Wenn Unternehmen das Kundenerlebnis verbessern und den Umsatz steigern möchten, müssen sie zunächst das Kundenverhalten verstehen. Dabei kann die Kohortenanalyse helfen. Sie liefert ein besseres Verständnis für die Kundeninteraktion und -bindung und ermöglicht dadurch Maßnahmen, etwa eine Vereinfachung der Kontoerstellung und die Entwicklung von Kampagnen für Monate mit hohem Traffic.

Entscheidend dabei ist die Analyse der digitalen Performance. Denn so kann festgestellt werden, wie Kundinnen und Kunden mit einem Unternehmen interagieren und welche Maßnahmen ergriffen werden können, um ihr Kundenerlebnis zu verbessern. In diesem Artikel untersuchen wir, wie wir mithilfe der Kohortenanalyse das Kundenverhalten besser verstehen können.

Teil 1: Vergleich der digitalen Performance zwischen Erst- und Wiederholungsbesuchen

Die Ausgangslage

Ein Unternehmen möchte wissen, wie die digitale Performance der letzten zwei Jahre war, und ein Treueprogramm zur Steigerung der digitalen Performance erstellen. Zunächst sehen wir uns den aktuellen Website-Mix aus neuen und wiederkehrenden Benutzern und Benutzerinnen an, um festzustellen, wie sich die beiden Besuchergruppen aktuell verhalten.

Aktuelle digitale Performance

1. Im Jahr 2022 stammten 62 % der Bestellungen von Erstbesuchen, 38 % der Bestellungen dagegen von Wiederholungsbesuchen (laut Cookies; mehrere Geräte).
2. Bei Erstbesuchen ist die Konversionsrate etwas höher als bei Wiederholungsbesuchen (11,6 % gegenüber 11,4 %).
3. Im Vergleich zu 2021 sanken die Konversionsraten in beiden Segmenten.

Teil 2: Kohortenanalyse – Besuche Edible Arrangements Global Prod

Um die „Stickiness“ im digitalen Kanal und die Möglichkeit, Wiederkäufer und -käuferinnen zu gewinnen, zu ermitteln, lautet die nächste Frage: Wie viele Besuchende kehren 2022 jeden Monat auf die Website zurück?

Grundlagen der Kohortenanalyse

Die Kohortenanalyse ist ein nützliches Instrument, das aufzeigt, wie Kohorten im Zeitverlauf mit einer Marke interagieren. Zunächst haben wir bestimmt, welche Fragen beantwortet werden müssen:

1. Wie lange ist die durchschnittliche Kundenbindung pro Monat in einem bestimmten Jahr?
2. Wie viele Besuchende der Website kehren in einem bestimmten Jahr jeden Monat zurück?
3. Welchen Einfluss haben die Anmeldungen auf der Website auf die Kundenbindung?
4. Gibt es bestimmte Produkte, die zu einer höheren Kundenbindung geführt haben?

Einrichten der Kohortentabelle

1. Legen Sie den Datumsbereich auf Januar bis Dezember 2022 fest.

2. Einschlusskriterien:  Besuche

3. Rückkehrkriterien:  Besuche

4. Granularität:  Monat

5. Einstellungen:  Rollierende Berechnung
   **Ermöglicht die Berechnung der Kundenbindung auf der Grundlage der vorherigen Spalte, und nicht der eingeschlossenen Spalte. Das bedeutet, dass ein Benutzer bzw. eine Benutzerin in jedem der Monate enthalten ist.**

6. Segmente:  Sie können bestimmte Segmente auswählen, um diese Analyse weiter zu verfeinern.

   1. Spezifische Landingpages
   2. Gerätetyp
   3. Marketing-Kanäle
   4. usw.

Interpretation der Ergebnisse

Im Jahr 2022:

1. Die Monate mit den höchsten +1-Monat-Bindungsraten sind Januar, April und November.
2. Die Monate mit dem größten Volumen sind Februar und Mai.
3. Es gibt rund 1.000 Personen, die jeden Monat zur Website zurückkehren

Im Jahr 2021:

1. Die Monate mit den höchsten +1-Monat-Bindungsraten sind April, Januar und März.
2. Die Monate mit dem größten Volumen sind Februar und Mai.

Aktionspunkte:

Erstellen Sie ein Segment basierend auf den ~1.000 Besuchenden und erfahren Sie mehr über sie:

• Wo wohnen sie?
• Welche Produkte kaufen sie das ganze Jahr über?
• In welchen Geschäften kaufen sie ein?

Die wichtigsten Monate bieten eine Möglichkeit, die Kundenbindung auf der Grundlage des Volumens zu erhöhen:

• Gibt es bestimmte Taktiken, mit denen sich die Kundenbindung im Februar und Mai erhöhen lässt, um vom Volumen zu profitieren?

Analyse wiederholter Bestellungen zum besseren Verständnis von Wiederholungskäufen

• Ereignen sich die höchsten +1-Monats-Bindungsraten in denselben Monaten?
• Sind die Monate mit den meisten Besuchen und die mit den meisten Bestellungen identisch?

Teil 3: Hinzufügen von zwei Metriken zu den Einschlusskriterien

Analyse der Wirkung von Anmeldungen

Da dieser Kunde den Wert eines Treueprogramms ermitteln möchte, wurde im nächsten Schritt der Analyse das Erfolgsereignis „Anmeldung“ als Einschlussmetrik zur Kohorte hinzugefügt.

Achtung: Die Kohortenanalyse kann nicht für berechnete Metriken (wie die Konversionsrate) oder nicht-ganzzahlige Metriken (wie den Umsatz) verwendet werden. In der Kohortenanalyse können nur Metriken verwendet werden, die auch in Segmenten verwendet werden können. Darüber hinaus können diese Metriken jeweils nur um > 1 inkrementiert werden.

Ist die Bindung von Personen, die sich auf der Website anmelden, höher?

Welche Auswirkungen hätte es, wenn wir mehr Personen zur Anmeldung bewegen könnten? Weist dieses Kundenerlebnis eine stärkere „Stickiness“ auf?

Einrichten der Kohortentabelle

1. Datumsbereich:  Jan. bis Dez. 2022
2. Einschlusskriterien:  Besuche + erfolgreiche Anmeldungen
3. Rückkehrkriterien:  Besuche
4. Granularität:  Monat
5. Einstellungen:  Rollierende Berechnung
   **Ermöglicht die Berechnung der Kundenbindung auf der Grundlage der vorherigen Spalte, und nicht der eingeschlossenen Spalte. Das bedeutet, dass ein Benutzer bzw. eine Benutzerin in jedem der Monate enthalten ist.**

Interpretation der Ergebnisse

Im Jahr 2022:

1. Die Monate mit den höchsten +1-Monat-Bindungsraten sind Januar, April und November (dieselben Monate wie in der ersten Kohortentabelle).
2. Die Monate mit dem größten Volumen sind Februar, Mai und Dezember.
3. Es gibt ~2.500 Besuchende, die jeden Monat zurückkehren **mehr als doppelt**

Aktionspunkte:

Untersuchen Sie das Benutzererlebnis auf der Website, um Benutzende dazu zu bringen, während des Bezahlvorgangs ein Konto zu erstellen.

Teil 4: Kohorte „Benutzerspezifische Dimension“

Kohorte „Benutzerspezifische Dimension“: Erstellen Sie Kohorten auf der Grundlage der ausgewählten Dimension und nicht auf der Grundlage zeitbasierter Kohorten (Standard). Viele Kunden und Kundinnen möchten ihre Kohorten nach etwas anderem als der Zeit analysieren. Die neue Kohortenfunktion „Benutzerspezifische Dimension“ bietet Ihnen die Flexibilität, Kohorten basierend auf beliebigen Dimensionen zu erstellen. Verwenden Sie Dimensionen wie Marketing-Kanal, Kampagne, Produkt, Seite, Region oder jede andere Dimension in Adobe Analytics, um anzuzeigen, wie sich die Kundenbindung basierend auf verschiedenen Werten dieser Dimensionen verändert. Die

Segmentdefinition für die Kohorte „Benutzerspezifische Dimension“ wendet das Dimensionselement nur als Teil des Einschlusszeitraums an, und nicht als Teil der Rückkehrdefinition.

Nach Auswahl der Kohortenoption „Benutzerspezifische Dimension“ können Sie jede beliebige Dimension in die Ablagefläche ziehen. Auf diese Weise können Sie ähnliche Dimensionselemente im gleichen Zeitraum miteinander vergleichen. So können Sie beispielsweise die Performance von Städten, Produkten, Kampagnen usw.

nebeneinander vergleichen. Dabei werden Ihre 14 wichtigsten Dimensionselemente zurückgegeben. Sie können aber auch einen Filter anwenden (auf den Sie zugreifen können, indem Sie die Maus über den Bereich rechts neben der abgelegten Dimension bewegen), um nur die gewünschten Dimensionselemente anzuzeigen. Die Kohorte „Benutzerspezifische Dimension“ kann nicht mit der Funktion „Latenztabelle“ verwendet werden.

Welche Produkte sind für die „Stickiness“ der Website verantwortlich?

In der Kohortentabelle „Benutzerspezifische Dimension“ werden die Produkte dargestellt, die eine höhere Kundenbindung als der Durchschnitt aufweisen. Diese Tabelle hilft Ihnen, Ihre wichtigsten Produkte zu identifizieren, um interne und externe Marketing-Kampagnen mit aufmerksamkeitsstarken Produkten zu erstellen.

Im Feb.:  3 Produkte weisen höhere Kundenbindungsraten auf.

1. Produkt 1
2. Produkt 2
3. Produkt 3

Im März:

1. Produkt 1
2. Produkt 2
3. Produkt 3: weist häufig eine höhere Kundenbindungsrate gegenüber der durchschnittlichen Bindungsrate auf.

Fazit

Die Kohortenanalyse und die Kohorte „Benutzerspezifische Dimension“ sind leistungsstarke Tools zur Untersuchung des Kundenverhaltens und zur Verbesserung der digitalen Performance. Durch die Analyse von Kundenbindungsraten, Anmelderaten und Auswirkungen bestimmter Produkte können Unternehmen datengestützte Entscheidungen treffen, um das Kundenerlebnis zu verbessern und das Wachstum anzukurbeln.