Kohortenanalyse in der mobilen Analytik: Was es ist, Metriken und Schritte zur Durchführung

Was ist Kohortenanalyse?

Kohortenanalyse ist eine Analysemethode, die Benutzer nach dem Zeitpunkt ihres ersten Zielereignisses, wie der Installation der App oder der Registrierung, in Gruppen (Kohorten) einteilt. Im Gegensatz zu aggregierten Metriken wie DAU oder MAU ermöglichen Kohorten die Verfolgung des Verhaltens derselben Gruppe über Wochen und Monate hinweg und zeigen Trends bei Retention und Abwanderung auf.

Der Hauptvorteil dieser Methode ist die Beseitigung der Wachstumsillusion, bei der ältere Benutzer die Probleme neuer Benutzer überdecken. Laut Amplitude Blog (2024) reduzieren Unternehmen, die Kohortenanalyse eingeführt haben, die Benutzerabwanderung in den ersten 90 Tagen um 20–30%.

Wenden Sie die Kohortenanalyse an, um die Effektivität von UA-Kampagnen zu bewerten, das Verhalten verschiedener App-Versionen zu vergleichen und die Kapitalrendite bei der Benutzerakquise zu berechnen.

Wichtige Metriken der Kohortenanalyse

Retention Rate

Die Retention Rate ist der Prozentsatz der Benutzer einer Kohorte, die N Tage nach der Installation zur App zurückgekehrt sind. Dies ist die wichtigste Produktqualitätsmetrik: Wenn Benutzer nicht zurückkehren, liegen die Probleme im Onboarding, im Wertversprechen oder in der App-Stabilität. Laut Statista (2025) beträgt die durchschnittliche Day-1-Retention für mobile Apps 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

Vergleichen Sie die Retention Ihrer Kohorte mit den Branchenbenchmarks und analysieren Sie, welche Produktänderungen die Rückkehr erhöht haben.

LTV — Lifetime Value

LTV (Lifetime Value) ist der Gesamtumsatz aller Benutzer einer Kohorte über den Beobachtungszeitraum. Diese Metrik ist entscheidend für die Bewertung des ROI von Werbekampagnen und Entscheidungen über die Skalierung von UA-Budgets. Laut dem Adjust Benchmarks-Bericht (2024) beträgt der mediane LTV pro Benutzer in Gaming $3,50, im E-Commerce $1,80 und in Dienstprogrammen $0,40.

Berechnen Sie den Kohorten-LTV an Day-30, Day-90 und Day-180, um den langfristigen Wert der akquirierten Benutzer zu verstehen.

Churn Rate

Die Churn Rate ist der Prozentsatz der Benutzer einer Kohorte, die die App nicht mehr genutzt haben. Eine hohe Churn Rate in den ersten Tagen deutet auf Probleme beim Onboarding oder eine Diskrepanz der Erwartungen hin. Laut Localytics (2024) verlassen 25% der Benutzer die App nach dem ersten Öffnen, und bis zum 90. Tag bleiben weniger als 5% übrig.

Überwachen Sie die Churn Rate wöchentlich — ein Anstieg um 5% in einer Kohorte erfordert eine sofortige Analyse der Abwanderungsursachen durch Umfragen oder Sitzungsaufzeichnungen.

Arten von Kohorten nach Zeitraum

Tägliche Kohorten

Tägliche Kohorten sind Benutzer, die die App am selben Tag installiert haben. Dies ist die detaillierteste Ebene, die es ermöglicht, Anomalien zu erkennen: Ein plötzlicher Retentionseinbruch an einem bestimmten Datum kann auf einen technischen Fehler oder eine problematische Creative-Kampagne hinweisen. Tägliche Kohorten werden für die operative Überwachung und A/B-Tests verwendet, wenn Änderungen täglich vorgenommen werden.

Wöchentliche Kohorten

Wöchentliche Kohorten sind Benutzer, die die App in derselben Kalenderwoche installiert haben. Sie liefern stabilere Daten, die tägliche Schwankungen glätten. Sie eignen sich für die regelmäßige Berichterstattung und den Vergleich der Werbekanalleistung — der wöchentliche Schritt neutralisiert den Wochentagseffekt, bei dem die Conversion an Wochenenden abweichen kann.

Monatliche Kohorten

Monatliche Kohorten sind Benutzer, die die App im selben Monat installiert haben. Sie sind optimal für die Analyse langfristiger Trends, Saisonalität und die Berechnung des LTV über einen Horizont von 6–12 Monaten. Sie werden auf der Produktmanagement-Ebene für strategische Entscheidungen zur Produktentwicklung verwendet.

Durchführung einer Kohortenanalyse

Die Kohortenanalyse besteht aus vier Phasen: Datenerfassung, Gruppierung in Kohorten, Berechnung der Metriken nach Zeitraum und Visualisierung. Definieren Sie zunächst das Zielereignis — in der Regel Install, Signup oder First_Purchase. Alle Benutzer, die es in einem Zeitraum durchgeführt haben, gehören zur selben Kohorte.

Zweitens legen Sie das Zeitintervall fest: Tag, Woche oder Monat. Berechnen Sie für jeden folgenden Zeitraum (Day-1, Day-2, Day-3...) den Prozentsatz der zurückkehrenden Benutzer. Die Ergebnisse werden in einer Kohortentabelle zusammengefasst, in der jede Zeile eine Kohorte, jede Spalte ein Zeitraum und jede Zelle ein Metrikwert ist.

Drittens kalibrieren Sie die Daten: Schließen Sie Kohorten mit weniger als 100 Benutzern aus und berücksichtigen Sie die Saisonalität. Laut Mixpanel (2024) liefern Kohorten mit weniger als 50 Benutzern statistisch unbedeutende Ergebnisse mit einer Fehlermarge von über 20%. Viertens visualisieren Sie die Daten als Kohortentabelle oder Heatmap — Zeilen (Kohorten) und Spalten (Zeiträume) machen Retention-Trends für Stakeholder deutlich.

Für eine korrekte Interpretation vergleichen Sie immer Kohorten derselben Größe: Es ist inakzeptabel, eine Kohorte von 50.000 Benutzern mit einer Kohorte von 500 zu vergleichen. Normalisieren Sie Metriken als Prozentsatz der anfänglichen Kohortengröße, nicht als absolute Zahlen — dies ermöglicht den Vergleich von Gruppen ungleicher Größe. Berücksichtigen Sie auch den Neuheitseffekt: Benutzer, die die App nach einem großen Marketingereignis installiert haben, können sich anders verhalten als organische Installationen.

Werkzeuge für die Kohortenanalyse

Werkzeuge für die Kohortenanalyse werden in solche, die in Analyseplattformen integriert sind, und benutzerdefinierte SQL-Lösungen unterteilt. Amplitude und Mixpanel bieten vorgefertigte Kohortenberichte mit automatischer Retention- und LTV-Berechnung, ohne dass Abfragen geschrieben werden müssen. Firebase Analytics bietet grundlegende Kohorten nach Installationsdatum, unterteilt nach Tagen, Wochen und Monaten.

Für benutzerdefinierte Kohorten verwenden Sie SQL-Abfragen in BigQuery oder Redshift — dies gibt Ihnen die volle Kontrolle über Metriken und Zeiträume. Laut Amplitude (2024) entdecken Teams, die benutzerdefinierte SQL-Kohorten verwenden, 35% mehr Verhaltenseinblicke als mit Standardberichten. BI-Tools (Tableau, Looker, Google Data Studio) ermöglichen die Erstellung interaktiver Kohorten-Dashboards für die regelmäßige Überwachung.

Die Wahl des Werkzeugs hängt von der analytischen Reife des Teams ab. Zu Beginn sind Firebase Analytics oder integrierte Amplitude-Kohorten ausreichend — sie decken 80% der Kohortenanalyse-Bedürfnisse ab. Wenn das Team wächst, wechseln Sie zu SQL-Kohorten in BigQuery: Dies bietet Flexibilität bei der Definition nicht standardisierter Metriken (z. B. Kohorten nach Datum des ersten Kaufs statt Installationsdatum) und ermöglicht die Erstellung prädiktiver LTV-Modelle mit ML. Für die Visualisierung verwenden Sie Looker Studio, das ohne zusätzliche Kosten direkt mit BigQuery verbunden wird.

Beispiel einer Kohortenanalyse in SQL

Um tägliche Kohorten selbst zu berechnen, verwenden Sie eine SQL-Abfrage, die Sitzungen nach Installationsdatum gruppiert. Nachfolgend finden Sie eine Abfrage für BigQuery, die die Anzahl der aktiven Benutzer pro Tag innerhalb jeder Kohorte zurückgibt.

SELECT
  install_date AS cohort_date,
  DATE_DIFF(session_date, install_date, DAY) AS day_number,
  COUNT(DISTINCT user_id) AS active_users
FROM user_sessions
WHERE install_date BETWEEN '2025-01-01' AND '2025-03-31'
GROUP BY cohort_date, day_number
ORDER BY cohort_date, day_number;

Führen Sie die Abfrage aus und erstellen Sie eine Zusammenfassungstabelle in Google Sheets oder einem BI-Tool. Jede Zeile ist ein Kohortendatum, jede Spalte ist die Tagesnummer (Day-1, Day-2, usw.). Der Prozentsatz der aktiven Benutzer wird als Verhältnis von active_users an Tag N zu active_users an Day-0 (Installationstag) berechnet.

Häufige Fehler bei der Kohortenanalyse

Der erste Fehler ist die Arbeit mit kleinen Kohorten. Wenn eine Kohorte weniger als 100 Benutzer enthält, verzerrt jede Abwanderung oder Rückkehr einer einzelnen Person den Prozentsatz erheblich. Die Mindestgröße einer Kohorte für zuverlässige Schlussfolgerungen beträgt 500 Benutzer.

Der zweite Fehler ist das Ignorieren der Saisonalität. Eine Kohorte, die die App vor Neujahr installiert hat, verhält sich anders als eine Kohorte Mitte Januar. Vergleichen Sie immer Kohorten derselben Jahreszeit oder verwenden Sie Datenormalisierung. Laut Mixpanel (2024) können saisonale Schwankungen bei der Day-1-Retention 30–40% erreichen.

Der dritte Fehler ist die Verwechslung von Kohorten- und Querschnittsanalyse. Die Kohortenanalyse verfolgt eine Gruppe über die Zeit und vergleicht nicht verschiedene Gruppen zu einem einzigen Zeitpunkt. Verwenden Sie wiederholte Messungen an derselben Kohorte, sonst erhalten Sie falsche Schlussfolgerungen zum Retention-Wachstum.