Kohortenanalyse –Insights in das Kundenverhalten mit Google Analytics

Kohorte – Gruppe mit zeitbezogenen Gemeinsamkeiten

Eine Kohorte ist eine Personengruppe mit gemeinsamen zeit- bzw. jahrgangsspezifischen demografischen Merkmalen, d.h. eine Gruppe von Menschen, die eine Gemeinsamkeit innerhalb einer bestimmten Zeitspanne haben. Im E-Commerce oder Online-Business allgemein, sind dies Kunden- oder Besuchergruppen, deren Gemeinsamkeit zum Beispiel der erste Seitenbesuch oder der erste Einkauf innerhalb einer bestimmten Zeitspanne, also eines Tages, einer Woche, eines Monats oder eines Quartals ist.

Kohortenbetrachtung offenbart Handlungsbedarf

Um die Relevanz der Kohortenbetrachtung zu verstehen, hilft ein einfaches Beispiel: Angenommen ein Online-Shop hat eine Conversionrate von 10%. Diese würde uns verraten, dass 10% aller Website-Besucher konvertieren. Tatsächlich kann es aber sein, dass Kunden, die im letzten Monat neu gewonnen wurden, eine Conversion von 20% haben. Kunden, die vor einem Jahr gewonnen wurden, haben eine Konversion von 0%. Diese Information verändert das Bild drastisch. Die Kohortenanalyse liefert hier den entscheidenden Hinweis, an welcher Stelle Handlungsbedarf besteht.

Ein weiterer Anwendungsfall in der Kohortenbetrachtung ist die nachhaltige Beobachtung von Kampagnenerfolgen. Eine Kampagne, die nach einer Woche noch kaum Conversions hat, würde unter normalen Umständen abgesetzt und nicht mehr wiederholt werden. Mit der Kohortenanalyse jedoch, ließe sich erkennen, dass Nutzer erst nach einer Woche konvertieren, da es sich beispielsweise um ein rechercheintensiveres Investitionsprodukt handelt.

Kohortenanalyse betrachtet langfristige Entwicklung

Im Wesentlichen geht es bei der Kohortenbetrachtung also immer um die Entwicklung der Kunden oder User einer Website. Spannend wird es unter anderem, wenn man sich die langfristige Umsatz-Entwicklung einzelner Kohorten ansieht:

Stellt man (z.B. mit Hilfe von Excel) eine Kohortenanalyse grafisch dar, so kann man schnell ablesen, wie sich (Neu-)Kunden aus einem Monat, zum Beispiel bezogen auf Ihren Lifetime Revenue, entwickeln (Abb. 1).

Im Fall der Abbildung 1 hat es mit den Kunden, die im Juni 2014 gewonnen wurden, 6 Monate gedauert, bis ein Umsatz von 1.100 € erzielt wurde. Kunden hingegen, die im Dezember 2014 gewonnen wurden, haben dafür nur noch gut 2 Monate benötigt. Dies zeigt, dass die Bemühungen im Marketing, in Sortimentserweiterungen, etc. erfolgreich waren und sich das Geschäft äußerst positiv entwickelt.

Weiterhin zeigt diese Betrachtung, dass der Umsatz der Kohorte vom Juni 2014 nach 9 Monaten nicht mehr weiter steigt. Dies kann zum einen bedeuten, dass der Customer Lifetime Value ausgeschöpft ist, oder aber, dass er aufgrund mangelnder Angebote oder ungenügendem Marketing, nicht voll ausgeschöpft wird. Was der tatsächliche Grund dafür ist, muss durch detailliertere Analysen innerhalb dieser Kohorte herausgefunden werden. Idealerweise sollte die Linie, hier also der Lifetime Revenue einer Kohorte, stetig weiter steigen. Das würde bedeuten, dass Kunden aus einer Kohorte beispielsweise auch noch 3 Jahre nach Erstkauf aktive Kunden wären - ein Indiz für ein erfolgreiches CRM.

Im Falle einer Content Website würde man sich anstelle des Lifetime Umsatzes KPIs wie Visits oder Page Impressions nach dem ersten Seitenbesuch, ansehen. Das gibt Aufschluss darüber, wie lange der Blog, das Portal o.ä. für Kunden interessant ist. Darüber hinaus ist auch kampagnenspezifisch ist die Kohorten-Betrachtung sinnvoll. Als Beispiel verwenden wir zwei E-Mail-Kampagnen. Eine verspricht 10% Rabatt auf eine Produktgruppe, die andere verspricht dauerhaft die besten Preise und individuelle Beratung in einer Produktgruppe. Die betrachtete Kohorte wäre der Zeitpunkt des Öffnens der E-Mail innerhalb z.B. einer Woche. Ein wahrscheinliches Ergebnis ist, dass der absolute Umsatz der Rabattkampagne deutlich höher ist, als der Umsatz der Dauer-Niedrig-Preis Kampagne. Über die Zeit betrachtet aber, ist es durchaus möglich, dass letztere Kampagne nachhaltiger den Umsatz der Kunden erhöht und damit langfristig erfolgreicher ist.

Kohorten ermöglichen Perspektivenwechsel

Im Wesentlichen helfen uns Kohorten also zu verstehen, wie sich die Kunden oder User über einen längeren Zeitraum hinweg verhalten. Die Betrachtung geht weg von der Marketer-Brille (wie gut war eine Kampagne) hin zur Kunden-Brille (wie gut hat der Kunde wann auf die Kampagne reagiert). Sie liefern in der übergeordneten Betrachtung aller Kunden die Information, dass etwas zu einer bestimmten Zeit passiert. Sie zeigen, dass einzelne Kohorten nach Zeitraum x nicht mehr kaufen/ zur die Seite zurückkehren oder dass Kunden Jahre nach dem Erstkauf immer noch aktive Kunden sind. Das “warum” in diesem Zusammenhang, muss durch weiterführende Analysen innerhalb der betroffenen Kohorten geklärt werden.

In der kampagnenspezifischen Betrachtung hingegen zeigt uns die Kohortenanalyse nicht nur, ob Kunden reagieren oder konvertierten sondern vor allem auch wie. Also wann genau nach Erhalt der Kampagne reagiert der Kunde oder wie lange benötigt er nach dem Erstbesuch bis zur Conversion. Sie verrät demnach, wann der Kunde wie reagiert und verschafft daher die Möglichkeit die Kunden besser zu verstehen und dadurch Kampagnen gezielter auszusteuern.

In Summe liefert die Kohortenanalyse tiefgreifende Analysen in das Kundenverhalten. Fragen wie nachhaltig eine Kampagne bzw. wie interessant ein neuer Blogbeitrag war, können damit sehr gut nachvollzogen werden. In Google Analytics konnten diese Analysen bislang nur sehr aufwändig mit Segmenten bzw. benutzerdefinierten Dimensionen / Metriken umgesetzt werden. Dieses Manko wurde durch die neue Funktion Kohortenanalyse (Menü „Zielgruppe“) behoben. Obwohl noch in der Beta-Phase, stehen bereits viele Berichtsmöglichkeiten zur Verfügung. Aktuell besteht nur die Möglichkeit die Kohorte „Akquisitionsdatum“ zu analysieren, d.h. der Zeitpunkt des ersten Besuches der Website bildet die Kohorte (siehe 1 in Abb. 2). Justin Cutroni, Analytics Advocate bei Google, hat jedoch in einem Blogpost zur Kohortenanalyse bereits weitere Kohortentypen angedeutet (siehe einfach.st/cutroni).

Verhalten neuer Besucher analysieren

Das Datum des ersten Besuches bildet die Grundlage der Kohorte. Die zu analysierende Kohorte kann auf Tages-, Woche oder Monatsbasis zusammengestellt werden, d.h. je nach Einstellung werden neue Besucher mehrerer Tage zu einer Kohorte zusammengefasst (Woche bzw. Monat, siehe 2 in Abb. 2). Der Betrachtungszeitraum variiert damit von den letzten 30 Tagen (Tagesbasis) bis zu den letzten 3 Monaten (Monatsbasis, siehe 3 in Abb. 2). Der Bericht betrachtet immer die Daten rückwirkend vom heutigen Datum, d.h. eine zeitnahe Analyse ist unerlässlich.

Der Standardmesswert der Kohorte ist die sog. Nutzerbindung, d.h. wie viele der neuen Besucher kommen nach n-Tagen wieder auf die Website zurück. Von den 74 neuen Besuchern der Website am 05.04.2015 (siehe Abb. 2) besuchten 2,70 % die Website am darauffolgenden Tage wieder. Am 06.04.2015 muss ein besonders interessanter Beitrag bzw. Marketingkampagne gestartet sein, da in den Folgetagen 4,94 % (07.04.), 6,17 % (08.04.) und 4,94 % (09.04.) dieser Besucher wieder auf die Seite zurückkamen. Die im Weiteren zu beantwortende Frage wäre, was am 06.04. geschah, welches die hohe Nutzerbindung zur Folge hatte. Mögliche Antworten wären: neue Marketingkampagne (Display, SEA), neuer Content bzw. Blogbeitrag (Social Media), Offlineaktionen (Coupons aus stationären Einheiten für den online Kauf), TV-Kampagnen, etc.

Alternativ besteht die Möglichkeit neue Segmente zu definieren bzw. die bestehenden Segmente anzupassen (siehe Abb. 4).

Es kann bspw. ein Segment für eine dedizierte Bannerkampagne gebildet werden (Abb. 4) und die daraus resultierenden Kohorten mit einer Kooperation (Segmentdefinition „referral = partnerseite.com“) verglichen werden (Abb. 5). Die Banneraktion führt unmittelbar zu 83 Zielerfüllungen am gleichen Tag und weiteren 4 am jeweils darauffolgenden Tag. Zielerfüllungen sind Soft- und Hardconversions, d.h. neben Käufen werden auch eigendefinierte Ziele wie Newsletterabo, Katalogbestellungen, Download, etc. gemessen. Die Kooperation liefert nicht nur unmittelbar weniger Zielerfüllungen (in Summe 30), sondern auch in den nachfolgenden Tagen erzielt nur 1 Besucher das gesetzt Ziel des Websitenbetreibers.

Tipp: In vielen Analytics Account ist ein weiterer Beta-Bericht freigeschalten („Aktive Nutzer“), welcher die aktiven Nutzer im gewählten Zeitraum darstellt. Über die Aggregation (7, 14 und 30 Tage) ist sofort erkennbar, ob es aktuell Anomalien im Traffic gibt und wie sich der Traffic im Trend entwickelt.