Cohortanalyse voor marketing: vergelijk groepen op dezelfde leeftijd
Vergelijk klant- of lezersgroepen vanaf een gedeeld startmoment. Met een fictieve cohortberekening, vaste noemers en aandacht voor nog onvolledige perioden.
.jpg){kind=link}
In dit artikel
Een cohortanalyse volgt groepen die een gedeeld startkenmerk hebben, bijvoorbeeld hun eerste aankoopmaand. U vergelijkt hun gedrag na evenveel verstreken tijd. Zo voorkomt u dat een oudere klantgroep meer herhaalaankopen lijkt op te leveren alleen omdat ze langer heeft kunnen terugkomen.
Het startkenmerk, de vervolgactie en de noemer moeten vastliggen. “Klanten uit januari die in hun volgende maand opnieuw bestellen” is duidelijker dan “retentie januari”. Een cohortanalyse beschrijft patronen. Ze bewijst niet automatisch dat een campagne, korting of welkomstmail het verschil heeft veroorzaakt.
Kies een start die bij uw vraag past
De eerste aankoop, eerste bevestigde inschrijving en eerste dienstaanvraag zijn verschillende startpunten. Kies de gebeurtenis die aansluit bij uw beslissing. Een inschrijvingscohort is niet hetzelfde als een klantcohort, ook wanneer sommige mensen in beide voorkomen.
De GA4-uitleg over cohortverkenning beschrijft hoe een gemeenschappelijk kenmerk groepen kan afbakenen. Controleer welke identiteit en registratie uw eigen opzet gebruikt. Een gemeten gebruiker staat niet noodzakelijk gelijk aan één natuurlijke persoon of klant.
Schrijf ook uw tijdsbasis op: kalendermaanden, weken of dagen sinds instroom. “Maand één” kan de volgende kalendermaand betekenen of dertig dagen na de eerste aankoop. Beide zijn mogelijk, maar mogen niet stilzwijgend wisselen.
Definieer vervolgactie en noemer
Kiest u een herhaalaankoop, een actieve account of een gelezen nieuwsbrief? De maat moet inhoudelijk verdedigbaar zijn. Bij e-mail is een geregistreerde opening geen zuivere bevestiging van menselijk lezen. Gebruik liever een zorgvuldig gekozen uitkomst of bespreek de technische beperking.
Neem de oorspronkelijke cohortgrootte als noemer wanneer u het aandeel van de startgroep in een latere periode toont. Een berekening op alleen de vorige periode beantwoordt een andere vraag: welk deel van de toen actieve groep blijft actief?
Leg de definitie naast marketingresultaten meten. Bezoekerskeuzes, blokkeringen en gewijzigde instellingen kunnen de gemeten samenstelling veranderen. Een mooi patroon is pas vergelijkbaar wanneer u de gegevensbasis begrijpt.
Lees een fictief cohort stap voor stap
Fictief voorbeeld: een verzonnen winkel heeft 100 nieuwe klanten in januari en 80 in februari. Van de januarigroep bestellen 30 klanten opnieuw in de eerstvolgende maand en 20 in de tweede maand. Van de februarigroep bestellen 28 klanten opnieuw in de eerstvolgende maand.
De januari-uitkomst voor de eerste vervolgmaand is 30 / 100 = 30%. Voor februari is dat 28 / 80 = 35%. Februari ligt dus 5 procentpunten hoger, hoewel januari meer terugkerende klanten telt: 30 tegenover 28.
Voor de tweede vervolgmaand van januari is het aandeel 20 / 100 = 20%. U kunt 30% en 20% niet optellen tot 50% unieke terugkerende klanten: dezelfde klant kan in beide maanden bestellen. Daarvoor is een afzonderlijke unieke telling over de volledige periode nodig.
De tweede vervolgmaand van februari is op het fictieve rapportagemoment nog niet voltooid. Dat vak blijft “nog niet beschikbaar”, niet nul. Anders lijkt een jong cohort onterecht minder succesvol.
Scheid omzet, activiteit en bijdrage
Een cohort kan weinig terugkerende klanten hebben maar hoge vervolgorders. Een ander cohort kan vaak kleine bestellingen doen. Daarom zijn het aandeel actieve klanten, omzet per oorspronkelijke klant en bijdrage verschillende nuttige maten.
De GA4-e-commercedocumentatie beschrijft hoe aankopen en terugbetalingen worden vastgelegd. Controleer voor financiële conclusies alsnog uw administratie, valuta en kostengrens. Een eventbedrag is niet automatisch nettowinst.
Gebruik de analyse als invoer voor klantwaarde ramen. Maak zichtbaar welke perioden al gerealiseerd zijn. Vul lege toekomstige maanden niet op met een optimistische aanname zonder dat ze herkenbaar voorspelling blijven.
Onderzoek verschillen in samenstelling
Een beter cohort kan zijn gestart tijdens een korting, met een ander product of via een ander kanaal. Het verschil hoeft dus niet door een nieuwe welkomstmail te komen. Controleer welke wijzigingen tegelijk plaatsvonden.
Een uitsplitsing kan helpen, maar maak niet eindeloos kleine subgroepen op zoek naar de mooiste uitkomst. Met weinig klanten worden percentages grillig en kan herkenbaarheid toenemen. Toon aantallen en voeg waar passend een onzekerheidsinschatting toe.
Beperk gegevens volgens de W3C-privacyprincipes. Een rapport voor marketing hoeft geen individuele aankoopgeschiedenis met naam en contactgegevens te bevatten. Kies aggregatie en toegangsrechten die bij het doel passen.
Houd historische groepen technisch vergelijkbaar
Een nieuw formulier, andere klantidentificatie of strengere toestemmingswerking kan een zichtbare breuk maken. Controleer die momenten voordat u een inhoudelijke verklaring formuleert. Historische data zijn niet automatisch onder dezelfde voorwaarden verzameld.
Werk veranderingen uit in meetdata opschonen. Bewaar de bron en noteer welke correcties of herindelingen zijn toegepast. U wilt later kunnen zien of een cohort werkelijk veranderde of alleen anders werd berekend.
Controleer ook of klanten naar een andere groep kunnen verschuiven. Bij een eerste-aankoopcohort hoort een klant niet iedere maand opnieuw als nieuw te worden geclassificeerd omdat een cookie verdwenen is. Wanneer uw techniek dat niet kan voorkomen, vermeldt u de beperking.
Gebruik het patroon voor een gerichte vervolgvraag
Een cohortanalyse kan laten zien wanneer vervolgactiviteit afneemt. Onderzoek daarna wat klanten op dat moment nodig hebben. Een nuttige nieuwsbrief kan uitleg bieden, maar past alleen bij geldige toestemming en een relevante inhoudsvraag.
Plan een afgebakende verbetering en kies hoe u die beoordeelt. Een waargenomen cohortverschil rechtvaardigt op zichzelf geen causale succesclaim. Voor een effectvraag kan een experiment of andere zorgvuldig onderbouwde vergelijking nodig zijn.
Sluit af met de cohortdefinitie, aantallen, verstreken tijd en belangrijkste beperking. Dan begrijpt een collega waarom een leeg vak geen mislukking is en waarom 35% op 80 klanten iets anders vertelt dan hetzelfde percentage op duizenden klanten.
Maak een lopende periode herkenbaar
Vergelijk een gedeeltelijke maand niet met een volledig afgesloten maand zonder dat duidelijk te melden. Een cohort kan halverwege de periode nog weinig aankopen tonen en later bijtrekken. Zet daarom een peildatum en status bij de laatste kolom. Als u dagelijks bijgewerkte cijfers deelt, kan een vaste markering voor voorlopige perioden misverstanden voorkomen. Bewaar daarnaast de afgesproken afsluitregel. Een reeks die elke keer op een ander moment definitief wordt verklaard, blijft moeilijk vergelijkbaar. Geef latere correcties een datum zodat collega's weten waarom een eerder getoond getal is veranderd.