Om de klantbeleving en omzet te verbeteren, moeten bedrijven klantgedrag begrijpen. Cohortanalyse kan helpen om betrokkenheid en retentie te begrijpen en tot acties leiden zoals het verbeteren van de aanmaak van klantaccounts en het maken van campagnes voor maanden met hoge volumes.

Het analyseren van digitale prestaties is essentieel om te begrijpen hoe klanten interactie hebben met een bedrijf en welke acties kunnen worden genomen om hun ervaring te verbeteren. In dit artikel bekijken we hoe we cohortanalyse kunnen gebruiken om klantgedrag beter te begrijpen.

Deel 1: Digitale prestaties tussen eerste bezoeken en terugkeerbezoeken vergelijken

De weg voorbereiden

Een klant wil de digitale prestaties van de afgelopen twee jaar beter begrijpen en overweegt een loyaliteitsprogramma te ontwikkelen om de digitale prestaties te stimuleren. Om te beginnen kunnen we de huidige sitemix tussen nieuwe en terugkerende gebruikers bekijken om te begrijpen hoe de twee groepen bezoekers zich vandaag gedragen.

Huidige digitale prestaties

1. In 2022 was 62% van de bestellingen afkomstig van eerste bezoeken tegenover 38% bestellingen van terugkeerbezoeken (onder voorbehoud van cookies, meerdere apparaten).
2. Het conversiepercentage voor eerste bezoeken ligt iets hoger dan terugkeerbezoeken, namelijk 11,6% versus 11,4%.
3. In vergelijking met 2021 daalden de conversiepercentages voor beide segmenten.

Deel 2: Cohortanalyse - Bezoeken voor wereldwijde productie Edible Arrangements

Om te begrijpen wat 'stickiness' van digitale kanalen en kansen betekent voor het aansturen van terugkerende kopers, moeten we de volgende vraag beantwoorden: hoeveel bezoekers keerden in 2022 maandelijks terug naar de site?

Kennismaken met cohortanalyse

Cohortanalyse is een handige tool om te begrijpen hoe cohorten zich in de loop der tijd betrokken voelen bij een merk. Om te beginnen hebben we bepaald welke vragen moeten worden beantwoord:

1. Wat is in een bepaald jaar de gemiddelde retentieperiode per maand?
2. Hoeveel bezoekers van de site keren elke maand terug in een bepaald jaar?
3. Wat is de invloed van aanmeldingen op retentie?
4. Zijn er specifieke producten die een hogere retentie hebben veroorzaakt?

De cohorttabel instellen

1. Datumbereik instellen van januari tot december 2022

2. Opnamecriteria:  bezoeken

3. Terugkeercriteria:  bezoeken

4. Granulariteit:  maand

5. Instellingen:  voortschrijdende berekening
   **Hiermee kunt u de retentie berekenen op basis van de vorige kolom, niet op basis van de opnamekolom. Dit betekent dus dat een gebruiker in elk van de maanden is opgenomen**

6. Segmenten:  u kunt specifieke segmenten selecteren om deze analyse verder aan te sturen

   1. Specifieke landingspagina’s
   2. Apparaattype
   3. Marketingkanalen
   4. enz.

De resultaten interpreteren

In 2022:

1. Maanden met de hoogste retentiepercentages +1 maand omvatten januari, april en november
2. Maanden met de meeste volumes zijn februari en mei
3. Er zijn circa 1.000 bezoekers die elke maand naar de site terugkeren

In 2021:

1. Maanden met de hoogste retentiepercentages +1 maand omvatten april, januari en maart
2. Maanden met de meeste volumes zijn februari en mei

Actiepunten:

Maak een segment op basis van de circa 1.000 bezoekers en leer er meer over:

• Waar bevinden ze zich?
• Welke producten kopen ze in de loop van het jaar?
• In welke winkels doen ze aankopen?

Belangrijke maanden benadrukken de mogelijkheid om retentie te stimuleren op basis van het volume:

• Zijn er specifieke tactieken die meer 'stickiness' in februari en mei kunnen stimuleren om voordeel te halen uit het volume?

Herhaal de analyse voor bestellingen om terugkerende kopers te begrijpen

• Zijn de hoogste retentiepercentages van +1 maand voor dezelfde maanden?
• Zijn de belangrijkste maanden van bezoeken hetzelfde voor bestellingen?

Deel 3: Twee meetwaarden toevoegen aan opnamecriteria

De invloed van aanmeldingen begrijpen

Aangezien deze klant de waarde van een loyaliteitsprogramma probeert te begrijpen, omvatte de volgende stap in de analyse het toevoegen van de succesgebeurtenis voor aanmelding als meetwaarde voor opname in de cohort.

Let op: cohortanalyse kan echter niet worden gebruikt voor berekende standaarden (zoals het conversiepercentage) of niet-gehele meetwaarden (zoals omzet). Alleen meetwaarden die in segmenten kunnen worden gebruikt, kunnen in Cohortanalyse worden gebruikt en ze kunnen slechts met >1 tegelijk worden verhoogd.

Is het waarschijnlijker dat de site gebruikers behoudt die zich aanmelden?

Wat zou het effect zijn als we meer gebruikers ertoe konden aanzetten om zich aan te melden? Zorgt dit voor een betere 'customer stickiness'?

De cohorttabel instellen

1. Datumbereik instellen:  van januari tot en met december 2022
2. Opnamecriteria:  bezoeken + succesgebeurtenis voor aanmelding
3. Terugkeercriteria:  bezoeken
4. Granulariteit:  maand
5. Instellingen:  voortschrijdende berekening
   **Hiermee kunt u de retentie berekenen op basis van de vorige kolom, niet op basis van de opnamekolom. Dit betekent dus dat een gebruiker in elk van de maanden is opgenomen**

De resultaten interpreteren

In 2022:

1. Maanden met de hoogste retentiepercentages +1 maand omvatten januari, april en november (dezelfde maanden als de eerste cohorttabel)
2. Maanden met de meeste volumes zijn februari, mei en december
3. Er zijn circa 2.500 bezoekers die elke maand terugkeren (dit is meer dan verdubbeld)

Actiepunten:

Onderzoek de gebruikerservaring van de site om gebruikers ertoe aan te zetten een account te maken tijdens het afrekenen

Deel 4: Cohort van aangepaste dimensie

Cohort van aangepaste dimensie: maak cohorten op basis van de geselecteerde dimensie in plaats van op tijd gebaseerde cohorten (standaard). Vele klanten willen hun cohorten analyseren op basis van iets anders dan tijd en de nieuwe functie Cohort van aangepaste dimensie biedt u de flexibiliteit om cohorten te bouwen op basis van de gewenste dimensies. Met dimensies zoals marketingkanaal, campagne, product, pagina, regio of andere dimensies in Adobe Analytics kunt u zien hoe de retentie verandert op basis van de verschillende waarden van deze dimensies. Bij de

segmentdefinitie Cohort van aangepaste dimensie wordt het dimensie-item alleen toegepast als onderdeel van de opnameperiode, niet als onderdeel van de terugkeerdefinitie.

Nadat u de optie Cohort van aangepaste dimensie hebt geselecteerd, kunt u de gewenste dimensie naar het neerzetgebied slepen. Hierdoor kunt u soortgelijke dimensie-items over dezelfde tijdsperiode vergelijken. U kunt bijvoorbeeld de prestaties van steden, producten,

campagnes, enzovoort naast elkaar vergelijken. U krijgt dan de 14 beste dimensie-items te zien. U kunt echter een filter gebruiken (dat u opent door de muis rechts van de neergezette dimensie te houden) om alleen gewenste dimensie-items weer te geven. Een Cohort van aangepaste dimensie kan niet worden gebruikt met de functie Latentietabel.

Welke producten stimuleren de 'site stickiness'?

In de tabel Cohort van aangepaste dimensie worden producten gemarkeerd die hogere retentiepercentages aansturen dan gemiddeld. Met deze tabel kunt u uw beste producten identificeren om interne en externe marketingcampagnes met producten die de meeste aandacht verdienen, te stimuleren.

In februari:  er zijn 3 producten met hoge retentiepercentages

1. Product 1
2. Product 2
3. Product 3

In maart:

1. Product 1
2. Product 2
3. Product 3 - presteert vaak met een hoger retentiepercentage dan de gemiddelde retentie.

Conclusie

Cohortanalyse en Cohort van aangepaste dimensie zijn krachtige tools voor een beter begrip van het klantgedrag en voor het verbeteren van de digitale prestaties. Door retentiepercentages, aanmeldingscijfers en het effect van specifieke producten te analyseren, kunnen bedrijven gegevensgestuurde besluiten nemen om de klantervaring te verbeteren en groei te stimuleren.