Was ist eine Kohortenanalyse? Definition, Beispiele und wie man eine durchführt (2026)
Die Kohortenanalyse gruppiert Personen danach, wann sie beigetreten sind, und verfolgt dann jede Gruppe im Zeitverlauf separat. Anstelle einer einzigen, vermischten Kennzahl für alle Nutzer erhalten Sie eine Linie pro Startmonat. Diese Trennung ist der entscheidende Punkt, denn sie zeigt, ob sich das Produkt für neu hinzukommende Personen verbessert oder verschlechtert.
Dieser Leitfaden behandelt die Definition, warum Gesamtdurchschnitte in die Irre führen und wie man die dreieckige Tabelle liest. Er befasst sich außerdem mit den beiden Haupttypen von Kohorten sowie mit den Fehlern, die einen Kohortenbericht irreführend machen.
Was ist eine Kohortenanalyse?
Eine Kohorte ist eine Gruppe von Personen, die ein gemeinsames Startereignis in einem gemeinsamen Zeitfenster teilen. Alle, die sich im März registriert haben, bilden die März-Kohorte. Alle, die im zweiten Quartal (Q2) einen Erstkauf getätigt haben, bilden die Q2-Kohorte.
Die Kohortenanalyse misst jede dieser Gruppen auf derselben Zeitskala. Nicht „März 2026 im Vergleich zu April 2026“ auf dem Kalender, sondern „Monat eins im Vergleich zu Monat zwei“ ab dem jeweiligen Startdatum der Gruppe. Erst diese Verschiebung macht den Vergleich fair.
Das Ergebnis ist in der Regel eine dreieckige Tabelle. Die Zeilen stellen die Kohorten in der Reihenfolge ihres Starts dar. Die Spalten zeigen das Alter seit dem Start. Die Dreiecksform entsteht, weil die neueste Kohorte erst den ersten Monat erreicht hat, während für die älteste Daten über den gesamten Zeitraum vorliegen.
Warum ein Gesamtdurchschnitt das Problem verschleiert
Hier ist die Situation, für deren Erkennung die Kohortenanalyse da ist.
| Kohorte | Nutzer | Retention Monat 1 | Retention Monat 3 |
|---|---|---|---|
| Januar | 1.000 | 45% | 28% |
| Februar | 1.600 | 41% | 25% |
| März | 2.400 | 36% | 21% |
| April | 3.600 | 30% | — |
Die Gesamtzahl der aktiven Nutzer ist in diesem Beispiel jeden einzelnen Monat gestiegen. Ein Dashboard, das die monatlich Aktiven erfasst, würde hervorragend aussehen. Das Wachstum kaschiert jedoch, dass das Produkt jede neue Gruppe schlechter bindet als die vorherige.
Die vermischte Retention-Rate verschleiert dies aus demselben Grund. Der Durchschnitt jedes Monats wird von der jeweils größten Kohorte dominiert, und die größte Kohorte ist immer die neueste. Sie können keinen Trend in einer Kennzahl erkennen, die ständig ihre eigene Zusammensetzung ändert.
Kohorten lösen dieses Problem, indem sie eine Vermischung verhindern. Die Retention von Januar für Monat 1 bleibt für immer bei 45%. Wenn die von April bei 30% landet, ist der Rückgang unübersehbar.
Wie man eine Kohortentabelle liest
Zeilen sind Kohorten, Spalten sind das Alter
Jede Zeile ist eine Gruppe, die darüber definiert wird, wann sie gestartet ist. Jede Spalte stellt die seit diesem Start vergangene Zeit dar, kein Kalenderdatum. Monat 0 ist der Startzeitraum und liegt fast immer bei 100%.
Lesen Sie eine Spalte von oben nach unten, um zu sehen, ob Sie sich verbessern
Dies ist die nützlichste Richtung und diejenige, die oft übersprungen wird. Fixieren Sie die Spalte bei Monat 1 und lesen Sie dann von oben nach unten. Wenn die Zahlen nach unten hin abfallen, bindet jede neue Gruppe schlechter als die vorherige. Das ist ein Produkt- oder Akquisitionsproblem, und es findet genau jetzt statt.
Lesen Sie eine Zeile von links nach rechts, um den Rückgang einer Gruppe zu sehen
Eine einzelne Zeile zeigt den Verlauf des Rückgangs für eine Kohorte. Bei den meisten Produkten fällt die Kurve im ersten Zeitraum steil ab und flacht dann ab. Der Punkt der Abflachung ist wichtiger als der Absturz, da er Ihren langfristig gebundenen Nutzeranteil widerspiegelt.
Die Diagonale ist der Kalender
Alles auf einer Diagonale ist im selben Kalendermonat passiert. Ein Schock, der eine Diagonale trifft, wie ein Ausfall oder eine Preisänderung, betrifft alle Kohorten auf einmal, unabhängig von ihrem Alter. Wenn sich ein schlechter Wert entlang einer Diagonale statt einer Spalte zieht, war die Ursache ein bestimmtes Ereignis und kein Qualitätsunterschied der Kohorten.
Akquisitionskohorten und Verhaltenskohorten
Akquisitionskohorten gruppieren danach, wann jemand beigetreten ist. Der Registrierungsmonat ist der Standard. Sie beantworten die Frage, ob die neu hinzukommenden Personen besser oder schlechter sind als diejenigen, die zuvor kamen.
Verhaltenskohorten gruppieren danach, was jemand getan hat. Zum Beispiel Nutzer, die in ihrer ersten Woche eine Integration verknüpft haben, im Vergleich zu Nutzern, die dies nicht getan haben. Sie beantworten die Frage, welche frühe Aktion ein Verbleiben im Produkt vorhersagt.
Die beiden erfüllen unterschiedliche Aufgaben. Akquisitionskohorten diagnostizieren die Entwicklung im Zeitverlauf. Verhaltenskohorten zeigen auf, was geändert werden muss. Teams, die nur die erste Art erstellen, sehen zwar den Rückgang, wissen aber nicht, was sie dagegen tun können.
Eine dritte Variante, Kohorten nach Größe oder Tarif, gruppiert nach Account-Stufe. Dies ist nützlich, wenn sich Enterprise- und Self-Service-Kunden völlig unterschiedlich verhalten und eine vermischte Kurve auf keinen von beiden zutrifft.
Eine Kohortenanalyse manuell erstellen
Der manuelle Weg funktioniert und man sollte ihn einmal verstanden haben, selbst wenn man ihn später automatisiert.
Erstellen Sie eine Zeile pro Nutzerereignis. Sie benötigen eine Nutzerkennung, das Registrierungs- oder Erstkaufdatum und die Daten der nachfolgenden Aktivitäten. Eine zusammenfassende Tabelle kann nicht in Kohorten umgewandelt werden, da die Gruppierung auf Zeilenebene erfolgt.
Fügen Sie eine Kohortenspalte hinzu. Runden Sie das Registrierungsdatum auf den Monat ab. Jeder Nutzer trägt nun das Label der Gruppe, zu der er gehört.
Fügen Sie eine Perioden-Index-Spalte hinzu. Berechnen Sie für jede Aktivitätszeile die Anzahl der Monate zwischen dem Registrierungsmonat und dem Aktivitätsmonat. Dies bestimmt die Spaltenposition in der finalen Tabelle.
Erstellen Sie eine Pivot-Tabelle. Kohortenmonat an der Seite, Perioden-Index oben, Anzahl der eindeutigen Nutzer in den Werten. Die Microsoft-Seite Erstellen einer PivotTable beschreibt die genaue Vorgehensweise.
Konvertieren Sie die Zahlen in Prozentsätze. Teilen Sie jede Zelle durch den Wert für Monat 0 der jeweiligen Zeile. Absolute Zahlen sind bei Kohorten unterschiedlicher Größe schwer vergleichbar.
Keiner dieser Schritte ist schwer. Alle fünf wiederholen sich jedoch jedes Mal, wenn neue Daten eintreffen, und die Berechnung des Perioden-Index schlägt fehl, sobald sich das Datumsformat ändert.
Wie Sie eine Kohortenanalyse mit Powerdrill Bloom erstellen
Wenn die Nutzerdaten bereits in einem Export vorliegen, können Sie sich das Erstellen der Pivot-Tabelle sparen.
Schritt 1: Laden Sie Ihre Nutzerdaten hoch
Ziehen Sie einfach den Excel-, CSV- oder TSV-Export mit Ihren Registrierungen und Aktivitätsereignissen per Drag-and-Drop hinein. Mehrere Dateien können zusammen geladen werden, sodass eine Nutzerdatei und eine Ereignisdatei in einem Durchgang zusammengeführt werden können. Die Spaltenerkennung und das Parsen des Datums erfolgen direkt beim Upload – genau der Punkt, an dem der manuelle Weg meist scheitert.
Schritt 2: Beschreiben Sie die Kohorte in natürlicher Sprache
Sagen Sie einfach, was gruppiert und gemessen werden soll: „Gruppiere Nutzer nach Registrierungsmonat und zeige dann die monatliche Retention für die ersten zwölf Monate in Prozent.“ Der Agent erstellt die Kohortenspalte, berechnet den Perioden-Index und generiert die Tabelle. Wenn Sie stattdessen nach einer Verhaltenskohorte oder einer wöchentlichen Granularität fragen, baut er die Tabelle neu auf, ohne dass Sie die Quelle umstrukturieren müssen.
Schritt 3: Exportieren Sie das Diagramm, den Bericht oder die Präsentation
Exportieren Sie das Ergebnis als Diagramm, binden Sie es in eine schriftliche Zusammenfassung ein oder verwandeln Sie die Arbeitsfläche in Folien für die Präsentation. Die Stile „Professional“, „Business“ und „Fancy“ lassen sich nach PowerPoint oder Notion exportieren. Für die visuelle Darstellung im Speziellen siehe Erstellung eines Kohorten-Retention-Diagramms sowie den AI graph maker für andere Diagrammtypen aus demselben Upload.
Häufige Fehler
Die falsche Granularität wählen. Monatliche Kohorten bei einem Produkt, das täglich genutzt wird, verschleiern alle interessanten Entwicklungen der ersten Woche. Wöchentliche oder tägliche Kohorten bei einem Produkt, das vierteljährlich genutzt wird, erzeugen nur Rauschen. Passen Sie die Granularität an den natürlichen Nutzungsrhythmus an.
Zeilen lesen und Spalten ignorieren. Die Zeile zeigt Ihnen, wie eine Gruppe geschrumpft ist. Die Spalte zeigt Ihnen, ob Sie sich verbessern. Die Spalte liefert die handlungsrelevanten Erkenntnisse.
Unvollständige Kohorten vergleichen. Die neueste Kohorte existiert noch nicht lange genug, um einen Wert für Monat 6 zu haben. Wenn Sie eine unvollständige Zelle in der Tabelle belassen, verleitet dies dazu, einen niedrigen Wert fälschlicherweise als Einbruch zu interpretieren.
Zu kleine Kohorten ohne Aussagekraft. Eine Kohorte von vierzig Nutzern führt zu Retention-Prozentsätzen, die durch das Verhalten einzelner Personen stark schwanken. Vergrößern Sie das Zeitfenster oder akzeptieren Sie, dass die Zeile nur eine grobe Tendenz aufzeigt.
Kohorten ohne Angabe ihrer Größe melden. Ein Prozentsatz ohne Nenner führt unweigerlich zu Fehlinterpretationen. Tragen Sie die Anzahl für Monat 0 in die erste Spalte ein.
Retention ungenau definieren. „Aktiv“ muss eine ganz bestimmte Bedeutung haben. Das bloße Einloggen und das Ausführen einer Kernaktion sind völlig unterschiedliche Definitionen. Wenn Sie diese über verschiedene Zeiträume hinweg vermischen, verliert die Tabelle ihre Aussagekraft.
Die Kurzfassung
Die Kohortenanalyse trennt Personen danach, wann sie gestartet sind, damit Wachstum den Rückgang nicht verschleiern kann. Lesen Sie die Spalten von oben nach unten, um zu sehen, ob jede neue Gruppe besser oder schlechter abschneidet als die vorherige. Lesen Sie die Zeilen von links nach rechts, um zu sehen, wie eine einzelne Gruppe schrumpft und wo sich die Kurve abflacht.
Die Erstellung besteht aus fünf mechanischen Schritten, die sich bei jeder Aktualisierung wiederholen. Testen Sie Powerdrill Bloom kostenlos — laden Sie Ihren Nutzerexport hoch, beschreiben Sie die Kohorte in natürlicher Sprache und exportieren Sie die Tabelle direkt in eine Präsentation. Einen Tool-Vergleich finden Sie unter KI-Tools für die Kohortenanalyse.
Häufig gestellte Fragen
Wofür wird die Kohortenanalyse verwendet?
Sie zeigt, ob sich ein Produkt für neu hinzukommende Personen im Vergleich zu früher beigetretenen Personen verbessert. Typische Anwendungsfälle sind das Tracking der Retention, die Churn-Diagnose, die Messung der Auswirkungen von Änderungen beim Onboarding und der Qualitätsvergleich von Akquisitionskanälen anstelle des reinen Volumens.
Was ist der Unterschied zwischen einer Kohorte und einem Segment?
Eine Kohorte ist durch einen gemeinsamen Startzeitpunkt definiert, und ihre Zusammensetzung ändert sich nie. Ein Segment wird durch ein Attribut wie das Land oder den Tarif definiert, und Personen können ihm beitreten oder es verlassen. Kohorten verfolgen Veränderungen im Zeitverlauf, während Segmente eine Population im aktuellen Moment beschreiben.
Wie wähle ich den Zeitraum für die Kohorte aus?
Passen Sie ihn daran an, wie oft Menschen das Produkt nutzen. Tägliche oder wöchentliche Kohorten eignen sich für Produkte mit hoher Nutzungsfrequenz, während monatliche Kohorten zu Abonnement- oder Kaufzyklen passen. Wenn der Großteil des Nutzerschwunds bereits vor Ihrer ersten Spalte stattfindet, ist die Granularität zu grob gewählt.
Kann ich eine Kohortenanalyse in Excel durchführen?
Ja. Fügen Sie Ihren Ereigniszeilen eine Kohortenmonatsspalte und eine Perioden-Index-Spalte hinzu. Erstellen Sie eine Pivot-Tabelle mit der Kohorte gegen den Perioden-Index und der Anzahl der eindeutigen Nutzer, und teilen Sie dann jede Zelle durch den Startwert der jeweiligen Zeile. Die Berechnung ist unkompliziert, aber die ständige Wiederholung macht sie mühsam.
Was ist eine gute Retention-Rate?
Diese variiert je nach Kategorie viel zu stark, als dass ein einzelner Benchmark hilfreich wäre. Vergleichen Sie stattdessen Ihre eigenen Kohorten miteinander. Eine Kurve, die abflacht, anstatt weiter abzufallen, ist das wichtigste Signal.