Cohortanalyse in mobiele analytics: wat is het, metrieken en uitvoeringsfasen

Wat is cohortanalyse?

Cohortanalyse — is een analysemethode die gebruikers verdeelt in groepen (cohorten) op basis van het tijdstip van de eerste doelgebeurtenis, bijvoorbeeld app-installatie of registratie. In tegenstelling tot geaggregeerde metrieken zoals DAU of MAU, maken cohorten het mogelijk het gedrag van dezelfde groep weken en maanden te volgen, en trends in retentie en verloop te identificeren.

Het belangrijkste voordeel van de methode is het wegnemen van de groei-illusie, waarbij oude gebruikers de problemen van nieuwe verbergen. Volgens gegevens van Amplitude Blog (2024) verminderen bedrijven die cohortanalyse hebben geïmplementeerd het gebruikersverloop in de eerste 90 dagen met 20–30%.

Pas cohortanalyse toe voor het evalueren van de effectiviteit van UA-campagnes, het vergelijken van het gedrag van verschillende app-versies en het berekenen van de rendement op investering in gebruikerswerving.

Belangrijkste metrieken van cohortanalyse

Retention Rate

Retention Rate — percentage cohortgebruikers dat N dagen na installatie terugkeerde naar de app. Dit is de belangrijkste metriek van productkwaliteit: als gebruikers niet terugkeren, liggen de problemen in de onboarding, waarde of stabiliteit van de app. Volgens gegevens van Statista (2025) bedraagt de gemiddelde Day-1 Retention voor mobiele apps 25–30%, Day-7 — 10–15%, Day-30 — 5–7%.

Vergelijk de Retention van je cohort met benchmarks per categorie en analyseer welke productwijzigingen de terugkeer hebben verhoogd.

LTV — Lifetime Value

LTV (Lifetime Value) — totale inkomsten van alle cohortgebruikers gedurende de observatieperiode. De metriek is cruciaal voor het evalueren van het rendement van advertentiecampagnes en het nemen van beslissingen over het opschalen van UA-budgetten. Volgens het Adjust Benchmarks (2024) rapport bedraagt de mediane LTV per gebruiker in gokken $3.50, in e-commerce — $1.80, in hulpprogramma's — $0.40.

Bereken de LTV van het cohort op Day-30, Day-90 en Day-180 om de langetermijnwaarde van geworven gebruikers te begrijpen.

Churn Rate

Churn Rate — aandeel cohortgebruikers dat is gestopt met het gebruik van de app. Hoge Churn in de eerste dagen wijst op problemen met onboarding of niet-overeenkomende verwachtingen. Volgens gegevens van Localytics (2024) verlaat 25% van de gebruikers de app na het eerste bezoek en na 90 dagen blijft minder dan 5% over.

Controleer de Churn Rate wekelijks — een stijging van 5% in het cohort vereist onmiddellijke analyse van de oorzaken van verloop via enquêtes of sessie-opnames.

Soorten cohorten naar tijdsperiode

Dagelijkse cohorten

Dagelijkse cohorten — gebruikers die de app op dezelfde dag hebben geïnstalleerd. De meest gedetailleerde doorsnede, waarmee afwijkingen kunnen worden opgemerkt: een plotselinge daling van Retention op een specifieke datum kan wijzen op een technische storing of een problematische creatieve campagne. Dagelijkse cohorten worden gebruikt voor operationele monitoring en A/B-tests wanneer wijzigingen dagelijks worden doorgevoerd.

Wekelijkse cohorten

Wekelijkse cohorten — gebruikers die de app in dezelfde kalenderweek hebben geïnstalleerd. Stabilere gegevens die dagelijkse schommelingen gladstrijken. Geschikt voor regelmatige rapportage en vergelijking van de effectiviteit van advertentiekanalen — de weekstap neutraliseert het effect van de dag van de week, aangezien de conversie in het weekend kan verschillen.

Maandelijkse cohorten

Maandelijkse cohorten — gebruikers die de app in dezelfde maand hebben geïnstalleerd. Optimaal voor analyse van langetermijntrends, seizoensinvloeden en het berekenen van LTV op een horizon van 6–12 maanden. Worden op productmanagementniveau gebruikt voor strategische beslissingen over productontwikkeling.

Hoe voer je cohortanalyse uit

Cohortanalyse bestaat uit vier fasen: gegevensverzameling, groeperen in cohorten, berekenen van metrieken per periode en visualisatie. Bepaal in de eerste stap de doelgebeurtenis — meestal is dit install, signup of first_purchase. Alle gebruikers die deze in één periode hebben uitgevoerd, komen in één cohort terecht.

Stel in de tweede stap de tijdstap in: dag, week of maand. Bereken voor elke volgende periode (Day-1, Day-2, Day-3…) het aandeel teruggekeerde gebruikers. De resultaten worden samengevat in een cohorttabel, waarbij elke rij een cohort, elke kolom een periode en elke cel de metriekwaarde is.

Kalibreer in de derde stap de gegevens: sluit cohorten met minder dan 100 gebruikers uit en houd rekening met seizoensinvloeden. Volgens gegevens van Mixpanel (2024) geven cohorten met minder dan 50 gebruikers statistisch niet-significante resultaten met een fout van meer dan 20%. Visualiseer in de vierde stap de gegevens in de vorm van een cohorttabel of heatmap — rijen (cohorten) en kolommen (perioden) maken retentietrends inzichtelijk voor belanghebbenden.

Vergelijk voor een correcte interpretatie altijd cohorten van dezelfde grootte: het is niet toegestaan een cohort van 50.000 gebruikers te vergelijken met een cohort van 500. Normaliseer metrieken als percentage van de initiële cohortgrootte, niet als absolute getallen — dit maakt vergelijking van ongelijke groepen mogelijk. Houd ook rekening met het nieuwigheidseffect: gebruikers die de app hebben geïnstalleerd na een grote marketinggebeurtenis kunnen zich anders gedragen dan organische installaties.

Tools voor cohortanalyse

Tools voor cohortanalyse zijn onder te verdelen in ingebouwde analytische platforms en aangepaste SQL-oplossingen. Amplitude en Mixpanel bieden kant-en-klare cohortrapporten met automatische berekening van Retention en LTV, waarvoor geen query's hoeven te worden geschreven. Firebase Analytics biedt basiscohorten op installatiedatum met uitsplitsing naar dagen, weken en maanden.

Gebruik SQL-query's in BigQuery of Redshift voor aangepaste cohorten — dit geeft volledige controle over metrieken en perioden. Volgens gegevens van Amplitude (2024) ontdekken teams die aangepaste SQL-cohorten gebruiken 35% meer gedragsinzichten dan met standaardrapporten. BI-tools (Tableau, Looker, Google Data Studio) maken het mogelijk interactieve cohortdashboards te bouwen voor regelmatige monitoring.

De keuze van de tool hangt af van de volwassenheid van de analytics in het team. In het begin zijn Firebase Analytics of ingebouwde cohorten van Amplitude voldoende — ze dekken 80% van de behoeften op het gebied van cohortanalyse. Naarmate het team groeit, stap over op SQL-cohorten in BigQuery: dit biedt flexibiliteit bij het definiëren van niet-standaard metrieken (bijv. cohorten op datum van eerste aankoop in plaats van installatie) en maakt het mogelijk voorspellende LTV-modellen op basis van ML te bouwen. Gebruik voor visualisatie Looker Studio, dat direct op BigQuery aansluit zonder extra kosten.

Voorbeeld van cohortanalyse in SQL

Gebruik voor het zelfstandig berekenen van dagelijkse cohorten een SQL-query die sessies groepeert op installatiedatum. Hieronder staat een query voor BigQuery die het aantal actieve gebruikers per dag binnen elk cohort retourneert.

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;

Bouw na het uitvoeren van de query een draaitabel in Google Sheets of een BI-tool. Elke rij is de cohortdatum, elke kolom is het dagnummer (Day-1, Day-2 enz.). Het percentage actieve gebruikers wordt berekend als de verhouding van active_users op dag N tot active_users op Day-0 (installatiedag).

Veelgemaakte fouten bij het werken met cohorten

Eerste fout — werken met kleine cohorten. Als een cohort minder dan 100 gebruikers bevat, vertekent elk verlies of terugkeer van één persoon het percentage aanzienlijk. De minimale cohortgrootte voor betrouwbare conclusies is 500 gebruikers.

Tweede fout — negeren van seizoensinvloeden. Een cohort dat de app voor Nieuwjaar heeft geïnstalleerd, zal zich anders gedragen dan een cohort van half januari. Vergelijk altijd cohorten uit hetzelfde seizoen of gebruik gegevensnormalisatie. Volgens gegevens van Mixpanel (2024) kunnen seizoensschommelingen 30–40% bedragen voor Day-1 Retention.

Derde fout — verwarring tussen cohort- en cross-sectionele analyse. Cohortanalyse volgt één groep in de tijd, niet vergelijkt verschillende groepen op één moment. Gebruik herhaalde metingen binnen één cohort, anders krijg je valse conclusies over de groei van Retention.