Å opprette kohorter og benytte de i analyser er en god måte å få bedre innsikt i hva som konverterer, engasjerer og beholder flere brukere gjennom din kundereise.

Med et mer detaljert nivå av innsikt kan du redusere friksjon og frafall i kundereisen, samt få innsikt i hva som skal til for å lage et bedre produkt.

I denne Playbooken skal vi vise deg:

• Hvorfor kohortanalyser er et nyttig verktøy for innsikt gjennom kundereisen
• Hvordan du definerer og oppretter dine første kohorter
• Hvordan du kan benytte kohorter i forskjellige type analyser, og få innsikt i sanntid

Hva er kohortanalyse?

Kohortanalyse er en metode for å spore en gruppe av brukere over tid. En kohort er en brukergruppe som deler minst en felles egenskap. For eksempel tidspunkt for registrering, valgt produktplan, alder, eller samme type bruk av produktet.

Det du ønsker med en kohortanalyse er å se om det er variasjoner mellom to eller flere forskjellige kohorter, for så å gjøre dypdykk for å finne ut hvorfor.

Med en retention-analyse brutt ned på forskjellige kohorter, vil du se “under panseret” på din totale brukermasse, for å se hvordan forskjellige kohorter bruker produktet på forskjellige måter:

Et kjent eksempel er Facebook sin tidlige analyse av retention-rate på forskjellige av sine brukerkohorter. De ønsket å finne ut av hva som var felles for de brukerne som tidlig så en verdi i produktet.

Ved å lage kohorter basert på hvor mange venner brukeren la til på vennelisten de 10 første dagene etter registrering, og sammenligne disse opp i mot hverandre, ville de se hvor mange venner på vennelisten som ga best retention og engasjement.

De kom frem til at brukerne som la til 7 venner eller flere de første 10 dagene etter registrering hadde best retention og engasjement den påfølgende perioden. Et mål for Facebook ble etter dette å få brukere til å legge til mer enn 7 venner så fort som mulig etter at de lastet ned appen.

Hvorfor er kohortanalyse nyttig?

Ved å lage et sett med faste kohorter, så slipper du å opprette filtre av brukergrupper for hver gang du skal opprette nye analyser og rapporter. Det gjør også at du kan følge utvikling og trender over tid.

Kohortene kan også benyttes til andre ting enn analyser:

• Annonsering mot kohorter som har vist en spesiell interesse for produktet ditt
• Lage automatiserte epostsekvenser når brukere går inn eller ut av en kohort
• Lage win-back epostsekvenser til alle i kohorten “Frafalte brukere siste 30 dager”
• +++

Kohortene lar deg også forstå brukerne på en mer detaljert måte enn om du ser på data for hele brukermassen. Brede gjennomsnitt skjuler ofte de spesifikke preferansene til mindre brukergrupper.

Nøkkelen ligger i å forstå de spesifikke preferansene som gjelder for hver kohort, og tilpasse produktet ditt, kanalstrategi eller innhold og budskap på en måte som imøtekommer disse preferansene.

Hvordan gjennomføre kohortanalyse?

For å analysere kohorter, vil dere trenge et analyseverktøy som sporer kohorter med stor grad av detaljering. Det er ikke nok å se på “forfengelighetsberegninger” som sidevisninger eller likes, da dette gir lite eller ingen innsikt som det kan tas beslutninger basert på.

Ditt valgte analyseverktøy må kunne:

• Kobles til din kundedatainfrastruktur på en enkel måte, for å få inn all hendelses- og brukerdata i sanntid
• Brukergrensesnitt for å opprette kohorter basert på hendelses- og brukerdata
• Brukergrensesnitt for å opprette forskjellige typer analyser og rapporter: innsiktsrapporter, retentionrapporter, konverteringsanalyser med mer
• Brukergrensesnitt for å opprette og presentere dashbordsvisninger
• Ha et funksjonsrikt og godt dokumentert API for eksport av data - feks rapporter og kohorter

Det finnes nok flere analyseverktøy i markedet som tilfredsstiller disse kravene. Vi har valgt Mixpanel som vårt prefererte verktøy.

Definer mål med analysen

Som med enhver analyse, må vi vite hva som er målet med analysen før vi begynner.

Er vi mest interessert i å vite hvilke faktorer som driver retention, hvilken gruppe brukere som er mest sannsynlig til å oppgradere produktet, eller hvilken gruppe brukere som mest sannsynlig vil si opp kundeforholdet?

Ønsker du å sette målsettingen i system er anbefalingen at du gjør det ved å lage en komplett hendelsessporingsplan.

Ved å opprette kohorter av brukere kan du spore disse brukergruppene sin adferd og hva som driver deres beslutninger, se hvordan dette varierer over tid, og om det beveger seg i henhold til dine målsettinger.

Et mål med kohortanalyser bør uansett være å komme opp med spørsmål som gjør at du får nye ideer, antagelser og hypoteser. Som igjen kan testes.

Eksempler på spørsmål som kan besvares med en kohortanalyse:

• Hvilke type brukere er våre superbrukere?
• Hvilke funksjoner i produktet benytter disse brukerne? Hvilke benyttes ikke?
• Er det forskjellig retention-rate på forskjellige kohorter? Hvorfor?
• Er det kohorter som er spesielt lønnsomme? Hvorfor?
• Er det forskjellige type produktpreferanser for forskjellige type kohorter? Hvorfor?

Når du stiller deg selv spørsmålet om hvorfor, så vil svaret være det som gir deg ideer for nye antagelser og hypoteser som kan testes.

Et eksempel for et tenkt treningssenter:

Vi sammenligner lønnsomheten mellom kohorten “Spinningkunder” med “Vektløftekunder”, og finner ut at vi tjener mer penger på våre vektløftekunder enn våre spinningkunder.

Vi stiller oppfølgingsspørsmålet “Hvorfor?”. Svaret vil være en antagelse basert på hvor godt vi kjenner våre kunder og produkter, samt hvor godt tallmateriale vi har for å bryte ned analysen vår ytterligere.

I dette eksempelet kan det være at vi også har informasjon om pengebruk i shoppen i resepsjonen. Når vi gjør en ytterligere nedbrytning finner vi ut at “våre vektløftekunder er oftere på gymmen og i snitt kjøper mer næringstilskudd før (pre-workouts) og etter (proteinshakes) hver treningsøkt”.

Basert på dette har vi fått en hypotese om at “hvis vi tilbyr spinningkunder et bedre og mer tilpasset tilbud i shoppen, vil de kunne bli like lønnsomme som vektløftekunder, og øke lønnsomheten til treningssenteret”.

Denne hypotesen kan testes med et eksperiment ala: “Hvis vi tilbyr følgende pre- og afterworkout i shoppen som også appellerer til spinningkunder - produkt A, B og C - vil vi kunne øke lønnsomheten på spinningkunder med X kr pr kunde pr måned”.

Som du ser så er ikke kohortanalysen nødvendigvis selve svaret, men det som gjør at du får tankeprosessen i gang og kommer opp med gode hypoteser som igjen kan testes.

Definer hendelser, hendelsesdata og kundedata

Når du har noen tanker om målsetting, så er neste steg å påse at du har riktig type datagrunnlag for å få satt opp de kohortene du trenger.

Dette kan være en møysommelig jobb og gjøres best ved å lage og implementere en komplett hendelsessporingsplan.

Koble til analyseverktøy til kundedatainfrastrukturen din

Nå har du i din hendelsessporingsplan definert hvilke hendelser (events) som er viktig for dere i deres kundereise. Det betyr at alle hendelser og data generert fra disse vil strømme i sanntid inn til kundedatainfrastrukturen.

Det neste du må gjøre er å koble ditt analyseverktøy til din kundedatainfrastruktur. Vi benytter Mixpanel som, som enten kan implementeres med Javascript på nettsiden eller appen, eller med en kundedataplattform som Segment.

Dette kan også være en noe omfattende jobb, og det kan ofte være lurt å konferere med noen teknisk kyndige.

Definer og opprett kohorter

Når du har fått satt opp en hendelsessporingsplan og ser at dataene kommer inn i Mixpanel er neste steg å definere og opprette kohorter i Mixpanel.

Kohorter kan være definert av tid, egenskaper eller adferd. Målet med analysene deres vil avgjøre hvilke type kohort som er aktuelle for dere. Men som du vil se så vil du få mest innsikt ved å kombinere adferdsbaserte kohorter med data om tid og egenskaper:

• Adferd - f.eks. antall ganger en funksjon er brukt eller antall kjøp gjort
• Tid - f.eks nye brukere siste 30 dager, eller nye kunder i 2021, 2022
• Egenskaper - demografi (f.eks. alder eller yrke), teknografi (f.eks. type device, app- eller browser-versjon), eller geografi

Hvordan du bygger opp kohortene vil være forskjellig avhengig av hvilken kjerneverdi du leverer gjennom ditt produkt og/eller tjeneste, og hva som er din ideelle kundeprofil. Likevel finnes det et sett med kohorter som du alltid bør starte med som et utgangspunkt.

I beskrivelsene under så er ordet “Bruker” gjennomgående. Med en “bruker” så menes den personen som benytter seg av produktet eller tjenesten din. I enkelte tilfeller er bruker og kunde det samme. I andre tilfeller har dere et kundeforhold med en virksomhet som igjen har mange underliggende brukere. Det er også mulig at de er en bruker av produktet ditt uten at de er en betalende kunde.

Generelle kohorter

Du bør alltid starte med å definere noen overordnede kohorter som representerer hele din brukermasse. Dette kommer du til å bruke for å sammenligne med mer detaljerte kohorter senere.

Start med å sette opp følgende tre kohorter:

"Alle Brukere" - Inkluderer alle brukere, både de anonyme og de identifiserte. Uavhengig av om de har blitt en kunde og har begynt å benytte produktet eller tjenesten din eller ikke.

‍"Alle Identifiserte Brukere" - Dette er en delmengde av "Alle brukere" og inkluderer kun de vi har identifisert. Vi skiller fortsatt ikke på om de har registrert seg som bruker av produktet eller tjenesten din eller ikke.

‍“Alle Registrerte Brukere (abonnenter)” - Dette er en delmengde av "Alle Identifiserte Brukere", og inkluderer alle brukere som har registrert seg på tjenesten/produktet ditt. Dette er det man refererer til som kunde, medlem, abonnent eller lignende. Vær obs på at vi her ikke differensierer på om de benytter produktet eller ikke, så "støttemedlemmer" er inkludert i denne kohorten.

I Mixpanel, start med å gå inn på “Users”. Herfra legger du til de filtrene som skal til for å opprette de forskjellige kohortene.

I vårt tilfelle skal vi lage kohorten som heter “Alle Registrerte Brukere”. Vi velger derfor “user properties” og velger den variabelen som heter “active_subscription”. Dette er en variabel som vi har valgt å legge på brukerne som signerer opp på tjenesten vår.

‍

Vi setter variabelen til “true”:

For å luke ut de interne brukerne har vi opprettet en kohort som heter “Interne brukere”, hvor vi har lagt inn alle epostene til våre interne folk:

Vi ønsker å benytte denne kohorten for å ekskludere de interne brukerne fra “Alle Registrerte Brukere” og velger derfor filteret “Users not in”:

Velg “Save as”, og navngi kohorten “Alle Registrert Brukere”. Gratulerer, du har nå laget din førte kohort.

Det neste vi skal lage er noen adferdsbaserte kohorter:

Adferdsbaserte kohorter

Den type kohort som vil gi deg mest innsikt i kundereisen er de kohortene som er basert på adferden til brukerne dine. I disse kohortene vil du gruppere brukere basert på hvilke handlinger de har utført (eller ikke utført) gjennom kundereisen.

Dette vil gi deg innsikt i hvordan produktet og tjenesten din bør utvikles for å imøtekomme spesifikke preferanser til forskjellige kohorter, hvordan du bør tilpasse innhold eller verdibudskap basert på kohort-preferanser eller valg av kanalstrategi.

Det første settet med adferdsbaserte kohorter vi skal sette opp er de som sier noe om selve bruken av produktet ditt. Da snakker vi om den type bruk hvor kundene dine opplever ditt produkt sin kjerneverdi, eller AHA-opplevelse.

AHA-opplevelsen er den hendelsen som er ditt produkt eller tjeneste sin kjerneverdi eller -funksjonen

For et publikasjon på nett kan det være “Artikkel Fullført”.

For et treningssenter kan det være “Trening Gjennomført”.

For en frisørsalong kan det være “Hårklipp Utført”.

For vare-transportør kan det være “Vare Levert”.

Det er to forskjellige typer kohorter som baserer seg på brukerens aktivitetsnivå - generelle og tilpassede. De generelle kohortene definerer vi ut i fra om en bruker har vært aktiv (gjort AHA-opplevelsen 1 gang eller mer) innenfor et tidsintervall. De tilpassede kohortene definerer vi ut i fra hva vi selv setter som terskelnivåer for produktbruk. Tersklene vil være basert på faktisk bruk.

Vi starter med de generelle:

Generelle, aktivitetsbaserte kohorter

Det første, og mest vanlige, å starte med er å lage kohorter for aktive brukere i tre forskjellige tidsintervall - måned, uke og dag. Det er også mulig å ta for kvartal, hvis produktet har et såpass lang naturlig brukssyklus.

“Daglig Aktive Brukere” (DAU)

“Ukentlige Aktive Brukere” (WAU)

“Månedlige Aktive Brukere” (MAU)

Disse settes opp i Mixpanel på følgende måte:

For ukentlig og daglig endres enkelt og greit bare tidsintervallet fra “Last 30 days” til “Last 7 days” og “Last 1 day”.

De neste kohortene som vi ønsker å opprette er de som sier noe om de aktive brukerne er nye eller eksisterende brukere. Hvis du ser at MAU vokser måned etter måned, men at veksten skjuler et stort frafall av brukere, så har du fortsatt et problem.

Vi oppretter derfor følgende kohorter:

“Nye Brukere" - Dette er alle nye brukere i den gitte tidsperioden.

“Nye Brukere Aktive" - Dette er andelen av de nye brukerne som har vært aktive (gjennomført AHA-opplevelsen).

“Nye Brukere Inaktive" - Dette er de nye brukerne som ikke har gjennomført AHA-opplevelsen.

“Kontinuerlige Brukere” - Dette er brukere som gjennomførte AHA-opplevelsen i både den siste og i forrige tidsperiode.

“Returnerende Brukere” - Dette er brukere som tidligere har gjennomført AHA-opplevelsen, men som i forrige tidsperiode ikke gjorde det, men som i den siste tidsperioden gjorde det.

Kohortene over opprettes for en gitt tidsperiode. Det mest vanlige er for “siste 30 dager”. I avsnittet under om tidsbaserte kohorter skal vi gå mer inn på hvordan.

Opprettelse av Nye Aktive Brukere:

Opprettelse av Kontinuerlige Brukere:

For Returnerende brukere:

Når vi har laget de generelle aktivitetsbaserte kohortene, er det neste steget å opprette noen tilpassede:

Tilpassede, aktivitetsbaserte kohorter

De tilpassede kohortene vil settes opp basert på terskelverdier for faktisk bruk av produktet eller tjenesten. Terskelverdiene bør settes etter en 3 til 6 måneders periode med normal bruk av produktet, slik at de ikke påvirkes av unormaliteter eller sesongvariasjoner.

De kohortene vi setter opp er:

“Superbrukere” - Dette er brukerne som er "avhengige" av produktet og er innom veldig ofte - deres 10 % mest aktive brukere.

"Rutinebrukere" - Dette er brukere som benytter produktet ofte og er inne på rutine. Dette er de brukerne som er mellom 25 % og 10 % mest aktive.

“Kjernebrukere” - Dette er brukere som er kjernen i brukermassen deres, og er mellom medianbrukeren og 25 % mest aktive.

“Tilfeldige brukere” - Dette er brukere som er innom nå og da, men som ikke har sett den helt store verdien enda. Konkret er dette brukerne som er mellom medianbrukeren og 25 % minst aktive.

"Sjeldene brukere" - Dette er brukere som er innom sporadisk men ikke har sett spesielt stor verdi i produktet ditt - altså de som er de 25 % minst aktive brukere.

“Aktiverte, men Inaktive Brukere” - Dette er brukere som tok i bruk produktet, nådde AHA-opplevelsen, men forsvant. Vi definerer det som brukere som ikke har brukt tjenesten eller produktet i en eller to naturlige brukssykluser.

“Aldri Aktiverte Brukere” - Dette er brukere som registrerte seg, men aldri tok det nok i bruk til å nå produktets AHA-opplevelse.

“Frafalte Brukere” - Dette er brukere som har registrert seg, nådd AHA-opplevelsen, men tatt et aktivt valg om å slutte å være kunde.

Kohortene setter vi opp basert på persentiler for produktbruk.

Dette finner vi i Mixpanel under “Insights”-rapporten. Velg den hendelsen som representerer AHA-opplevelsen i produktet eller tjenesten deres. I eksemplet under er det en tenkt nettpublikasjon, som har Artikkel fullført som sin AHA-opplevelse.

Vi velger Artikkel fullført som hendelse, velger deretter “count Total Per User”, og legger inn de forskjellige persentilene. Vi legger også på kohorten “Alle registrerte abonnenter” som filter, slik at vi får tallene kun for våre registrerte abonnenter:

Vi bruker glidende snitt siste 3 måneder for å utjevne ekstremiteter. Grafen ser slik ut:

Dette er terskelverdiene vi legger inn på antall “Article Completed” når vi oppretter selve kohortene.

For superbrukere:

For rutinebrukere:

Vi gjør det samme for kjernebrukere, tilfeldige brukere og sjeldne brukere, men med de andre terskelverdiene.

For Aldri aktiverte brukere:

For Frafalne brukere har vi en hendelse som heter “Subscription Cancelled” med en variabel som heter “cancellation_cause”, hvor “oppsigelse” er et av alternativene. Vi velger dette som et filter:

Mulighetene for filtre vil selvsagt avhenge av hvilke hendelser dere har implementert, og med hvilke variabler. Dette settes best opp med en helhetlig hendelsessporingsplan (link).

Nå har vi fått opp grunnfundamentet av kohorter. På toppen av dette kan vi krydre med andre typer adferdsbaserte kohorter:

Andre adferdsbaserte kohorter:

Disse kohortene kan settes sammen av forskjellige utførte, eller ikke-utførte hendelser:

"Gjort A men ikke B" - Dette er brukere som har gjort en hendelse, men ikke en annen. For eksempel lastet ned appen din, men ikke tatt den i bruk.

"Vært A men blitt B" - Dette kan være brukere som var superbrukere i fjor, men blitt tilfeldige brukere i år.

"Gjort X, Y antall dager etter registrert bruker" - Dette er for å fange spesifikk adferd i den kritiske produkt-onboardingfasen. Her er ideen at vi skal forsøke å fange hvilken adferd som predikerer høy aktiveringsgrad og retention, for så å replikere dette.

"Produktinnholdsspesifikk adferd" - Dette er spesielt viktige kohorter, da de kan være med på å gi deg svar på hvorfor superbrukerne dine elsker produktet ditt (og hvorfor dine sporadiske brukere ikke gjør det). Er det spesifikke funksjoner de benytter? Er det noe spesifikt innhold de liker? Er det noen spesifikke produktkategorier som predikerer bedre retention enn andre? Dette er spørsmål som kan besvares ved å sette opp gode kohorter av denne kategorien. For en nettpublikasjon: kohorter av brukere basert på nøkkelord på artikler. For et treningssenter: kohorter basert på forskjellige type treningsøkter - spinningtimer, vektløfting, yogatimer. For en frisørsalong: kohorter basert på type klipp - vanlig klipp, klipp og farging, bare farging. For en e-varehandelsvirksomhet: kohorter av brukere basert på kjøp av et spesielt produkt eller produktkategori. For en B2C app: kohorter av brukere basert på hvilke funksjoner som benyttes i produktet. For et B2B teknologiprodukt: kohorter av brukere basert på hvilke funksjoner som benyttes i produktet, eller type produktplan.

Når du på et tidspunkt skal bruke kohortene til noe, for eksempel analyse eller utsendelser, så må de defineres for en gitt tidsperiode.

Og det bringer oss videre til neste punkt:

Tidsbaserte kohorter

Tidsbaserte kohorter er egentlige ikke en egen kategori med kohorter, men en tidsangivelse på adferdsbaserte kohorter. Tidsangivelsen kan enten være et statisk tidsintervall - en gitt måned eller et gitt år - eller dynamisk - løpende siste uke eller måned.

Statiske tidsintervall

Statiske tidsintervall er knyttet til en konkret tidsperiode, for eksempel en måned, et kvartal eller et år:

“Nye Brukere 2021”, “Nye Brukere 2022”, etc - Nye brukere som har blitt registrert det gitte året.

“Nye Brukere Januar 2021”, “Nye Brukere Februar 2022”, etc - Nye brukere for den gitte måneden.

Statiske tidsintervall settes enkelt opp i Mixpanel ved å bruke “fixed” tidsanvisning:

Dynamiske tidsintervall

Dynamiske tidsintervall er knyttet til dagens dato med et gitt antall dager bakover. For eksempel siste 30 dager, siste 3 måneder eller siste år:

“Nye Brukere siste kvartal”

“Superbrukere siste 30 dager”

“Oppgraderte Brukere siste 30 dager”

“Brukere som har gjennomført Hendelse X siste 30 dager”

De tidsbaserte kohortene, både statiske og dynamiske, må settes opp basert på langsiktigheten i forretningsmodellen deres og produktet sin naturlige brukssyklus.

For en virksomhet som har kunderelasjoner som strekker seg lengere enn 10 år, for eksempel et B2B programvareselskap, kan det gi mening å ha en kohort som definerer nye kunder pr år.

For en virksomhet som har kortere og mer flyktige kunderelasjoner, for eksempel en B2C-app som Oda, så kan det gi mer mening med en kohort på “siste 30 dager” eller nye kunder i en gitt måned.

Det samme gjelder for den naturlige brukssyklusen til produktet ditt. Driver du et treningssenter er den naturlige brukssyklusen 2 til 5 dager i uken (vill gjetning), mens en frisørsalong er det en gang annenhver måned (også gjetning). Et treningssenter og en frisørsalong må derfor sette opp de tidsbaserte kohortene med forskjellige tidsintervaller for å gjenspeile forskjellen i tjenestenes brukssyklus.

De dynamiske settes opp i Mixpanel ved å bruke “Last” som tidsangivelse:

Når du har satt opp dine adferdsbaserte kohorter med noen statiske og dynamiske tidsangivelser, så er det siste du typisk ser på om du trenger noen kohorter basert på egenskaper som demografi, teknografi eller geografi:

Demografi, teknografi og geografi

Dette er klassiske kohorter som grupperer brukere baser på demografiske, teknografiske eller geografiske egenskaper. Hvilke variabler som skal benyttes vil være avhengig av hvilket type produkt dere tilbyr. Men det er typisk en eller flere av følgende:

• Alder
• Kjønn
• Yrke
• Utdannelse
• Type enhet
• Nettlesertype
• Region eller land bosatt

Disse kohortene alene gir sjelden noe god innsikt. Kun i enkelte tilfeller, hvis dere har et produkt som skal appellere spesielt til en begrenset aldersgruppe eller ønsker å se om produktet er tilpasset alle enheter og teknologi, kan det gi en verdi.

Det som derimot kan gi god verdi er nedbrytning av adferdskohorter med demografiske, teknografiske eller geografiske variabler. For eksempel om vi ønsker å se hvilket kjønn, alder, yrkesgruppe eller utdannelse våre superbrukere har, kontra våre tilfeldige brukere. Eller om produktet vårt har større frafall av brukere i enkelte geografiske markedssegmenter (land eller regioner).

Nå har vi opprettet det minimum av kohorter som trengs for å begynne å lage analyser og rapporter. Når du begynner å jobbe aktivt med kohortene og analyser vil du mest sannsynlig se at dette utvalget naturlig vil utvides fortløpende.

Neste steg er å bruke kohortene til noe:

Analyser resultatene

Når du har definert et sett med kohorter er neste steg å benytte de i konkrete analyser. Analysene kan grovt sett deles opp i følgende kategorier:

• Innsikt om konkrete hendelser: for eksempel gjennomsnittlig ordrestørrelse,grad av oppgraderinger av produktplan, bruk av funksjoner i produktet, hvilket innhold som presterer best etc
• Innsikt om den helhetlige kundereisen: hva engasjerer brukere og hvor faller folk fra?
• Innsikt om produktbruk: hvordan er produktets retention-rate, hvilke funksjoner benyttes og hva skaper frafall av kunder?
• Innsikt om kanalbruk: hvilke kanaler aktiverer flest brukere?
• Innsikt om innhold: hvilket innhold skaper mest engasjement blant brukerne?

Du vil enten sammenligne kohorter mot hverandre, eller sammenligne kohorter med den totale brukermengden. På den måten vil du se hvor adferden til kohorter skiller seg fra hverandre, og dykke dypere ned i detaljene på hvorfor.

I Mixpanel kan hver rapport brytes ned på kohorter. Det betyr at du i rapportene du lager kan sammenligne kohorter opp mot hverandre eller kohorter med den totale brukermassen. Hvordan dere setter opp deres første rapporter og dashbord kan dere lese om her (link).

Som du ser så er ikke kohortanalysen nødvendigvis selve svaret, men det som gjør at du får tankeprosessen i gang og kommer opp med gode spørsmål og ideer, som genererer hypoteser, som igjen kan testes.

Eksempel på tankeprosess med en tenkt nettpublikasjon:

→ Kohortanalysen viser at kohorten med superbrukere har økt 20 % siste 3 måneder

→ Du stiller deg selv spørsmålet “hvorfor er det slik?”

→ For å finne svar bryter du ned kohorten “Superbrukere” med nøkkelord på hendelsen “Fullførte Artikler” og finner hvilket fagtema superbrukere har konsumert mest

→ Basert på dette tester du hypotesen: “Hvis vi produserer mer innhold med det samme fagtemaene som superbrukerne liker, vil dette øke engasjementet også hos resterende brukere.”

→ Gjør en justering av innholdsproduksjonen og se i kohortanalysene om det har noe effekt

Kohortanalyser er aldri selve målet, men et verktøy for å:

• Hjelpe deg med å stille de riktige spørsmålene
• Verktøy for å gå fra antagelser til fakta
• Få ideer til nye hypoteser som kan testes
• Se resultatet av hypotesetestingen

Altså er det når du har satt opp kohortanalysene jobben starter.

Som alltid, hvis du står fast eller trenger litt sparring underveis så si ifra så skal vi hjelpe deg på veien. 👇 (kostnadsfritt)

‍