Cohort Analysis (kohorszelemzés)
Hogyan működik?
Egy kohorsz azoknak az ügyfeleknek a csoportja, akik ugyanabban az időszakban tették meg ugyanazt az első lépést. A „márciusi kohorsz” például mindenki, aki márciusban vásárolt először. Ezután minden csoportnál azt nézzük, hányan aktívak vagy vásárolnak még az 1., 2., 3. hónapban.
Az eredmény egy háromszög alakú táblázat: a sorok a kohorszok, az oszlopok az eltelt hónapok. Lefelé olvasva összehasonlíthatók a csoportok, jobbra olvasva látszik egy csoport élete.
Magyar számpélda
Egy kávéelőfizetéses webshop az első vásárlás hónapja szerint csoportosítja a vevőket, és azt nézi, hány százalékuk vásárol újra az adott hónapban:
| Kohorsz | Új vevő | 1. hónap | 2. hónap | 3. hónap |
|---|---|---|---|---|
| Június | 400 | 38% | 27% | 22% |
| Július | 520 | 31% | 20% | 15% |
| Augusztus | 450 | 44% | 34% | - |
| Szeptember | 480 | 46% | - | - |
Mit árul el? A júliusi kohorsz gyengébb: abban a hónapban futott egy 50%-os kedvezményes első rendelés akció, ami sok olyan vevőt hozott, akit csak az ár érdekelt. Az augusztusi és szeptemberi csoport viszont jobban tart, mert közben bevezették az első rendelés utáni köszönő és receptajánló levélsort. Összesített számban ez alig látszana: a havi visszatérési arány átlagosan „30% körül” mozog, a két ellentétes hatás kioltja egymást.
Forintban: ha egy újravásárlás 6 500 Ft, akkor 100 új vevőből a 3. hónapra 22 visszatérő 143 000 Ft-ot hoz, 15 visszatérő csak 97 500 Ft-ot. A kedvezményes akció tehát olcsóbb vevőt hozott, de kevesebbet érőt.
Mire jó a marketingben?
- Kampányok valós értéke: nem csak az első vásárlást, hanem a vevő későbbi viselkedését is látod csatornánként.
- Változtatások hatása: egy új onboarding, árazás vagy termékfrissítés után az új kohorszok görbéje megmutatja, működik-e.
- LTV-becslés: a régebbi kohorszok görbéje alapján megbecsülhető, mennyit ér várhatóan egy friss vevő.
- Churn-elemzés: kiderül, melyik hónapban esik a legtöbben ki, és oda kell beavatkozni.
Hol csinálhatod meg?
A GA4 Felfedezések menüjében van kész kohorszelemzés-sablon, amely a felhasználók visszatérését mutatja. Webshopnál pontosabb, ha a rendelési adatokat exportálod (Shopify, WooCommerce, Unas), és egy táblázatkezelőben pivot-táblával készíted el: sor az első rendelés hónapja, oszlop a hónap különbség, érték a vásárlók száma.
Gyakori hibák
- Túl kicsi kohorszok: 30 fős csoportoknál néhány vevő viselkedése nagy kilengést okoz. Ilyenkor negyedéves bontás jobb.
- Befejezetlen hónap a táblában: a folyó hónap adata mindig alacsonyabbnak tűnik, mert még nem telt le.
- Rossz kezdőesemény: ha a regisztrációt veszed alapul, de a valódi érték az első vásárlás, a görbe félrevisz.
- Nincs következmény: az elemzés csak akkor ér valamit, ha döntés követi, például egy akciótípus leállítása vagy egy levélsor bevezetése.
Kohorsz vagy szegmens?
A kettőt gyakran összekeverik. A szegmentálás tulajdonság alapján csoportosít (életkor, város, vásárolt termék), és egy pillanatképet ad. A kohorsz egy időpontban közösen megtett lépés alapján csoportosít, és az időbeli változást mutatja. A kettő jól kombinálható: a júniusi kohorszon belül külön nézheted a Meta-hirdetésből és az organikus keresésből érkezőket. Ilyenkor gyakran kiderül, hogy a drágább csatorna vevői tovább maradnak, így a csatorna az első vásárlás alapján rosszabbnak tűnik, mint amilyen valójában.