Kohortní analýza rozdělí zákazníky do skupin podle měsíce prvního nákupu a sleduje, jak se každá skupina chová v čase. Místo jednoho čísla „naše retence je 25 %“ tak vidíte, jestli se zákazníci z ledna 2026 chovají jinak než ti z dubna.
Pro majitele e-shopu je to nejrychlejší způsob, jak odhalit problém dřív, než se propíše do celkových tržeb. Průměr ho totiž typicky skryje o dvě až tři měsíce déle.
Proč průměrná retence lže?
Celkové číslo „25 % zákazníků se vrátí“ je průměr přes všechny měsíce, a průměr ztrácí signál - přesně tak, jak to popisuje pojem signal vs. sum. Zdravá a nemocná kohorta se v něm smíchají do jednoho neutrálního čísla.
Konkrétní příklad: retence ve 3. měsíci po nákupu byla u lednové kohorty 42 %, u dubnové jen 28 %. Celkový průměr e-shopu tenhle propad ukáže se zpožděním, protože ho ředí starší, ještě zdravé kohorty. Kohortní pohled problém odhalí hned u nejnovější skupiny zákazníků.
Jak číst kohortní tabulku?
Kohortní tabulka má v řádcích měsíc prvního nákupu (kohortu) a ve sloupcích počet měsíců od tohoto nákupu. Čtete ji třemi směry: horizontálně sledujete vývoj jedné kohorty v čase, vertikálně porovnáváte kohorty ve stejném věku (třeba všechny ve 3. měsíci) a diagonálně odhalíte sezonalitu.
V měsíci 0 je retence z definice 100 %, pak klesá. U zdravého e-shopu křivka nejdřív strmě spadne a pak se vyrovná - to je bod, kdy vám zbyde stabilní jádro věrných zákazníků. Pokud křivka klesá k nule bez zastavení, prodáváte hlavně jednorázovým kupcům.
Pro představu, jak se čísla v tabulce mohou vyvíjet: z 1000 nových zákazníků jich ve 2. měsíci zůstane třeba 850 a ve 3. měsíci 720. Jde o čistě ilustrační příklad pro pochopení principu, ne o reálná data konkrétního e-shopu - vaše čísla se budou lišit podle oboru a ceníku.
Kohortní tabulky v Excelu jsou fajn na začátek, ale jejich ruční údržba je otrava. Do e-shopů na míru stavím reporty, kde majitel vidí kohorty bez Excelu, přímo v přehledném dashboardu. Víc o tvorbě e-shopu na míru →.
Jak kohorty souvisí s LTV a churnem?
Kohortní LTV je přesnější než jedno průměrné číslo za celý e-shop, protože ukáže trend - třeba že lednová kohorta má po roce retenci 80 %, ale květnová jen 40 %. Průměrný LTV tenhle rozdíl zamaskuje a vy pak plánujete rozpočet na základě čísla, které neodpovídá realitě.
Všechno se láme u druhého nákupu. Kdo koupí podruhé, u toho bývá retence výrazně vyšší - uvádí se až 85-90 % - proto se druhému nákupu vyplácí věnovat samostatnou pozornost, ať už přes retargeting nebo cílený e-mail marketing.
Podle analýz odkazujících se na Reichheldovu často citovanou statistiku tvoří opakovaní zákazníci jen 27 % objednávek, ale 41 % obratu a téměř 100 % zisku e-shopu. Prvonákupci naopak tvoří většinu objednávek (73 %), ale skoro žádný zisk - akvizice je totiž drahá a vrátí se až při dalších nákupech. Kohortní pohled je jediný způsob, jak tenhle rozdíl v datech vůbec uvidět.
Jaké nástroje na kohortní analýzu použít?
Google Analytics 4 má vestavěný Cohort Exploration report zdarma. Limit je maximálně 60 kohort a 15 hodnot u rozřazovací dimenze, u malých kohort navíc GA4 data schovává kvůli ochraně soukromí. Pro první orientaci to stačí, na hlubší analýzu ne.
Excel s třemi sloupci (ID zákazníka, datum objednávky, částka) zvládne kohortní tabulku postavit ručně a funguje spolehlivě do zhruba 50 000 řádků objednávek, pak vzorce začnou zpomalovat. Nativní kohortní analýzu má aktuálně jen Shopify Plus přímo v administraci, nižší tarify (Growth, Basic) potřebují doplněk jako Lifetimely, který stojí kolem 49 dolarů měsíčně.
Jaká je typická retence e-shopu?
Benchmarky se liší podle typu zboží. U DTC e-shopů s oblečením nebo vybavením domácnosti je zdravá retence 10-20 % po 6-12 měsících. U spotřebního zboží, které se opakovaně kupuje - kosmetika, jídlo, doplňky - bývá retence vyšší, 30-40 % a víc. Berte to jako orientační rozpětí, ne přesnou normu pro váš obor.
Kohortní analýzu si můžete rozjet v GA4 tenhle týden a první rozdíly mezi kohortami uvidíte do pár minut. Pokud chcete přehled bez ručního hlídání Excelu, napište mi, probereme, jak by to vypadalo u vašeho e-shopu.
Pavel Szabo
Programátor webů, eshopů a informačních systémů s více než 23 lety praxe. Pomáhám firmám i jednotlivcům s online podnikáním, automatizacemi a využitím AI v praxi.
