Kohorttianalyysi on analyyttinen tekniikka, jossa käyttäjät tai asiakkaat ryhmitellään segmentteihin, joita kutsutaan kohorteiksi, tietyn ajanjakson aikana tapahtuneen yhteisen ominaisuuden tai kokemuksen perusteella. Yleisimmin kyseessä on päivämäärä, jolloin he rekisteröityivät ensimmäisen kerran, tekivät ensimmäisen ostoksensa tai heidät hankittiin ensimmäisen kerran tietyn kanavan kautta. Tämän jälkeen seurataan kunkin kohortin käyttäytymisen kehittymistä seuraavien ajanjaksojen aikana. Yleisin tulos on kohortin asiakaspysyvyystaulukko eli asiakaspysyvyyskäyrä, joka näyttää, kuinka monta prosenttia kohortista pysyy aktiivisena, palaa ostamaan tai jatkaa tilaamista tietyin väliajoin aloituspisteensä jälkeen, kuten viikon, kuukauden, kolmen kuukauden ja vuoden kuluttua. Näin analyytikot voivat vertailla, miten eri aikoina tai eri kanavien kautta hankitut kohortit käyttäytyvät eri elinkaarien aikana.
Kohorttianalyysillä on merkitystä, koska se korjaa aggregoitujen aikasarjamittareiden perustavanlaatuisen rajoituksen: yrityksen kokonaiskäyttäjäpysyvyysaste tai keskimääräinen käyttäjäkohtainen tuotto tietyllä kuukaudella yhdistää asiakkaat, jotka ovat täysin eri vaiheissa asiakassuhteessaan, osa heistä on liittynyt samassa kuussa ja osa vuosia aiemmin. Tämä voi peittää kokonaan heikkenevät tai paranevat trendit. Esimerkiksi kokonaiskäyttäjäkunta saattaa näyttää tasaisen kuukausittaisen aktiivisten käyttäjien määrän, vaikka uudemmat kohortit vaihtuvat huomattavasti nopeammin kuin vanhemmat. Tämä varoitusmerkki pysyisi näkymättömänä yhdistetyssä mittarissa, mutta se tulee heti selväksi, kun kohortit erotetaan toisistaan ja verrataan rinnakkain pysyvyyskäyrällä.
Kohortteja voidaan määritellä useilla eri ulottuvuuksilla pelkän hankintapäivämäärän lisäksi, mukaan lukien käyttäytymiskohortit (ryhmiteltynä tehdyn toiminnon mukaan, kuten perehdytysvaiheen suorittaminen vai suorittamatta jättäminen), hankintakanavakohortit (ryhmiteltynä sen mukaan, saapuiko käyttäjä maksullisen haun, orgaanisen haun vai viittauksen kautta) ja tuottokohortit (ryhmiteltynä alkuperäisen ostoarvon mukaan). Analyytikot visualisoivat nämä tiedot yleensä kolmionmuotoisena säilytystaulukkona, jossa rivit edustavat kohortteja aloitusjakson mukaan ja sarakkeet edustavat kulunutta aikaa tästä alusta. Tämä mahdollistaa sellaisten mallien kuin tietyn kuukauden kohortin heikompi suorituskyky hinnoittelumuutoksen, virheen tai heikompilaatuisen hankintakampanjan vuoksi, eristämisen kyseiseen ajanjaksoon sen sijaan, että ne peittyisivät kokonaiskeskiarvoihin. Työkalut, kuten Mixpanel, Amplitude ja GA4n natiiveja kohorttikartoitusraportteja käytetään yleisesti näiden analyysien rakentamiseen ilman mukautettua datan suunnittelua.
Yleinen virhe on tehdä johtopäätöksiä liian pienistä tai liian tuoreista kohorteista, joiden perusteella tilastollisesti merkityksellistä tietoa ei ole kertynyt. Tämä johtuu siitä, että vain kaksi viikkoa sitten hankittu kohortti ei voi vielä paljastaa mitään 6 tai 12 kuukauden asiakaspysyvyydestä. Epäkypsän kohortin vertaaminen kypsään kohorttiin näiden myöhempien mittareiden perusteella tuottaa harhaanjohtavan kuvan. Toinen yleinen sudenkuoppa on se, ettei oteta huomioon ulkoisia tekijöitä, jotka vaikuttavat koko kohorttiin samanaikaisesti. Tällaisia tekijöitä ovat esimerkiksi kausiluonteinen asiakashankinnan laadun nousu loma-alennusmyyntien aikana tai tilapäinen tuotekatkos, joka voi saada kohortin näyttämään epätavallisen vahvalta tai heikolta syistä, jotka eivät liity tuolloin tehtyihin tarkoituksellisiin tuote- tai markkinointimuutoksiin.
Kasvu- tai CRO-konsultointiyritykselle kohorttianalyysi on erityisen arvokas arvioitaessa, tuottavatko tuote-, perehdytys- tai elinkaarimarkkinoinnin muutokset pysyviä parannuksia lyhytaikaisten piikkien sijaan, koska muutos, joka lisää alkurekisteröitymisiä, mutta ei paranna tai itse asiassa heikentää 30 tai 90 päivän asiakaspysyvyyttä kyseisessä kohortissa, ei välttämättä ole luonut pysyvää arvoa. Se on myös vakiotyökalu hankintakanavien laadun arvioimiseen ajan kuluessa, koska kanavia voidaan verrata paitsi välittömän konversioasteen tai hankintakustannusten perusteella, myös niiden tuottamien kohorttien pitkän aikavälin asiakaspysyvyyden ja elinkaaren arvon kehityksen perusteella. Tämä usein paljastaa, että kanava, jolla on korkeammat alkukustannukset hankintaa kohden, on itse asiassa kannattavampi, kun otetaan huomioon kohortin pitkän aikavälin käyttäytyminen.