Kohortenanalyse:
Umsatz steigern im eCommerce

Kohortenanalyse gruppiert Kunden nach gemeinsamen Handlungen, nicht nach gemeinsamen Merkmalen. Wer im Januar 2024 zum ersten Mal gekauft hat, bildet eine Kohorte. Wer nach dem ersten Kauf innerhalb von 30 Tagen zurückkam, bildet eine Untergruppe. Wer nach 90 Tagen nicht wiederkam, bildet eine andere. Diese Gruppen zeigen Muster, die Demografie-Daten nie offenbaren würden.

Ein Sportartikel-Shop mit ca. 120.000 Sessions pro Monat hat seine Kunden nach Alter segmentiert: 18–30, 31–45, 46+. Die Ergebnisse: Die Conversion Rate unterschied sich zwischen den Gruppen um maximal 0,3 Prozentpunkte. Statistisch irrelevant. Die Kaufentscheidung hing nicht vom Alter ab, sondern davon, ob der Besucher bereits vorher auf der Seite war. also ob er ein Neukunde oder ein Wiederkäufer war.

Der Unterschied zwischen Neukunden und Wiederkäufern: 4,2 Prozentpunkte Conversion Rate. Ein Faktor von 14 gegenüber der Alterssegmentierung. Die Konsequenz: Das Marketingbudget wurde von altersbasierten Kampagnen auf kohortenbasierte Retention-Flows umgestellt. Der Effekt nach 6 Monaten: +18% Umsatz aus dem Bestandskunden-Segment bei gleichem Marketing-Spend.

Das Problem der klassischen Segmentierung ist, dass sie auf Annahmen basiert. „Junge Kunden kaufen mehr online“. vielleicht, aber nicht in diesem Shop. „Stammkunden kaufen öfter“. ja, aber wann genau? Nach 14 Tagen? Nach 60? Die Antwort liegt in den Kohorten, nicht in den Annahmen.

1. Erstkauf-Monats-Kohorten

Die Grundfrage: Wie viele Kunden, die im Monat X zum ersten Mal gekauft haben, kommen im Monat X+1 zurück? Im Monat X+3? Nach einem Jahr? Diese Kurve zeigt die wahre Qualität der Customer Acquisition, nicht die Kosten pro Klick.

Ein Möbel-Shop hat diese Analyse durchgeführt. Januar-Erstkäufer: 12% kehrten im Februar zurück, 8% im März, 5% nach 6 Monaten. April-Erstkäufer: 18% im Mai, 14% im Juni, 11% nach 6 Monaten. Der Unterschied? Im Januar lief eine aggressives Rabatt-Campaign über Google Ads. Viele Erstkäufer kauften nur wegen des Rabatts. Im April gab es keinen Rabatt. die Kunden kauften aus Bedarf. Die Retention war höher, der Customer Lifetime Value um 34% besser.

Die Konsequenz für das Budget: Januar-CPA (Cost per Acquisition) lag bei 18 Euro, April-CPA bei 24 Euro. Auf den ersten Blick war Januar effizienter. Aber die 12-Monats-Retention von Januar-Kunden war so niedrig, dass der Lifetime Value pro Kunde bei 45 Euro lag. gegenüber 89 Euro bei April-Kunden. Der scheinbar teurere Kanal war der profitable.

2. Wiederkaufs-Intervall-Kohorten

Nicht alle Kunden kaufen im gleichen Rhythmus. Ein Kosmetik-Shop hat drei Gruppen identifiziert: Die, die alle 30 Tage kaufen (Abonnement-Charakter), die, die alle 60–90 Tage kaufen (Bedarfsgesteuert), und die, die unregelmäßig kaufen (Impuls). Jede Gruppe braucht eine andere Ansprache.

Die 30-Tage-Gruppe wurde mit einem Abo-Modell angesprochen: 15% Rabatt bei monatlicher Lieferung. Annahme: Höhere Retention, geringerer Marketing-Aufwand. Ergebnis: 23% der Gruppe nahmen das Abo an, die Retention stieg auf 94% (gegenüber 71% vorher). Aber der durchschnittliche Bestellwert sank um 8%. weil Abo-Kunden weniger spontan zusätzliche Artikel kauften.

Die 60–90-Tage-Gruppe bekam Reminder-E-Mails nicht nach 30 Tagen, sondern nach 75 Tagen. also im mittleren Intervall. Die Annahme: Zu früh erinnern nervt, zu spät vergisst der Kunde den Shop. Ergebnis: Die Öffnungsrate der Reminder stieg von 12% auf 31%. Der Klickrate von 2,4% auf 8,7%. Die Conversion Rate der zurückgekehrten Besucher von 4,1% auf 7,3%.

Die Impuls-Gruppe. unregelmäßige Käufer. wurde nicht mit Remindern angesprochen, sondern mit New-Arrival-Alerts. Wenn neue Produkte in ihren bevorzugten Kategorien eingetroffen waren, bekamen sie eine Benachrichtigung. Ergebnis: +14% Umsatz aus dieser Gruppe, gemessen über 4 Monate. Der Trick war nicht die Häufigkeit, sondern die Relevanz des Timings.

3. Checkout-Abbruch-Kohorten

Wer den Warenkorb abbricht, ist nicht gleich verloren. Aber nicht jeder Abbruch ist gleich. Ein Fashion-Shop hat Abbrüche nach Zeitpunkt segmentiert: Abbruch auf der Versandseite, Abbruch auf der Zahlungsseite, Abbruch auf der Bestätigungsseite.

Die Ergebnisse waren entlarvend: 64% der Abbrüche passierten auf der Versandseite. meist wegen unerwartet hoher Versandkosten oder zu langer Lieferzeit. 21% auf der Zahlungsseite. Zahlungsarten-Probleme oder technische Fehler. 15% auf der Bestätigungsseite. oft Zweifel oder Ablenkung.

Jede Kohorte bekam eine andere Recovery-E-Mail. Die Versand-Abbruch-Kohorte bekam einen kostenlosen Versand-Code (+12% Recovery-Rate gegenüber generischer E-Mail). Die Zahlungs-Abbruch-Kohorte bekam eine E-Mail mit alternativen Zahlungsarten (+8% Recovery-Rate). Die Bestätigungs-Abbruch-Kohorte bekam eine E-Mail mit Social Proof. Bewertungen und Fotos von Kunden (+6% Recovery-Rate).

Der Gesamteffekt: Die Recovery-Rate stieg von 4,2% auf 9,8%. Bei 3.200 Abbrüchen pro Monat bedeutet das 179 zusätzliche Bestellungen. Mit einem durchschnittlichen Bestellwert von 87 Euro: 15.573 Euro zusätzlicher Umsatz pro Monat. nur durch kohortenspezifische E-Mails statt einer generischen.

Viele Shops haben die Daten, aber nicht die Struktur. Google Analytics 4 bietet Kohortenberichte. die sind ein Anfang, aber nicht ausreichend für operative Entscheidungen. Was Sie brauchen:

1. Ein einheitliches Kunden-ID-System. Ohne eine ID, die den Kunden über Session-Grenzen hinweg verfolgt, können Sie keine Kohorten bilden. Das heißt: Login-Pflicht oder zumindest ein stabiles Cookie-System, das Kunden-ID und Kaufhistorie verknüpft. Ein Shop, der nur auf Session-Cookies setzt, verliert 40–60% der Kohortenzuordnung.

2. Klare Zeitfenster. „Wiederkäufer“ ist keine Kohorte. „Kunden, die zwischen Tag 30 und Tag 60 nach dem Erstkauf zurückkehrten“ ist eine Kohorte. Je spezifischer das Zeitfenster, desto aussagekräftiger die Analyse. Wir arbeiten typischerweise mit 7-Tage-, 30-Tage-, 90-Tage- und 365-Tage-Fenstern.

3. Eine Metrik, die zählt. Nicht alle Metriken sind für alle Kohorten relevant. Für Erstkauf-Kohorten zählt die 30-Tage-Retention. Für Wiederkauf-Kohorten zählt das durchschnittliche Intervall. Für Abbruch-Kohorten zählt die Recovery-Rate nach 24 Stunden. Wählen Sie eine Primärmetrik pro Kohorte. nicht fünf.

Ein Elektronik-Shop hat versucht, alle Kohorten mit derselben Metrik zu bewerten: Conversion Rate. Das Ergebnis war verwirrend. Die Checkout-Abbruch-Kohorte hatte eine „Conversion Rate“ von 4,2%. aber das war die Recovery-Rate, nicht die Checkout-Completion. Die Zahlen waren nicht vergleichbar, die Analyse wertlos. Nach der Umstellung auf kohortenspezifische Metriken wurde das Reporting innerhalb von 2 Wochen operational.

Fehler 1: Zu kleine Kohorten

Ein Shop mit 5.000 Sessions pro Monat hat 14 Kohorten definiert. Jede Kohorte hatte im Durchschnitt 40 Kunden. Das Ergebnis: Statistisch signifikante Aussagen waren unmöglich. Die Schwankungen von Monat zu Monat waren größer als die Unterschiede zwischen den Kohorten.

Die Regel: Mindestens 200 Kunden pro Kohorte für eine statistisch belastbare Analyse. Bei kleineren Shops: Weniger Kohorten, dafür breitere Zeitfenster. Statt „Kunden, die im Januar gekauft haben“ besser „Kunden, die im Q1 gekauft haben“. Die Granularität muss zum Traffic passen.

Fehler 2: Korrelation mit Kausalität verwechseln

Eine Kohorte von Kunden, die über Instagram akquiriert wurden, hatte eine 40% höhere Retention als Google-Ads-Kunden. Die Schlussfolgerung: Instagram ist der bessere Kanal. Die Realität: Instagram-Kunden waren zu 70% bereits Follower der Marke. also vorqualifiziert. Google-Ads-Kunden waren Cold Traffic. Die Kohorte sagte etwas über die Zielgruppe, nicht über den Kanal.

Bevor Sie Budget umverteilen, fragen Sie: Was unterscheidet diese Kohorte wirklich? Der Kanal? Die Kampagne? Das Produkt, das sie gekauft haben? Oder etwas, das vor dem ersten Klick passiert ist?

Fehler 3: Kohorten analysieren, aber nicht handeln

Die häufigste Form der Kohortenanalyse ist das Dashboard, das niemand anschaut. Ein Shop hat monatliche Kohortenberichte erstellt. 12 Seiten PowerPoint. Die Berichte wurden in Meetings gezeigt, aber nie in Aktionen übersetzt. Nach 8 Monaten wurde das Reporting eingestellt. „es bringt ja nichts“.

Kohortenanalyse ist kein Reporting-Tool. Sie ist ein Entscheidungs-Tool. Jede Analyse muss zu einer konkreten Aktion führen: Budgetumverteilung, E-Mail-Flow-Anpassung, Landingpage-Änderung, Preisstrategie. Wenn eine Kohortenanalyse keine Entscheidung verändert, ist sie Zeitverschwendung.

Kohortenanalyse zeigt, was passiert. A/B-Testing zeigt, warum es passiert. und ob eine Änderung es besser macht. Beide brauchen einander.

Ein Beispiel aus der Praxis: Die Kohortenanalyse zeigte, dass Kunden, die über Mobile gekauft hatten, eine 30% niedrigere Retention hatten als Desktop-Käufer. Die Annahme: Mobile-UX ist schlecht. Der A/B-Test: Eine optimierte Mobile-Checkout-Folge gegen die bestehende. Ergebnis: Die Retention der Mobile-Kohorte stieg um 14%. aber nicht auf Desktop-Niveau. Die verbleibende Lücke lag nicht an der UX, sondern am Produkt: Mobile-Kunden kauften häufiger niedrigpreisige Artikel, die schneller verbraucht waren. Die niedrigere Retention war teilweise ein Produkt-Effekt, nicht ein UX-Effekt.

Die Kohorte hatte das Problem identifiziert. Der A/B-Test hatte die Ursache eingegrenzt. Ohne beides hätte das Team Monate in Mobile-UX-Optimierung investiert, die nur die halbe Wahrheit erklärte.

Was ist eine Kohortenanalyse im eCommerce?

Kohortenanalyse gruppiert Kunden nach gemeinsamen Handlungen. meist nach dem Zeitpunkt des ersten Kaufs. und verfolgt ihr Verhalten über Zeit. Im Gegensatz zur klassischen Segmentierung (Alter, Geschlecht, Region) basiert sie auf Verhaltensdaten und zeigt Muster wie Retention, Wiederkaufraten und Lifetime Value pro Gruppe.

Welche Kohorten sollte ein eCommerce-Shop tracken?

Die drei wichtigsten Kohorten sind: Erstkauf-Monats-Kohorten (zeigen Acquisition-Qualität), Wiederkaufs-Intervall-Kohorten (zeigen Kaufrythmus und Retention-Potenzial) und Checkout-Abbruch-Kohorten (zeigen Recovery-Chancen). Weitere relevante Kohorten: Kanal-Kohorten (woher kam der Kunde?), Produkt-Kohorten (was wurde als Erstes gekauft?) und Geräte-Kohorten (Mobile vs. Desktop).

Wie groß muss ein Shop sein für sinnvolle Kohortenanalyse?

Mindestens 200 Kunden pro Kohorte für statistisch belastbare Ergebnisse. Ein Shop mit 1.000 Käufen pro Monat kann 2–3 Kohorten sinnvoll analysieren. Bei 5.000 Käufen pro Monat sind 5–7 Kohorten realistisch. Darunter ist die Granularität zu gering für operative Entscheidungen. dann hilft klassisches A/B-Testing mehr.

Welches Tool eignet sich für Kohortenanalyse?

Google Analytics 4 bietet Basis-Kohortenberichte. Für tiefere Analyse eignen sich Mixpanel, Amplitude oder eigenentwickelte Dashboards auf Basis der Shop-Datenbank. Die Wahl hängt davon ab, ob Sie Echtzeit-Daten brauchen (Mixpanel/Amplitude) oder ob monatliche Auswertungen ausreichen (GA4 + Export).

Wie unterscheidet sich Kohortenanalyse von klassischer Segmentierung?

Klassische Segmentierung gruppiert nach statischen Merkmalen: Alter, Geschlecht, Region. Kohortenanalyse gruppiert nach dynamischen Handlungen: Wann wurde das erste Mal gekauft? Wie schnell kam der Wiederkauf? Welcher Kanal führte zum Kauf? Kohorten zeigen Verhaltensmuster über Zeit. Segmentierung zeigt Momentaufnahmen.

Wie oft sollte man Kohorten analysieren?

Monatlich für operative Kohorten (Erstkauf, Wiederkauf). Wöchentlich für taktische Kohorten (Checkout-Abbruch, Campaign-Performance). Die Analyse sollte nicht länger dauern als die Entscheidung, die daraus folgt. Wenn Sie 2 Wochen für ein Reporting brauchen, ist der Prozess zu aufwändig.

Kann man Kohortenanalyse auch für B2B-Shops nutzen?

Ja, mit angepassten Zeitfenstern. B2B-Kunden kaufen seltener, die Intervalle sind länger. Statt 30-Tage-Retention misst man 90-Tage- oder 180-Tage-Retention. Die Logik bleibt gleich: Gruppiere nach gemeinsamen Handlungen, verfolge Verhalten über Zeit, identifiziere Muster.

Was ist der Unterschied zwischen Kohortenanalyse und CLV-Berechnung?

Customer Lifetime Value (CLV) ist eine Kennzahl. der durchschnittliche Umsatz pro Kunde über die gesamte Kundenbeziehung. Kohortenanalyse ist eine Methode, um CLV zu verstehen. Statt einen globalen CLV zu berechnen, zeigt die Kohortenanalyse, dass Januar-Erstkäufer einen CLV von 45 Euro haben und April-Erstkäufer einen von 89 Euro. Der globale CLV von 67 Euro ist für operative Entscheidungen wertlos. die kohortenspezifischen Werte sind es nicht.