Kohortenanalyse

Die Kohortenanalyse ist eine analytische Methode, bei der Nutzer in Gruppen – sogenannte Kohorten – eingeteilt werden und ihr Verhalten über die Zeit verfolgt wird. Sie ist eines der mächtigsten Werkzeuge im Analytics-Arsenal, weil sie aggregierte Durchschnittswerte aufbricht und zeigt, was wirklich in verschiedenen Nutzersegmenten passiert.

Während ein normaler Bericht Ihnen sagt, dass die durchschnittliche Retention Rate 20 % beträgt, zeigt die Kohortenanalyse, dass Nutzer vom März 40 % erreichen, vom September aber nur 12 % – und gibt damit Hinweise auf saisonale Einflüsse oder Produktänderungen.

Kohortentypen: Akquisitions- vs. Verhaltenskohorten

Akquisitions-Kohorten

Akquisitions-Kohorten sind die häufigste Form. Sie gruppieren Nutzer nach dem Zeitpunkt ihres ersten Kontakts oder ihrer Registrierung.

Typische Dimensionen:

• Registrierungsmonat oder -woche
• Erster Kaufmonat
• Erster App-Download
• Erster Newsletter-Abonnement-Monat

Wofür geeignet:

• Messen, wie sich Produktverbesserungen auf neue Nutzerkohorten auswirken
• Saisonalität erkennen (December-Kohorten vs. January-Kohorten)
• Marketing-Kanal-Qualität vergleichen (SEO-Nutzer vs. Paid-Social-Nutzer)

Verhaltens-Kohorten

Verhaltens-Kohorten gruppieren Nutzer unabhängig vom Zeitpunkt ihrer Registrierung – nach einer spezifischen Aktion.

Beispiele:

• Alle Nutzer, die ein Tutorial abgeschlossen haben
• Alle Nutzer, die das Premium-Feature aktiviert haben
• Alle Nutzer, die mehr als 3 Käufe getätigt haben
• Alle Nutzer, die den Onboarding-Call durchlaufen haben

Wofür geeignet:

• Feature-Adoption analysieren
• Engagement-Levels unterschiedlicher Nutzersegmente vergleichen
• Identifikation von „Power User"-Verhalten

Die Kohorten-Heatmap lesen

Die Kohorten-Heatmap ist die Standard-Visualisierung der Kohortenanalyse. Sie besteht aus:

• Zeilen: Kohorten (z. B. nach Registrierungsmonat)
• Spalten: Vergangene Zeiträume (Tag 0, Woche 1, Monat 2 etc.)
• Zellwerte: Retention Rate oder andere Metriken
• Farbintensität: Dunklere Farbe = höherer Wert

Beispiel-Heatmap (monatliche Retention)

Interpretation dieser Heatmap:

• Monat-1-Retention verbessert sich von Januar (42 %) zu März (51 %) – ein positiver Trend, möglicherweise durch verbesserte Onboarding-Maßnahmen
• Die Kurve flacht nach Monat 3 ab – der kritische Churn-Zeitpunkt ist Monat 1–2
• Die März-Kohorte zeigt die beste frühe Performance aller drei Kohorten

Was Sie in einer Heatmap suchen

Diagonale Verbesserungen: Wenn neuere Kohorten in denselben Zeiträumen bessere Retention zeigen, wirken Produktverbesserungen.

Horizontale Ausreißer: Eine einzelne schlechte Kohorte deutet auf ein zeitliches Ereignis hin (z. B. schlechte Marketingkampagne, technisches Problem).

Vertikale Muster: Wenn alle Kohorten in einem bestimmten Zeitraum (z. B. Monat 3) starken Churn zeigen, gibt es ein strukturelles Problem an diesem Punkt der Customer Journey.

Kohortenanalyse in Google Analytics 4

GA4 bietet unter Berichte > Halten > Kohorten einen integrierten Kohortenbericht.

Konfigurationsmöglichkeiten in GA4

Kohorteneinschluss: Wann wird ein Nutzer einer Kohorte zugeordnet?

• Erster Touch (erste Sitzung)
• Beliebiges Ereignis (z. B. erstes Kauf-Ereignis)

Kohortenberechnungsperiode: täglich, wöchentlich, monatlich

Rückgabemetrik: Was wird gemessen?

• Nutzer (User Retention)
• Sitzungen (Session Retention)
• Transaktionen
• Beliebiges GA4-Ereignis

Granularität: Täglich, wöchentlich, monatlich

Einschränkungen des GA4-Kohortenberichts

• Maximal 12 Kohorten gleichzeitig sichtbar
• Begrenzte Anpassungsmöglichkeiten
• Keine Verhaltens-Kohortenfilter nativ verfügbar
• Datensampling bei großen Websites

Für tiefere Analysen empfehlen sich spezialisierte Tools wie Amplitude, Mixpanel, Heap oder BigQuery (mit GA4-Export).

Churn-Erkennung durch Kohortenanalyse

Einer der wichtigsten Anwendungsfälle der Kohortenanalyse ist die präzise Identifikation von Churn-Zeitpunkten.

Wann churnen Nutzer?

Anstatt zu wissen, dass „20 % der Nutzer churnen", wissen Sie nach der Kohortenanalyse: „60 % des Churns passiert innerhalb der ersten 7 Tage, und ein zweiter Churn-Spike tritt nach 3 Monaten auf."

Das ermöglicht gezielte Maßnahmen:

• Tag 1–7-Churn: Onboarding-Problem → Onboarding-Optimierung
• Monat-3-Churn: Feature-Adoption-Problem → Re-Engagement-Kampagne + Feature-Aufklärung

Frühwarnsystem aufbauen

Mit Kohortendaten lassen sich Frühwarnsignale für Churn definieren:

• Nutzer, die in Woche 2 weniger als 3 Logins hatten, churnen zu 70 % in Monat 1
• Nutzer, die das Core-Feature nicht in den ersten 3 Tagen genutzt haben, haben 3-mal höhere Churn-Rate

LTV-Prognose mit Kohortenanalyse

Der Customer Lifetime Value (LTV) lässt sich mit Kohortendaten zuverlässiger prognostizieren als mit einfachen Durchschnitten.

LTV-Berechnung per Kohorte

LTV einer Kohorte = Durchschnittlicher Umsatz pro Nutzer × Summe der Retention Rates

Vereinfachtes Beispiel:

• Durchschnittlicher monatlicher Umsatz pro aktivem Nutzer: 50 €
• Retention: Monat 1: 60 %, Monat 2: 45 %, Monat 3: 38 %, Monat 6: 25 %, Monat 12: 18 %
• LTV 12 Monate = 50 € × (1 + 0,60 + 0,45 + 0,38 + 0,31 + 0,28 + 0,25 + 0,23 + 0,21 + 0,20 + 0,19 + 0,18) = ~1.390 €

Kanal-LTV vergleichen

Die wichtigste strategische Frage der Kohortenanalyse: Welche Akquisitionskanäle liefern Nutzer mit dem höchsten LTV?

Diese Tabelle zeigt: Empfehlungs-Nutzer haben den niedrigsten CAC und den höchsten LTV. Das budget sollte entsprechend verteilt werden.

Anwendungsbeispiele

E-Commerce: Saisonale Kohorten

Ein Online-Shop analysiert Kohorten nach Erstbestellungsmonat und stellt fest:

• Dezember-Kohorten (Weihnachtskäufer) zeigen nach Monat 1 nur 12 % Retention
• Septemberkohorten (reguläre Käufer) zeigen 28 % Retention nach Monat 1

Erkenntnis: Weihnachtskäufer sind weniger loyale Kunden. Marketing-Budget für Retention-Kampagnen sollte auf Nicht-Dezember-Kohorten fokussiert werden.

SaaS: Onboarding-Verbesserung messen

Ein SaaS-Anbieter führt im März ein verbessertes Onboarding ein. Die Kohortenanalyse zeigt:

• Februar-Kohorte (vor Onboarding): 35 % 30-Tage-Retention
• März-Kohorte (nach Onboarding): 48 % 30-Tage-Retention

Erkenntnis: Das neue Onboarding verbessert die 30-Tage-Retention um 37 % relativ. Klar messbarer ROI der Onboarding-Investition.