Kohortenanalyse für Gründer: Wie ich Kohortentabellen lese

Eine Kohortenanalyse teilt deine Nutzer nach ihrem Startzeitpunkt in Gruppen, sogenannte Kohorten, und verfolgt, wie viele von ihnen nach einem, zwei oder sechs Monaten noch aktiv sind. So siehst du, ob neue Nutzer besser bleiben als frühere und ob deine Änderungen am Produkt wirken. Aus derselben Tabelle kannst du Kundenwert und Amortisationszeit deiner Akquisekosten berechnen.

Ich habe in der Business Intelligence bei Snipes viel mit Daten und Tracking gearbeitet. Seitdem halte ich eine sauber gepflegte Kohortentabelle für wertvoller als ein Dashboard mit zwanzig Durchschnittswerten. Durchschnitte verstecken oft genau die Muster, auf die es ankommt.

Was eine Kohortenanalyse ist

Eine Kohorte ist eine Gruppe von Nutzern mit einem gemeinsamen Merkmal. Meist ist das der Startzeitpunkt: alle, die sich im Januar angemeldet oder zum ersten Mal gekauft haben. Diese Gruppe beobachtest du über die folgenden Wochen oder Monate.

Es gibt zwei Grundtypen:

• Akquise-Kohorten: Gruppiert nach Startzeitpunkt. Sie zeigen, wie sich die Bindung über die Zeit entwickelt.
• Verhaltens-Kohorten: Gruppiert nach einer Handlung, etwa „hat in der ersten Woche ein Projekt angelegt“ gegenüber „hat kein Projekt angelegt“. Sie zeigen, welches Verhalten mit längerer Bindung zusammenhängt.

Warum Durchschnitte in die Irre führen

Angenommen, deine Gesamtzahl aktiver Nutzer steigt jeden Monat. Das fühlt sich nach Wachstum an. Gleichzeitig kann jede neue Gruppe schlechter bleiben als die vorherige. Du merkst es nur nicht, weil die Anmeldungen schneller wachsen, als die Bindung sinkt.

Irgendwann kippt das. Die Akquise wird teurer oder flacht ab, und plötzlich fällt die Nutzerzahl. Eine Kohortentabelle hätte dir das Monate früher gezeigt. Deshalb gehört sie für mich zu den wichtigsten Werkzeugen, wenn du Retention vor Akquise stellen willst.

Eine Kohortentabelle lesen

So sieht eine einfache Kohortentabelle für ein Abo-Produkt aus. Jede Zeile ist eine Gruppe neuer zahlender Kunden, jede Spalte ein Monat nach dem Start. Die Werte zeigen, welcher Anteil noch zahlt. Alle Zahlen sind ein Beispiel.

Kohorte	Kunden	Monat 0	Monat 1	Monat 2	Monat 3	Monat 4	Monat 5
Januar	200	100 %	45 %	36 %	32 %	30 %	29 %
Februar	240	100 %	44 %	35 %	31 %	29 %
März	310	100 %	41 %	31 %	27 %
April	280	100 %	52 %	43 %
Mai	300	100 %	55 %
Juni	320	100 %

Diese Tabelle liest du in drei Richtungen.

Zeilen: das Leben einer Kohorte

Die Januar-Zeile zeigt, wie sich eine Gruppe über die Zeit entwickelt. Von Monat 0 auf Monat 1 fällt sie stark, danach immer weniger. Ab Monat 3 bleiben die Werte fast stabil.

Spalten: Kohorten im gleichen Alter vergleichen

Die Spalte „Monat 1“ finde ich am aufschlussreichsten. Hier vergleichst du alle Gruppen nach genau einem Monat. Januar bis März liegen zwischen 41 und 45 %, März ist der schwächste Wert. April und Mai springen auf 52 und 55 %. Irgendetwas hat sich ab April verändert.

Diagonalen: Ereignisse im Kalender

Eine Diagonale verbindet Zellen, die im gleichen Kalendermonat liegen. Brechen alle Kohorten im selben Kalendermonat ein, liegt die Ursache meist außerhalb der einzelnen Gruppen: ein technischer Fehler, eine Preisänderung, eine Ferienzeit.

Daraus ergibt sich eine plausible Geschichte: Die März-Kohorte ist größer, bleibt aber schlechter. Das könnte eine Werbekampagne sein, die viele weniger passende Menschen gebracht hat. Ab April greift dann eine Änderung im Onboarding, und neue Kunden bleiben deutlich besser.

Rechenbeispiel: von Rohdaten zur Entscheidung

Für so eine Tabelle reicht eine Tabellenkalkulation.

Schritt 1: Rohdaten sammeln

Pro Kunde brauchst du zwei Informationen: den Startmonat und die Monate, in denen er aktiv war oder gezahlt hat. Das ergibt eine Liste mit einer Zeile pro Kunde und Monat.

Schritt 2: Zählen

Für die Januar-Kohorte zählst du: 200 Kunden starten im Januar. Im Februar zahlen noch 90, im März 72, im April 64, im Mai 60 und im Juni 58.

Schritt 3: In Prozent umrechnen

Du teilst jeden Wert durch die Startgröße: 90 ÷ 200 = 45 %, 72 ÷ 200 = 36 %, 64 ÷ 200 = 32 %, 60 ÷ 200 = 30 % und 58 ÷ 200 = 29 %. Das ist die Januar-Zeile aus der Tabelle oben.

Schritt 4: Kundenwert berechnen

Angenommen, dein Abo kostet 20 € im Monat. Dann bringt ein neuer Kunde im Schnitt folgenden Umsatz:

Monat	Anteil aktiv	Umsatz pro gestartetem Kunden	Kumuliert
0	100 %	20,00 €	20,00 €
1	45 %	9,00 €	29,00 €
2	36 %	7,20 €	36,20 €
3	32 %	6,40 €	42,60 €
4	30 %	6,00 €	48,60 €
5	29 %	5,80 €	54,40 €

In den ersten sechs Monaten bringt jeder gestartete Kunde also 54,40 €. Weil die Kurve ab Monat 3 kaum noch fällt, kannst du für die folgenden Monate grob mit rund 5,50 € pro Monat weiterrechnen. Das ist die Grundlage für deinen Customer Lifetime Value.

Schritt 5: Akquisekosten gegenrechnen

Angenommen, ein neuer Kunde kostet dich 40 € in der Akquise. In Monat 3 übersteigt der kumulierte Umsatz mit 42,60 € diese Kosten. Deine Amortisationszeit liegt also bei vier Monaten, wenn du den Startmonat mitzählst.

Jetzt wird die Kohortentabelle zum Entscheidungswerkzeug. Für die April-Kohorte mit 52 % im ersten Monat sieht dieselbe Rechnung deutlich besser aus. Jede Verbesserung der Bindung verkürzt die Amortisationszeit und erlaubt dir, mehr in Akquise zu investieren.

Eine einzige Kohortentabelle sagt dir oft mehr über dein Geschäft als zwanzig Durchschnittswerte.

Retention-Kurven verstehen

Zeichnest du die Zeilen einer Kohortentabelle als Linie, entsteht eine Retention-Kurve. Ihre Form verrät viel über dein Produkt.

Form der Kurve	Was sie bedeutet
Fällt immer weiter Richtung null	Nutzer finden keinen dauerhaften Nutzen. Mehr Akquise füllt nur einen Eimer mit Loch.
Fällt am Anfang, flacht dann ab	Ein Teil der Nutzer hat einen festen Platz für dein Produkt gefunden. Ein starkes Signal für Product-Market-Fit.
Fällt, flacht ab und steigt wieder leicht	Ehemalige Nutzer kommen zurück, etwa durch neue Funktionen oder gute Reaktivierung.

Wichtig ist auch, auf welcher Höhe das Plateau liegt. Eine Kurve, die bei 5 % abflacht, zeigt eine kleine, treue Nische. Eine Kurve bei 30 % zeigt ein Produkt mit breitem Nutzen. Wie ich Product-Market-Fit an solchen Signalen festmache, beschreibe ich in Product-Market-Fit erkennen.

Entscheidungen aus Kohorten ableiten

Eine Analyse ist nur so gut wie die Entscheidung, die daraus folgt. Typische Muster und was ich daraus ableiten würde:

Beobachtung	Wahrscheinliche Bedeutung	Entscheidung
Starker Abfall von Monat 0 auf Monat 1	Viele erleben den Kernnutzen nie	Am Onboarding und Aha-Moment arbeiten
Neuere Kohorten bleiben besser	Deine Änderungen wirken	Weitermachen, Ursache dokumentieren
Eine einzelne Kohorte ist deutlich schwächer	Ein Kanal oder eine Kampagne bringt die falschen Nutzer	Kohorte nach Kanal aufteilen, Budget umschichten
Kurve fällt immer weiter	Kein dauerhafter Nutzen	Kernprodukt verbessern, Akquise bremsen
Alle Kohorten brechen im selben Monat ein	Externes Ereignis oder technischer Fehler	Ursache im Kalender suchen

Besonders aufschlussreich finde ich, Kohorten zusätzlich nach Kanal zu teilen. Wenn Kunden aus der Suche nach sechs Monaten doppelt so häufig bleiben wie Kunden aus bezahlter Werbung, sind die echten Kosten der Werbung höher, als die reinen Akquisekosten vermuten lassen.

Verhaltens-Kohorten für die nächste Hypothese

Akquise-Kohorten zeigen, dass sich etwas verändert hat, Verhaltens-Kohorten helfen herauszufinden, woran es liegt. Angenommen, du teilst die April-Kohorte in zwei Gruppen: Kunden, die in der ersten Woche eine Vorlage genutzt haben, und Kunden ohne Vorlage. Bleibt die erste Gruppe nach drei Monaten zu 60 % und die zweite zu 30 %, hast du eine starke Hypothese für dein nächstes Experiment: mehr Kunden früh zur Vorlage führen.

Vorsicht bei der Deutung: Ein Zusammenhang in der Tabelle beweist keine Ursache. Erst ein Test zeigt, ob die Vorlage die Bindung wirklich erhöht. Wie du solche Tests planen kannst, steht in Wachstumsexperimente planen.

Welche Werkzeuge du brauchst

Für den Anfang reicht eine Tabellenkalkulation. Mit einer Pivot-Tabelle aus Startmonat und Aktivitätsmonat baust du die Grundtabelle in wenigen Minuten. Der Vorteil: Du verstehst jede Zahl, weil du sie selbst berechnet hast.

Wächst die Datenmenge, helfen spezialisierte Werkzeuge. Google Analytics 4 bietet in den Explorationen eine eigene Kohortenansicht. Produktanalyse-Tools gehen bei Verhaltens-Kohorten tiefer. Mit Zugriff auf die eigene Datenbank kommst du per SQL am genauesten ans Ziel. Welches Werkzeug du nimmst, ist zweitrangig. Wichtiger ist, dass du die Tabelle jeden Monat zum selben Zeitpunkt anschaust.

Häufige Fehler bei der Kohortenanalyse

• Zu kleine Kohorten: Bei 20 Nutzern pro Gruppe verändert ein einzelner Nutzer den Wert um 5 Prozentpunkte. Nimm dann längere Zeiträume.
• Unklare Definition von aktiv: Ein Login ist keine Nutzung. Definiere Aktivität über die Handlung, die echten Wert zeigt, zum Beispiel eine verschickte Rechnung.
• Falsche Taktung: Ein Produkt, das man täglich nutzt, misst du in Wochen. Ein Produkt für monatliche Aufgaben in Monaten.
• Nur hinschauen: Eine Tabelle ohne abgeleitete Entscheidung ist Dekoration.

Fazit

Die Kohortenanalyse zeigt dir, ob dein Produkt Menschen dauerhaft hält und ob deine Änderungen wirken. Du liest die Tabelle in Zeilen, Spalten und Diagonalen, erkennst an der Form der Kurve, wie nah du am Product-Market-Fit bist, und rechnest daraus Kundenwert und Amortisationszeit aus.

Dein nächster Schritt: Exportiere alle Kunden mit Startmonat und aktiven Monaten in eine Tabelle und bau deine erste Kohortenansicht nach dem Rechenbeispiel. Schau dir zuerst die Spalte „Monat 1“ an. Wie ich selbst mit solchen Zahlen arbeite, teile ich regelmäßig in den Unternehmer Thoughts.