Guide: Kohorteanalyse på 5 minutter + eksempler

kohorteanalyse på tværs af anskaffelseskanaler

Du forbinder måske ordet “kohorteanalyse” med den fra Google Analytics.

kohorteanalyse i google analytics
Google Analytics kohorteanalyse

Google’s kohorteanalyse bruges blandt andet til at se, hvor mange af dine besøgende, der vender tilbage til dit website efter deres første besøg, fordelt på forskellige besøgstider.

Google er dog langt fra de eneste, der kan give dig indsigter via en kohorteanalyse. Og tilbagevendende besøgende er langt fra det eneste, du kan analysere med kohorter.

Facebook, Fullstory, Mixpanel, Amplitude, Chartmogul er blot eksempler på tools, der også tilbyder indsigter ved hjælp af kohorteanalyser. 

Du vil derfor møde kohorter, der anvendes til vidt forskellige formål i meget forskellige situationer.

Med en kohorteanalyse kan du f.eks. få indblik i:

  • Hvem og hvor mange vender tilbage til dit website
  • Hvem og hvor mange gennemfører min købstragt
  • Hvilken nøglefunktion, der får folk til at anvende dit produkt kontinuerligt
  • Forskellen på kohorter baseret på, om de har foretaget en specifik handling

Plus meget, meget mere.

Mange af disse indsigter er specielt interessante for dig, hvis du gerne vil analysere og påvirke dine kunders livstidsværdi (CLV).

Men før du bliver for begejstret, er jeg nødt til at understrege noget. For faktum er desværre, at rigtig mange virksomheder ikke kan bruge en kohorteanalyse til noget som helst.

I analyser taler man ofte om begrebet “statistisk signifikans”. Kort fortalt, så skal dine tal være statistisk signifikante, for at du kan være sikker på, at dine resultater er anvendelige.

Oftest benytter man det, der hedder et signifikansniveau, hvilket er et mål for, hvor unikke dine resultater er. Unikke resultater er vigtige, da de ellers blot afspejler tilfældigheder, hvilket man aldrig bør drage konklusioner på baggrund af.

Lad mig give dig et eksempel.

statistisk signifikans test
Screenshot af signifikans beregner fra Neil Patel’s hjemmeside

På billedet ovenfor ser vi, at jeg har haft 300 besøgende på 2 forskellige sider. Den første side opnåede tre konverteringer og den næste side opnåede fem konverteringer.

Intuitivt ville vi konkludere, at side to er bedst. Men fordi forskellen mellem de to sider er så lille, er testen ikke statistisk signifikant – også kaldet statistisk insignifikant. 

Vi kan derfor ikke konkludere, at én af siderne er bedre. Forskellen på de to er derfor et tilfælde og ikke et bevis på, at der er (statistisk) forskel på de to.

Her i indlægget vil jeg komme ind på følgende emner:

  • Hvad en kohorteanalyse er
  • Hvad man kan måle i en kohorteanalyse
  • Eksempler med virksomheder, der har nytte af en kohorteanalyse

Hvad er en kohorteanalyse?

Fundamentet i en kohorteanalyse er kohorten; en gruppe af mennesker eller enheder, har noget tilfælles over tid. Et eksempel kunne være brugere, der besøgte min hjemmeside for første gang i januar måned 2019.

Et andet eksempel kunne være kunder, der skrev sig op til at benytte et stykke software i uge 37.

Kohorter bruges herefter til at sammenligne deres performance, fordi man mener (eller håber) at der en væsentlig forskel mellem dem.

kohorteanalyse på tværs af oprettelsesmåneder

I grafen herover ser vi en række linjer, der hver repræsenterer en kohorte. På x-aksen angives antallet af måneder efter deres oprettelse og på y-aksen ser vi hvor mange brugere, der fortsat benytter systemet. 

Hvilken kohorte af brugere tror du, der er mest værdifuld? (korrekte svar gives til sidst).

I grafen er det tydeligt at se, at der er forskel på kohorternes brug af software-produktet. 50% af brugerne fra februar måned, brugte ikke længere servicen i marts. Derimod brugte lidt over 90% af brugerne fra april måned stadigvæk servicen i maj.

Vi kunne altså antage, at en væsentlig forskel var til stede mellem de to kohorter. Dermed også en indsigt, vi gerne ville grave dybere efter.

Hvad adskiller kohorter fra hinanden?

På grafen ovenfor, var det der adskilte kohorterne fra hinanden, at de hver repræsenterede en ny oprettelsesmåned (brugere oprettet i januar, februar osv.). Det er dog langt fra den eneste måde at separere kohorter fra hinanden på.

Lad mig give dig et eksempel. Forestil dig den marketingansvarlige hos PrimeTime, den populære quiz-app. Hans job er at skaffe nye brugere til app’en.

Lad os forestille os, at det vælter ind med brugere fra Facebook, Instagram, Snapchat og andre populære marketingkanaler. I hans annonceværktøjer er det tydeligt, at han betaler vidt forskellige priser pr. ny bruger han får. Men er det retvisende billede for, hvilken kanal der performer bedst? Nej.

For app- eller SaaS-virksomheder, er det utrolig essentielt at holde på brugerne. En bruger, der kostede 1 kr., men stoppede efter én måned, er langt mindre værd, end en bruger, der kostede 5 kr. men benyttede servicen i 10 måneder.

Det er derfor relevant at evaluere, om kvaliteten af brugere er forskellig på tværs af kanaler. I grafen herunder sammenlignes fastholdelsen i måneder for de forskellige kanaler.

kohorteanalyse på tværs af anskaffelseskanaler

I grafen ser vi for eksempel at brugere anskaffet ved hjælp af Snapchat-annoncering stopper med at bruge produktet utroligt hurtigt.

Sammenligner vi dette med Instagram, hvor faldet i brugeraktivitet er langt lavere, så viser denne kanal sig langt bedre end Snapchat.

Indsigter som disse kræver selvfølgelig altid, at man har et korrekt tracking- og attribueringssystem sat op.

Det vil sige, kan du tracke hvilken kanal en bruger kommer fra, og er du sikker på, at de ikke oprindeligt hørte om dig et andet sted fra?

Kan man nogensinde se en stigning i grafen for kohorten?

Som set herover, er alle linjerne for kohorter nedadgående i den ene eller den anden form. Essensen her er, at værdien af de brugere, der tilhører en kohorte, mindskes stille og roligt. Men hvordan får man grafen til at stige igen?

En normal kohorteanalyse for brugeraktivitet vil aldrig stige, medmindre brugsfrekvensen er lavere end målefrekvensen, hvilket vi gennemgår i næste afsnit. Men en kohorteanalyse, der analyserer værdien af brugerne i forskellige kohorter, kan sagtens vise en opadgående trend over tid.

Forestil dig et abonnementsforretninger, der tilbyder en såkaldt freemium-model, dvs. et gratis abonnement, der på den ene eller anden måde er begrænset i sin form, sammenlignet med de betalte abonnementer. Spotify er et udmærket eksempel på dette.

Forestil dig en kohorte af brugere, der oprettede en Spotify-konto i januar. I starten benytter langt størstedelen den gratis version, men i takt med at flere og flere oplever stor værdi af softwaren, øges lysten til at betale for de ekstra værdifulde features.

Såfremt værdien af disse brugere er større end værdien af dem, der opsiger deres betalte abonnement, så vil vi se en opadgående graf.

Stigende kohortegraf

Som nævnt ovenfor, kan vi også ende i en situation, hvor vi ser en stigende kohortegraf, ofte i form af små “spikes”, der ligner uregelmæssigheder. Årsagen kan være, at man har valgt at observere sin kohorte i et for smalt interval. Lad os tage MobilePay som eksempel.

graf for fastholdelse af brugere

Hvis MobilePay målte deres fastholdelse af brugere over tid, ved at se på den daglig benyttelse af app’en, ville de formentlig kunne se nogle uregelmæssigheder og til tider, opadgående grafer.

Årsagen er, at langt fra alle benytter MobilePay på daglig basis (min opfattelse). Derfor vil grafen f.eks. på dag 3 vise færre aktive brugere end på dag 2, for så igen at stige på dag 4.

AirBnB er et andet godt eksempel, hvor købersiden af markedspladsen i gennemsnit rejser én, måske to gange om året. Derfor vil det for AirBnB heller ikke give mening at måle fastholdelse på daglig basis, da det her vil se ud som om, at de har mistet alle deres købere på dag 2.

Hvad kan man måle i en kohorteanalyse?

Retention

Retention eller “fastholdelse” på dansk, er et af de mest populære KPI’er, du kan måle inden for softwareverdenen. Kort sagt, så måler retention hvor stor en andel af dine kunder, der bliver i forretningen over tid.

Retention er ofte et overordnet udtryk for, om dine kunder elsker din service, eller om du har fundet det famøse “Product Market Fit”.

Der kan være vidt forskellige kriterier for hvad retention-grafen skal bygges på baggrund af, men lad mig give dig et eksempel herunder.

Forestil dig et stykke software, der gerne vil undersøge om brugere, der har åbnet deres første introduktions-email, er mere tilbøjelige til at bruge produktet mere, end dem der ikke åbnede den.

I grafen herunder vælger vi den kohorte der hedder “Nye kunder fra August” og ser på deres brugsmønstre, fordelt på om deres konto åbnede mailen eller ej.

fastholdelse på brugere afhængig af handling

Ud fra ovenstående kan vi drage konklusionen, at personer der åbner vores introduktionsmail, er mere tilbøjelige til at bruge produktet over tid.

Der vil naturligvis altid være folk, der ikke bruger produktet på dag to, hvorfor det er essentielt at sammenligne forskellige kohorter.

Grafen fortæller os også, at vi måske bør fokusere mere på, at folk åbner den første mail, da den tydeligvis hjælper brugerne bedre i gang.

Heraf kan man så begynde at eksperimentere med serier af velkomstmails, nye emnelinjer osv. og så lave samme sammenligning som ovenfor, når der er data nok til det.

Feature adoption

En anden ting, som man kan måle i en kohorteanalyse, er feature adoption – altså i hvilken grad tager brugerne godt imod vores nye funktioner?

For virksomheder, der bygger og vedligeholder digitale produkter, er det utroligt interessant at se nærmere på kohorteanalyser for brugen af nye features i produktet.

Lad os igen tage Spotify som eksempel. Forestil dig, at de netop har lanceret en helt ny feature, der tillader dig at høre præcis det samme musik, som celebrities gør. 

Spotify har selvfølgelig lavet markedsresearch, for at se, om sådan en feature er attraktiv for deres brugere. Men når de på stor skala skal måle, om den nye feature bliver taget godt imod, kan de med fordel benytte en graf for fastholdelse med grupper af kohorter for brugen af denne.

fastholdelse af brugere for spotify

Grafen herover viser hvordan Spotify fastholder deres brugere over tid. Men i stedet for at se på kohorter baseret på forskellige perioder, er kohorterne delt op i forskellige versioner af den nye feature.

Hver uge udgiver de en ny version af funktionen, hvorfor det er meget forskelligt hvor meget data de har indsamlet på brugen af hver version.

Med denne metode kan analytikerne hos Spotify se, om deres løbende forbedringer af featuren, og den måde featuren præsenteres for brugeren på, har forbedret brugen af den.

_

Du ved nu forhåbentligt lidt mere om kohorteanalyse og kohorter generelt. Hvis indlægget giver anledning til spørgsmål, så er du mere end velkommen til at stille dem i kommentarfeltet herunder 🙂

Svar på spørgsmålet i starten af indlægget:

Hvis vi udelukkende ser på måneder i grafen, så er Marts og April de kohorter, der har den største værdi. April lægger ud med at fastholde brugerne bedst, men fra måned tre og fremefter performer Marts markant bedre.

Vælger vi at forlænge vores analyseperiode til 12 måneder, og antager vi at den tendens, der ses i grafen også fortsætter, så vil Februar-kohorten sandsynligvis ende med den største sammenlagte værdi, fordi fastholdelsen stort set ikke falder fra måned 1 og frem.

Skriv et svar

Din e-mailadresse vil ikke blive publiceret. Krævede felter er markeret med *