Kohorteanalyse er en analytisk teknik, der grupperer brugere eller kunder i segmenter, kaldet kohorter, baseret på en fælles egenskab eller oplevelse inden for en defineret tidsperiode, oftest datoen for deres første tilmelding, første køb eller første anskaffelse gennem en bestemt kanal, og derefter følger, hvordan hver kohortes adfærd udvikler sig over efterfølgende tidsperioder. Det mest almindelige resultat er en kohorte-retentionstabel eller retentionskurve, der viser, hvor stor en procentdel af en kohorte der forbliver aktiv, vender tilbage for at købe eller fortsætter med at abonnere ved bestemte intervaller efter startpunktet, såsom 1 uge, 1 måned, 3 måneder og 12 måneder senere, så analytikere kan sammenligne, hvordan kohorter, der er anskaffet på forskellige tidspunkter eller gennem forskellige kanaler, opfører sig over deres respektive levetid.
Kohorteanalyse er vigtig, fordi den afhjælper en grundlæggende begrænsning ved aggregerede tidsseriemetrikker: en virksomheds samlede retentionsrate eller gennemsnitlige omsætning pr. bruger i en given måned blander kunder på helt forskellige stadier i deres forhold til produktet, nogle der tilmeldte sig samme måned, og nogle der tilmeldte sig for flere år siden, hvilket helt kan skjule forværrede eller forbedrede tendenser. En samlet brugerbase kan f.eks. vise et uændret samlet antal månedlige aktive brugere, selv om nyere kohorter falder fra markant hurtigere end ældre, et advarselstegn, der ville forblive usynligt i den blandede metrik, men bliver umiddelbart tydeligt, når kohorterne adskilles og sammenlignes side om side på en retentionskurve.
Kohorter kan defineres langs flere dimensioner ud over blot anskaffelsesdato, herunder adfærdskohorter (grupperet efter en foretaget handling, f.eks. gennemført onboarding kontra ikke), anskaffelseskanal-kohorter (grupperet efter, om en bruger kom via betalt søgning, organisk søgning eller henvisning) og omsætningskohorter (grupperet efter værdien af det første køb). Analytikere visualiserer ofte disse data som en trekantet retentionstabel, hvor rækkerne repræsenterer kohorter efter startperiode og kolonnerne repræsenterer tid forløbet siden starten, så mønstre som en bestemt måneds kohorte, der underpræsterer på grund af en prisændring, en fejl eller en anskaffelseskampagne af lavere kvalitet, kan isoleres til netop den periode i stedet for at blive skjult i de samlede gennemsnit. Værktøjer som Mixpanel, Amplitude og GA4's indbyggede kohorteudforskningsrapporter bruges ofte til at bygge disse analyser uden behov for skræddersyet dataengineering.
En hyppig fejl er at drage konklusioner ud fra kohorter, der er for små eller for nye til at have akkumuleret statistisk meningsfulde data, da en kohorte, der kun blev anskaffet for to uger siden, endnu ikke kan afsløre noget om retention efter 6 eller 12 måneder, og en sammenligning af en umoden kohorte med en moden på de senere metrikker giver et misvisende billede. En anden almindelig fælde er ikke at tage højde for eksterne faktorer, der påvirker en hel kohorte samtidig, såsom en sæsonbestemt stigning i anskaffelseskvalitet omkring et salg eller et midlertidigt produktnedbrud, som kan få en kohorte til at se usædvanligt stærk eller svag ud af årsager, der ikke har noget at gøre med nogen bevidst produkt- eller marketingændring på det tidspunkt.
For en vækst- eller CRO-rådgivning er kohorteanalyse særligt værdifuld til at vurdere, om ændringer i produkt, onboarding eller lifecycle-marketing giver varige forbedringer frem for kortvarige udsving, da en ændring, der øger de første tilmeldinger, men ikke forbedrer, eller faktisk forværrer, retentionen efter 30 eller 90 dage i den berørte kohorte, ikke nødvendigvis har skabt varig værdi. Den er også et standardværktøj til at vurdere kvaliteten af anskaffelseskanaler over tid, da kanaler kan sammenlignes ikke blot på umiddelbar konverteringsrate eller pris pr. anskaffelse, men på den langsigtede retention og udviklingen i livstidsværdi for de kohorter, de genererer, hvilket ofte afslører, at en kanal med en højere pris pr. anskaffelse på forhånd faktisk er mere profitabel, når man tager højde for kohorternes adfærd på længere sigt.
