Erfahren Sie, wie Kohorten es Ihnen ermöglichen, Ihre Kunden zu segmentieren und besser zu verstehen und so den Wert und die Loyalität im B2B-E-Commerce und SaaS zu steigern.
Kohorten sind ein Schlüsselkonzept, das seinen Ursprung in der epidemiologischen Forschung hat. Sie beziehen sich auf eine Gruppe von Personen, die während eines bestimmten Zeitraums ein gemeinsames Merkmal aufweisen. Eine Kohorte kann beispielsweise aus Personen bestehen, die im selben Jahr geboren wurden, aus Bewohnern desselben geografischen Gebiets oder aus Personen, die zur gleichen Zeit mit einer medizinischen Behandlung begonnen haben. Dieser Ansatz ermöglicht es ForschernAlso beobachte und analysiere, wie verschiedene Faktoren, sowohl Umwelt- als auch Lifestyle-Thema beeinflussen die Gesundheit und das Verhalten dieser Gruppen im Laufe der Zeit.
Im Zusammenhang mit E-Commerce- oder B2B-SaaS-Unternehmen wird die Kohortenanalyse verwendet, um das Kundenverhalten im Laufe der Zeit zu untersuchen und zu verstehen, wie sich ihre Handlungen seit ihrer ersten Interaktion mit unserem Unternehmen ändern. Eine Kohorte ist in diesem Zusammenhang beispielsweise definiert als Gruppe von Kunden, die im selben Monat ihren ersten Kauf getätigt haben. Indem sie das Verhalten dieser Kohorte verfolgen, können Analysten Kaufmuster, Bindungs- und Loyalitätsraten sowie die Effektivität von Marketingstrategien im Laufe der Zeit beobachten.
Die Kohortenanalyse in der Wirtschaft ermöglicht es Unternehmen Identifizieren Sie wichtige Trends und Bereiche mit Verbesserungspotenzial. Wenn ein Unternehmen beispielsweise untersucht, wie sich eine bestimmte Kohorte in Bezug auf Kaufhäufigkeit, durchschnittliche Ausgaben und Abbruchrate verhält, kann es feststellen, ob bestimmte Änderungen an seiner Website, Werbeaktionen oder Marketingkampagnen die gewünschte Wirkung hatten. Wenn eine Kohorte nach dem ersten Monat eine hohe Abbruchrate aufweist, könnte dies darauf hindeuten, dass das Einkaufserlebnis nach dem Kauf verbessert oder effektivere Bindungsstrategien wie Treueprogramme oder Kampagnen zur Wiedereinbindung implementiert werden müssen.
Darüber hinaus kann diese Art der Analyse für die Personalisierung des Kundenerlebnisses von entscheidender Bedeutung sein. Wenn Unternehmen verstehen, wie verschiedene Kohorten auf unterschiedliche Marketingimpulse oder Produktänderungen reagieren, können sie segmentieren Sie Ihr Publikum besser und bieten Sie relevantere Werbeaktionen und Empfehlungen an. Wenn beispielsweise eine Kohorte, die über eine Social-Media-Werbeaktion auf die Website gelangt ist, ein größeres Interesse an bestimmten Produkten zeigt, kann das Unternehmen ähnliche Marketingkampagnen an zukünftige Kunden mit ähnlichen Profilen und Verhaltensweisen richten.
Aus dem Vorstehenden folgt, dass eine Kohortenanalyse nicht unbedingt auf allgemeiner Ebene durchgeführt werden muss, sondern dass Kunden können segmentiert werden, um Kohorten verschiedener Typen zu erstellen und zu analysieren. So kann beispielsweise bei der Kohortensegmentierung die Unterteilung von Kunden in bestimmte Gruppen auf der Grundlage bestimmter Merkmale auf der Grundlage eines zeitlichen Musters, das in der Regel Monate beträgt, erfolgen. Hier sind einige gängige Methoden zur Segmentierung von Kohorten.
1. Kanal für Akquisition
Die Segmentierung der Kohorten nach dem Kanal, über den Kunden gewonnen wurden (z. B. soziale Netzwerke, organische Suchanfragen, E-Mail-Kampagnen, bezahlte Werbung usw.), hilft dabei, die Effektivität der einzelnen Kanäle zu bewerten. Auf diese Weise können Sie Marketinginvestitionen anpassen und Strategien für jeden Kanal optimieren. Wenn beispielsweise Kunden, die durch bezahlte Werbung gewonnen wurden, eine höhere Kundenbindungsrate aufweisen, können Sie erwägen, das Budget für diesen Kanal zu erhöhen.
2. Art des gekauften Produkts
Die Segmentierung der Kohorten nach der Art der gekauften Produkte ermöglicht es uns, die Präferenzen und das Verhalten der Kunden in Bezug auf verschiedene Produktkategorien zu verstehen. Beispielsweise können Kunden, die Luxusprodukte kaufen, ein anderes Kaufverhalten und andere Bedürfnisse haben als Kunden, die Produkte des täglichen Bedarfs kaufen. Diese Segmentierung hilft dabei, das Einkaufserlebnis und die Marketingstrategien für jede Gruppe zu personalisieren.
3. Erdkunde
Die geografische Segmentierung der Kohorten ermöglicht es uns, Unterschiede im Kundenverhalten je nach Standort zu analysieren. Kaufpräferenzen und -muster können in den verschiedenen Regionen erheblich variieren. Daher ist es wichtig, diese Unterschiede zu verstehen, um Angebote und Marketingkampagnen effektiv zu personalisieren.
4. Wert des ersten Kaufs
Die Unterteilung der Kohorten anhand des Werts des ersten Kaufs kann Aufschluss darüber geben, wie der anfänglich ausgegebene Wert mit Kundenbindung und LTV zusammenhängt. Beispielsweise können Kunden, die anfänglich einen Kauf mit hohem Wert tätigen, ein anderes Kaufverhalten aufweisen als Kunden, die mit Käufen mit niedrigerem Wert beginnen. Diese Analyse hilft dabei, wertvollere Kundensegmente zu identifizieren und Strategien zu entwickeln, um sie an sich zu binden.
5. Verhalten beim Surfen
Die Segmentierung von Kohorten auf der Grundlage des Surfverhaltens auf der Website (z. B. Verweildauer auf der Website, Anzahl der besuchten Seiten) kann Aufschluss über das anfängliche Engagement geben. Kunden, die schon früh ein hohes Maß an Interaktion mit der Website zeigen, werden mit größerer Wahrscheinlichkeit zu Stammkunden.
Wie diese können andere relevante Segmentierungen existieren... Durch den Einsatz dieser und anderer Formen der Segmentierung können Unternehmen einen tieferen Überblick über ihre Kunden gewinnen, die Kundenbindung verbessern, Marketingstrategien optimieren und letztendlich den Umsatz und die Kundenzufriedenheit steigern.
Wie eine Kohortenanalyse aufgebaut ist.
Um die Übung zu vereinfachen, verwenden wir eine Standardvorlage, die Sie herunterladen können hierher.
- Das Erste wird sein Beliebige die Vorlage mit deinen Geschäftsdaten. Wie Sie in der Vorlage sehen können, beginnt sie mit der Zelle „B4“, die mit der Anzahl der Neukunden gefüllt werden muss, die in diesem Monat ihren ersten Kauf getätigt haben. In unserem Beispiel sprechen wir über den Monat Januar 2022 und die Anzahl der Neukunden in diesem Monat betrug 43.
- Dann gehen wir Füllen Sie Zelle „B5“ aus mit der Anzahl der Neukunden, die im Februar 2022 ihre ersten Bestellungen aufgegeben haben und so weiter.
- Dann wir haben Spalte „C“ abgeschlossen beginnend mit Zelle „C4“ mit der Anzahl der Bestellungen von Neukunden, die im Januar 2022 zum ersten Mal gekauft haben. Beachten Sie, dass die Anzahl der Bestellungen in diesem Monat mindestens der Anzahl der Neukunden entsprechen muss.
- Die Spalte „D“ wir werden es mit der Anzahl der Bestellungen vervollständigen, die im Februar 2022 von denjenigen aufgegeben wurden, die im Januar 2022 zum ersten Mal Kunden wurden.
- Die Spalte „E“ wir werden es mit der Anzahl der Bestellungen vervollständigen, die im März 2022 von Kunden aufgegeben wurden, die im Januar 2022 zum ersten Mal gekauft haben. Und so weiter.
Auf diese Weise repräsentiert Zeile 4 die Bestellungen von Kunden, die im Januar 2022 zum ersten Mal gekauft haben, in den Monaten bis zum Monat der Studie. Und da wir abschätzen wollen, wie oft ein Kunde im Laufe seines Lebens etwas kauft, werden wir die Analyse um einige weitere Monate verlängern, um Prognosen erstellen zu können. Wie viele Monate? Wir erklären es später.
Sobald wir die Vorlage wie erklärt mit den Bestelldaten „gefüllt“ haben, überprüfen wir die folgende Tabelle, die automatisch auf der Grundlage der von uns verwendeten Daten ausgefüllt wird.
- Auf diese Weise die Spalte „C“ zeigt an, wie oft Kunden, die im Januar 2022 ihre erste Bestellung aufgegeben haben, im selben Monat gekauft haben. In diesem Fall bedeutet 1,05, dass nur 5% der Kunden, die in diesem Monat zum ersten Mal gekauft haben, im selben Monat mehr als einen Kauf getätigt haben. Und die Daten in Zelle „G31“, also 0,15, bedeuten, dass nur 15% der Kunden, die ihren ersten Kauf im Juni 2022 getätigt haben, im November 2022 erneut eine Bestellung aufgegeben haben (M+5). Auf diese Weise wenn wir den Durchschnitt aller Werte in Spalte „C“ ermitteln wir erhalten 1,04, was bedeutet, dass wir von 100 Neukunden 104 Bestellungen im ersten Monat erwarten können.
- UND die Spalte „D“„bedeutet, dass wir davon ausgehen können, dass von 100 neuen Bestellungen im Folgemonat 67 Bestellungen aufgegeben werden. Wenn wir also Zeile 47 mit den uns vorliegenden Informationen hinzufügen (d. h. ohne eine Prognose hinzuzufügen), ergibt diese Summe 6,49, was der Anzahl der Bestellungen entspricht, die durchschnittlich von jedem neuen Kunden aufgegeben werden.
Aber was passiert von dort aus? Nun, um das zu wissen, müssen wir eine „Projektion“ erstellen. Dazu werden wir die uns bekannten Daten in einem Diagramm darstellen und eine logarithmische Trendlinie hinzufügen, die mathematische Funktion, die die Entwicklung des Kundenverhaltens im Laufe der Zeit am besten darstellt, und von dort projizieren wir, bis die Funktion „0“ wird, also bis die Kunden aufhören zu kaufen. In unserem Fall wird dies im 45. Monat geschehen. Wenn wir all diese Werte zusammenzählen, d. h. mehr prognostizierte Reais, ergibt sich eine Summe von 8,45, was bedeutet, dass wir von jedem neuen Kunden erwarten können, dass er während seiner Nutzungsdauer, die im Durchschnitt 45 Monate beträgt, diese Anzahl von Bestellungen bei unserem Unternehmen aufgibt.
Um die Analyse mit wertvolleren Daten abzuschließen, haben wir den durchschnittlichen Bestellwert mit dieser Zahl multipliziert und daraus den LTV oder den „Lifetime Value“ eines Kunden ermittelt.
Und voila! Das ist erledigt und dafür ist eine Kohortenanalyse da.
