Cohort Analysis

Die Cohort Analysis (Kohortenanalyse) fasst Kunden, die im selben Zeitraum gestartet sind (zum Beispiel alle mit ihrer ersten Bestellung im Januar), zu einer Kohorte zusammen und beobachtet diese Gruppe Monat für Monat. So zeigt sich, wie viele Kunden bleiben (Retention), wieder kaufen und welchen Deckungsbeitrag sie im Lauf der Zeit erwirtschaften, jeweils getrennt danach, in welchem Monat sie zum ersten Mal gekauft haben.

Was ist Cohort Analysis?

Cohort Analysis (im Deutschen Kohortenanalyse) ist eine Auswertung, die Kunden mit gleichem Startzeitpunkt zu einer Kohorte (Gruppe) bündelt und diese Gruppe entlang ihres eigenen Alters betrachtet, also „erster Monat, zweiter Monat, dritter Monat nach Start" statt „Januar, Februar, März". Der Start ist meist der Monat der ersten Bestellung; möglich sind auch andere Startereignisse (Beginn eines Abo-Vertrags, erste Anmeldung im System, erste Nutzung einer Funktion).

Die Methode existiert, weil aggregierte Zeitreihen zwei Effekte vermengen: die Verhaltensänderung im Bestand (wie verhalten sich Kunden im dritten Monat gegenüber dem ersten) und die Zusammensetzung der Basis (wie viele neue Kunden sind hinzugekommen). Wer nur die Gesamtzahl aktiver Kunden pro Monat betrachtet, sieht beide Effekte überlagert. Die Kohortensicht trennt sie: Jede Kohorte wird auf ihre eigene Zeitachse gelegt (Monat 0, 1, 2, …), so dass Kohorten gleicher Alter direkt vergleichbar sind.

Das Ergebnis ist eine Matrix. Die Zeilen sind die Kohorten (z. B. Januar-, Februar-, März-Kohorte), die Spalten das Alter in Perioden (Monat 0, 1, 2, …), die Zellen der Wert der Kennzahl. Aus dieser Matrix lassen sich drei Blickrichtungen ablesen: Spalten zeigen den Alterungsverlauf einer typischen Kohorte, Zeilen erlauben den Vergleich unterschiedlicher Kohorten bei gleichem Alter, Diagonalen zeigen kalender-synchrone Ereignisse (Preisänderung, Ausfall, Kampagne), die alle Kohorten gleichzeitig treffen.

Typische Kennzahlen, die in einer Kohortenmatrix ausgewertet werden, sind Retention Rate, Churn Rate, aktive Nutzer, kumulierter Umsatz, [ARPU](/insights/glossar/arpu/) je Kohorte und kumulierter Deckungsbeitrag. Die Kohorten selbst folgen nicht immer dem Akquise-Monat: Auch Akquise-Kanal, Erstprodukt, Vertragstyp, Preisstufe oder Region sind gebräuchliche Kohorten-Definitionen. Umgesetzt wird die Analyse meist über SQL-Fensterfunktionen auf einer Bestell- oder Ereignistabelle mit einem first_order_month je Kunde und Joins auf spätere Ereignisse.

Abgrenzung: Segmentation, Retention Analysis, RFM

Vier verwandte Begriffe tauchen im selben Umfeld auf und werden regelmäßig vermischt.

Customer Segmentation teilt den Bestand nach Merkmalen und ist orthogonal zur Zeit. Sie beantwortet die Frage, welche Kundengruppen es gibt (z. B. Premium- vs. Standardkunden, hoch- vs. niedrigvolumig). Cohort Analysis ist dagegen eine zeitliche Aufschlüsselung. Beide werden kombiniert: Kohorten je Segment zeigen, ob unterschiedliche Segmente unterschiedlich altern (siehe [Customer Segmentation im Customer-Intelligence-Cluster](/insights/customer-intelligence/customer-segmentation/)).

Retention Analysis wird häufig synonym gebraucht, ist aber enger gefasst. Sie ist die Anwendung der Kohortenmethode auf die Kennzahl Retention Rate. Cohort Analysis ist die allgemeine Methode und trägt beliebige Kennzahlen (Umsatz, Deckungsbeitrag, Nutzungsfrequenz), also weit über Retention hinaus.

RFM Analysis (Recency, Frequency, Monetary) ist ein merkmalsbasiertes Scoring-Verfahren, das den aktuellen Zustand eines Kunden bewertet. Das Ergebnis ist eine Momentaufnahme in Score-Clustern statt einer Zeitreihe je Startjahrgang. Kohorten- und RFM-Sicht ergänzen sich in der Bestandsanalyse.

Ein weiterer Nachbarbegriff ist die Longitudinal Analysis aus Sozialforschung und Epidemiologie, in der Individuen (nicht Gruppen-Aggregate) über die Zeit verfolgt werden. Sie ist statistisch verwandt, methodisch aber enger. Der Begriff „Kohorte" stammt aus dieser Tradition (Age-Period-Cohort-Modelle) und ist auf die Kundenanalyse übertragen worden.

Beispiel: Retention-Kohorten in einem Abo-Dienst

Ein B2C-Abo-Dienst betrachtet die Akquise-Kohorten Januar, Februar und März 2025 über die ersten sechs Monate hinweg. Für jede Kohorte wird der Anteil aktiver Abonnenten in Monat 0, 1, 2 usw. berechnet.

Die Matrix erzählt drei Geschichten. Die Spalten zeigen den typischen Retention-Verlauf: steiler Abfall in Monat 1 bis 3, dann Stabilisierung. Der Zeilenvergleich zeigt, dass die Februar-Kohorte schlechter altert als Januar und März. Das ist ein Hinweis auf einen im Februar geänderten Akquise-Kanal, dessen Kunden schlechter zum Angebot passen. Die März-Kohorte startet in M1 höher als die anderen; das deckt sich mit einem im März eingeführten Onboarding-Flow, dessen Wirkung sich erst in einer Kohortensicht zeigt.

Eine aggregierte Zeitreihe der aktiven Kunden hätte diese Effekte überdeckt, weil sich die drei Kohorten überlagert hätten. Die Kohortenmatrix macht sichtbar, dass zwei unabhängige Effekte gleichzeitig wirken: schwächere Akquise und besseres Onboarding. In der Databricks-Umsetzung wird die Matrix typischerweise per SQL über Fensterfunktionen auf einer Bestell- oder Event-Tabelle erzeugt; die vertiefende [Cohort Analysis im Customer-Intelligence-Cluster](/insights/customer-intelligence/cohort-analysis/) zeigt das Muster mit konkretem SQL und einer Revenue-Kohorte auf der Lakehouse-Basis.