tl;dr
Der Cohort-Comparison-Report lässt dich Kunden anhand ihres Erstbestellverhaltens in Gruppen clustern — nach Produkt, Rabatt, Marketingkanal, Land und mehr
Customer Lifetime Value (CLV) ist die zentrale Metrik. Der Report zeigt dir, welche Kundengruppen über 90 Tage, 365 Tage und die gesamte Zeit den höchsten CLV erzeugen — sodass du mehr in das investierst, was langfristige Profitabilität treibt
Wenn du deine Kosten-Datenquellen konfiguriert hast, kannst du CLV auch nutzen, um CAC-Ziele zu setzen: Finde heraus, was ein Kunde wert ist, und entscheide, wie viel du dir für seine Akquise leisten kannst
Das hilft dir zu erkennen, welche Produkte, Rabattarten, Marketingaktivitäten und Länder Retention treiben — und welche nicht
⚡ Hinweis zum Zeitraum: Der von dir definierte Zeitraum wählt die in diesem Zeitraum akquirierten Kunden aus — aber ihre gesamte Aktivität bis heute wird zur Berechnung der Werte genutzt. Mehr zur Zeitraum-Definition
Revenue- & DB2-Extension-Graphen
Oben im Report visualisieren die Extension-Graphen, wie sich Net Revenue und DB2 über vier Zeitpunkte für jede deiner Kundengruppen entwickeln:
First Order
Within 90 days
Within 365 days
All Time
Nutze den Net Revenue / DB2-Toggle oben rechts im Graphen, um zwischen den beiden Ansichten zu wechseln.
Wie funktioniert es?
Dieser Report verdichtet die wichtigsten Retention-Metriken und lässt dich verschiedene Kundensegmente anhand diverser Dimensionen ihrer Erstbestellung vergleichen.
Du kannst eine primäre und (optional) eine sekundäre Dimension wählen, um deine Kundengruppen zu definieren — und beliebige zwei Dimensionen kombinieren, um deine Daten genau so zu schneiden, wie du es brauchst.
Marketingkanäle:
Channel Category — gruppiert Kunden nach der Kategorie des Kanals ihrer Erstbestellung
Channel Group — gruppiert Kunden nach der Channel Group (Paid, Brand, Owned) ihrer Erstbestellung
Channel Name — gruppiert Kunden nach dem konkreten Kanalnamen ihrer Erstbestellung
UTM Source — gruppiert Kunden nach der UTM Source ihrer Erstbestellung
UTM Medium — gruppiert Kunden nach dem UTM Medium ihrer Erstbestellung
UTM Campaign — gruppiert Kunden nach der UTM Campaign ihrer Erstbestellung
Kunden:
Customer Segment — gruppiert Kunden nach ihrem konfigurierten Kundensegment
Customer Tags — gruppiert Kunden nach Kunden-Tags
Email Subscription Status — gruppiert Kunden danach, ob sie E-Mail-Marketing zugestimmt haben und ob das vor oder nach ihrer Erstbestellung geschah
Produkt:
Product Titles — gruppiert Kunden danach, welches Produkt sie zuerst bestellt haben
SKUs — gruppiert Kunden danach, welche SKU sie zuerst bestellt haben
Rabatt:
Discount Codes — gruppiert Kunden nach dem in ihrer Erstbestellung verwendeten Rabattcode
Discount Target — gruppiert Kunden danach, ob der Rabatt auf Produkte oder Versand angewendet wurde
Discount Type — gruppiert Kunden danach, ob sie einen Rabatt genutzt haben und welchen Typ
Discount Value — gruppiert Kunden nach dem Rabattbetrag. Nutze es mit Discount Value Type für die korrekte Interpretation
Discount Value Type — gruppiert Kunden danach, ob der Rabatt ein Prozentsatz oder ein fixer Wert war
Bestellung:
First Order Month — gruppiert Kunden nach dem Kalendermonat ihrer Erstbestellung
First Order Quarter — gruppiert Kunden nach dem Quartal ihrer Erstbestellung
First Order Tags — gruppiert Kunden nach den Order-Tags ihrer Erstbestellung
Payment Method — gruppiert Kunden nach der in ihrer Erstbestellung genutzten Zahlungsmethode
Shipping Country — gruppiert Kunden nach dem Land, in das ihre Erstbestellung versendet wurde
⚡ Hinweis: Ein einzelner Kunde kann innerhalb einer Dimension in mehrere Gruppen fallen. Bestellt ein Kunde z.B. in seiner Erstbestellung einen Schuh und ein T-Shirt, wird sein späteres Verhalten in beiden Produktgruppen gezählt.
Was kann ich analysieren?
Metric Summary:
Per Customer — teilt die Summe durch die Anzahl der Kunden in der Kohorte. Nutze dies, um die Qualität einer Kohorte zu verstehen — es entfernt den Einfluss unterschiedlicher Kohortengrößen
Total — zeigt die Gesamtsumme. Nutze dies, um den Gesamteinfluss auf dein Geschäft und dein Ergebnis zu verstehen
Beide sind nützlich. Per Customer gibt dir den besseren Vergleich zwischen Kohorten unterschiedlicher Größe. Total zeigt dir den absoluten Geschäftseinfluss.
Metriken:
Du kannst über den Button Metrics jede Kombination der folgenden 32 Metriken auswählen:
Kunden & Bestellungen:
Customers — Anzahl der Kunden im Cluster
Days since 1st Order — durchschnittlich verstrichene Zeit seit der Erstbestellung
Time-lag to 2nd / 3rd / 4th / 5th Order — durchschnittlich verstrichene Zeit zwischen aufeinanderfolgenden Bestellungen
Orders — Gesamtzahl der vom Cluster aufgegebenen Bestellungen
Wiederkaufsraten:
Rep. Rate — gesamte Wiederkaufsrate
30d / 60d / 90d / 180d / 365d Rep. Rate — % der Kunden, die innerhalb des jeweiligen Zeitfensters eine zweite Bestellung aufgegeben haben
Umsatz (CLR — Customer Lifetime Revenue):
First Order — Nettoumsatz der Erstbestellung
30d / 60d / 90d / 180d / 365d CLR — kumulierter Nettoumsatz innerhalb jedes Zeitfensters
CLR — gesamter Nettoumsatz des Clusters bis heute
Profitabilität (CLV — Customer Lifetime Value):
First Order CLV — DB2 der Erstbestellung
30d / 60d / 90d / 180d / 365d CLV — kumulierter DB2 innerhalb jedes Zeitfensters
CLV — gesamter DB2 des Clusters bis heute
CLV-Wachstum:
% CLV Delta 30 / 60 / 90 / 180 / 365 — prozentuales CLV-Wachstum zwischen Zeitfenstern, das zeigt, wie schnell Kunden wertvoller werden
Wofür kann ich das nutzen?
Der Cohort Comparison ist die operative Version der Cohort Analysis. Wo die Cohort Analysis zeigt, wie sich Retention über die Zeit entwickelt, lässt dich der Cohort Comparison fragen: warum sind manche Kundengruppen loyaler als andere?
Welche Produkte oder Varianten treiben Retention?
Das erste Produkt, das ein Kunde bestellt, hat oft erheblichen Einfluss auf seine Retention. Ein Taster-Bundle mag für die Akquise super sein, weil es günstig ist — aber wenn Kunden nicht dein volles Wertversprechen erleben, kann ihre Retention viel niedriger sein als bei Kunden, die ein größeres Paket kaufen. Mehr pro Akquise zu zahlen könnte tatsächlich die bessere Investition sein.
Welche Produkte könnten Verbesserung brauchen?
Niedrigere Retention bei bestimmten Varianten kann signalisieren, dass das Produkt schlicht nicht die Kundenerwartungen erfüllt. Nutze die Dimension Product Variant, um Underperformer sichtbar zu machen und sie deinem Produktteam zu melden.
Welche Influencer oder Marketingaktivitäten bringen profitable Kunden?
Influencer geben typischerweise Rabattcodes aus, was bedeutet, dass du die Qualität der von ihnen gebrachten Kunden tracken kannst. Statt nur auf unmittelbaren CAC und ROAS zu schauen, nutze den Cohort Comparison, um den CLV ihrer Audience zu bewerten:
Zwei Influencer mit demselben CAC können sehr unterschiedliche CLVs erzeugen — arbeite intensiver mit dem, dessen Kunden häufiger zurückkehren
Ein Influencer, dessen CAC dein Ziel übersteigt, kann trotzdem profitabel sein, wenn der CLV seiner Kunden weit über dem Durchschnitt liegt
Ein Influencer innerhalb deines CAC-Ziels kann tatsächlich unprofitabel sein, wenn der CLV seiner Kunden weit unter dem Durchschnitt liegt
Dieselbe Analyse funktioniert mit UTM-Parametern — beachte aber, dass die UTM-Attribution nur einen Teil des Traffics abdeckt, nicht alle Bestellungen.
Welche Rabattstruktur bringt die besten Kunden?
Erzeugt ein 10-%-Rabatt auf die Erstbestellung loyalere Kunden als ein 5-€-Gutschein mit Mindestbestellwert? Die Discount-Dimensionen lassen es dich herausfinden und eine profitablere Anreizstrategie bauen.
Welches Land ist am profitabelsten?
Wenn du aus einem Store in mehrere Länder versendest, nutze die Dimension Shipping Country Code, um Retention-Verhalten und Profitabilität je Markt zu vergleichen. Stelle sicher, dass deine Logistikkosten in Klar pro Region konfiguriert sind, damit der DB2-Vergleich korrekt ist.