempelbutik, sedd i början av januari. Varje cell visar andelen av kohorten som beställde igen den månaden.
| Första order | Kunder | M1 | M2 | M3 | M4 | M5 |
|---|---|---|---|---|---|---|
| Juli | 1,000 | 8% | 6% | 5% | 9% | 7% |
| Augusti | 900 | 8% | 6% | 10% | 7% | – |
| September | 1,100 | 7% | 11% | 7% | – | – |
| Oktober | 1,050 | 12% | 8% | – | – | – |
| November | 2,400 | 5% | – | – | – | – |
Läs raderna
En rad följer en kohort över tid. I det här exemplet beställer julikohorten igen med 8% i sin första månad. Andelen faller till 5% i sin tredje månad och hoppar sedan till 9% i november.
Läs kolumnerna
En kolumn jämför kohorter vid samma ålder. I M1 klarade sig oktober bäst med 12% och november sämst med 5%. Men M1 för oktoberkohorten var november, reamånaden. En del av de 12% kommer alltså från reaen, inte från kohorten.
Läs diagonalerna
En diagonal är en kalendermånad över alla kohorter. Novemberdiagonalen visar 9%, 10%, 11% och 12%: varje äldre kohort köpte mer i november. När en diagonal sticker ut beror det på något som hände den månaden, som en rea, en produktlansering eller ett leveransproblem. Den säger ingenting om kohorternas kvalitet.
Novemberkohorten själv är den verkliga frågan. Den är mer än dubbelt så stor som de andra, men bara 5% av den kom tillbaka i december. Samma månad kom alla andra kohorter tillbaka med 7% eller 8%.
Ackumulerade intäkter och bruttovinst per kund
Retention visar om kunder kommer tillbaka. Ackumulerat värde per kund visar vad de är värda. Summera allt en kohort har köpt från sin första order och framåt och dividera med antalet kunder i kohorten. Gör det i bruttovinst, inte bara i intäkter, eftersom det är bruttovinsten som betalar tillbaka kostnaden för att förvärva kunden.
Bakom de två linjerna: marskohortens första ordrar var i snitt $70 med en bruttomarginal på 48%, så de lämnade $33.60 per kund. Novemberkohortens första ordrar skulle ha varit $80 till fullt pris, med samma bruttomarginal på 48%. Efter en rabatt på 20% var de i snitt $64, men deras kostnader låg kvar på $41.60. Bruttomarginalen föll till 35%, och varje första order lämnade $22.40. Rabatten sänkte marginalen på den första ordern, och färre av de kunderna kom tillbaka.
En kohort är värd att förvärva när dess ackumulerade bruttovinst per kund passerar dess CAC inom en tid du kan acceptera. Månaden då det sker är CAC-återbetalningen. För marskohorten är det M0. För novemberkohorten har det ännu inte hänt. Hur du sätter den gränsen behandlas i kundens livstidsvärde för Shopify-butiker, och själva marginalen förklaras i täckningsbidrag inom e-handel.
Vanliga misstag i kohortanalys
Att blanda kohortstorlekar
En kohort på 150 kunder och en kohort på 2,400 förtjänar inte samma vikt. När du tar medelvärdet av kohorter, väg varje kohort efter antalet kunder. Behandla små kohorter med försiktighet: i en kohort på 150 flyttar tre kunder som vardera spenderar $200 mer medelvärdet med $4.
Det motsatta misstaget är att jämföra kohorternas totaler. Novemberkohorten har mest intäkter totalt bara för att den har flest kunder. Jämför kohorter per kund.
Att läsa unga kohorter som sämre
En kohort som startade förra månaden har haft en månad på sig att köpa. Jämför den bara med äldre kohorter vid samma ålder. Den sista cellen i en rad kan också vara den pågående månaden, som inte är slut än, så den ser låg ut tills månaden är över.
Att bortse från säsongsvariation
Kohorter som förvärvats under en reamånad, som november, beter sig annorlunda än kohorter som förvärvats till fullt pris. Jämför dem med samma månad ett år tidigare, inte med månaden före. Och kontrollera diagonalerna innan du skyller på en kohort: om alla kohorter hade en svag månad samtidigt är orsaken kalendern.
Att bortse från rabatter på första ordern
En rabatt på den första ordern ger kunder med lägre marginal, och några av dem kom för rabatten snarare än för produkten. Dela upp kohorter efter rabattkoden på den första ordern och jämför deras bruttovinst per kund.
Att tappa kunder som handlar som gäster
Om en återkommande kund handlar med en annan e-postadress ser den ut som en ny kund. Deras andra order startar en ny kohort i stället för att räknas som en återköpsorder. Andelen som köper igen blir då för låg och antalet nya kunder för högt. Uppmuntra kundkonton och läs andelen återköp som en lägre gräns.
Så agerar du utifrån en kohortanalys
- Sätt vad du kan betala för en kund. Läs den ackumulerade bruttovinsten per kund vid den återbetalningstid du accepterar, till exempel 6 månader. Det är din maximala CAC.
- Flytta budget till kohorter som köper igen. Dela upp kohorter efter första produkt, rabattkod eller första annonskanal och lägg mer budget bakom de grupper som fortsätter köpa.
- Tajma dina uppföljningsmejl. Om de flesta andra ordrar kommer i den andra månaden, skicka påminnelsen före det, inte efter.
- Åtgärda erbjudandet på första ordern. Om kohorter med rabatt aldrig hinner ikapp, testa en mindre rabatt eller ett annat erbjudande och jämför de nya kohorterna efter tre månader.
- Använd återbetalningstiden för att bedöma förluster på första ordern. En kohort som betalar tillbaka i M2 kan motivera kampanjer under sin break-even-ROAS på första ordern. En kohort som aldrig betalar tillbaka kan inte det.
Kohortanalys i ROASaurus
Kohortrapporten i ROASaurus livstidsvärde bygger på dina ordrar och produktkostnaderna i vinstanalysen. Kunder identifieras med Shopifys kund-id eller e-postadress, och bara betalda ordrar räknas.
- Kohorter efter vecka, månad, kvartal eller år för den första ordern, som matris eller som kurvor, med CSV-export.
- 14 mått, bland dem Customers returning (%), Cumulative orders per customer, Cumulative revenue per customer och Cumulative contribution margin per customer. Det sista måttet drar av produktkostnader, frakt, orderavgifter, betalavgifter, hantering och vidarebefordrad skatt, och det ligger före annonskostnad. Det är det som motsvarar bruttovinst per kund så som den här guiden använder termen. Rapporten har också måttet Cumulative gross profit per customer, men det behåller de skatter du tagit in, om inte Taxes collected är inställt på Left out of revenue under Profit › Cost settings.
- Varje rad visar antal kunder, CAC, R% (andelen med en andra order hittills) och genomsnittlig första order. CAC är annonskostnaden under kohortens period dividerad med varje ny kund som förvärvats under den.
- Genomsnittsraden väger mått per kund efter antalet kunder i varje kohort.
- En grön kontur markerar den period då en kohorts ackumulerade marginal per kund passerade dess CAC: återbetalningsperioden.
- För månadskohorter visar randiga celler prognostiserade värden upp till 24 månader, från din butiks egen återköpskurva.
- Filter på den första ordern: första produkt, produkttyp, leverantör, rabattkod, land, första annonskanal, försäljningskanal, UTM-källa, -medium eller -kampanj, kundtagg eller ordertagg.
- Återköpsfrekvens per månad för första order inom 30, 60, 90, 180 och 365 dagar. Ett fönster som inte har passerat för varje kund i kohorten markeras med en asterisk.
Ask AI kan också svara på frågor om dina kohorter. Den läser månadskohorterna, det ackumulerade täckningsbidraget per kund och månaden för CAC-återbetalning åt dig.