Kohortti ja kohortti-analyysi – Määritelmä ja käyttö

#Määritelmä

Kohortti on ryhmä käyttäjiä tai asiakkaita, jotka jakavat yhteisen ominaisuuden tai kokemuksen tiettynä ajankohtana.

Kohortti-analyysi on menetelmä, jossa seurataan näiden ryhmien käyttäytymistä ajan kuluessa. Se on kasvuhakkeroinnin keskeinen työkalu retentio-, LTV- ja käyttäytymisdatan ymmärtämiseen.

Suomeksi: Kohortti, kohortti-analyysi

Englanniksi: Cohort, Cohort Analysis

---

#Kohorttityypit

#1. Aikaperusteinen kohortti

Yleisin tyyppi – käyttäjät ryhmitellään liittymisajankohdan mukaan:

#2. Käyttäytymisperusteinen kohortti

Käyttäjät ryhmitellään toiminnan mukaan:

#3. Hankintaperusteinen kohortti

Käyttäjät ryhmitellään hankintakanavan mukaan:

---

#Kohortti-analyysin lukeminen

#Retention-taulukko

Tyypillinen kohortti-analyysi näyttää retentio-taulukkona:

         Kk0   Kk1   Kk2   Kk3   Kk6   Kk12
Tammi    100%  45%   35%   30%   22%   15%
Helmi    100%  48%   38%   33%   25%   -
Maalis   100%  52%   42%   36%   -     -
Huhti    100%  55%   45%   -     -     -

#Miten lukea?

• Rivi = Kohortti (esim. tammikuussa liittyneet)
• Sarake = Aika liittymisestä (Kk0, Kk1, Kk2...)
• Arvo = % kohortin käyttäjistä, jotka ovat aktiivisia

#Mitä etsiä?

1. Trendi alaspäin – Parantuuko retention ajan myötä?
2. Pudotuspisteet – Missä kohtaa suurin pudotus?
3. Tasoittuminen – Mihin retention stabiloituu?
4. Poikkeamat – Mikä kohortti erottuu?

---

#Kohortti-analyysin hyödyt

#1. Näkee todellisen retentio-trendin

Aggregoitu retention-data voi harhauttaa:

• Uudet käyttäjät "laimentavat" dataa
• Vanhat käyttäjät nostavat keskiarvoa

Kohortti-analyysi näyttää todellisen kehityksen.

#2. Tunnistaa muutosten vaikutuksen

Kun teet muutoksen (uusi onboarding, hinnoittelu, ominaisuus):

• Vertaa ennen/jälkeen -kohortteja
• Näe vaikutus selkeästi

#3. Ennustaa tulevaa

Kohorttien käyttäytyminen ennustaa:

• Tulevaa churnia
• LTV:n kehitystä
• Kassavirran ennustetta

#4. Löytää parhaat segmentit

Vertaa kohortteja keskenään:

• Mikä hankintakanava tuottaa parasta retentiota?
• Mikä käyttäjätyyppi on arvokkain?

---

#Kohortti-analyysin toteuttaminen

#Vaihe 1: Määrittele kohortti

Päätä miten ryhmittelet käyttäjät:

• Aikaperusteisesti (yleisin)
• Käyttäytymisen mukaan
• Hankintakanavan mukaan

#Vaihe 2: Valitse mittari

Mitä seuraat:

• Retention – % aktiivisia
• Revenue – € per kohortti
• Engagement – Toiminnot per käyttäjä

#Vaihe 3: Valitse aikajänne

• Päivät (D1, D7, D30) – Mobiilisovellukset
• Viikot – Kuluttajatuotteet
• Kuukaudet – SaaS, B2B

#Vaihe 4: Kerää ja visualisoi data

Käytä työkaluja:

• Amplitude, Mixpanel, PostHog
• SQL + taulukkolaskenta
• BI-työkalut (Looker, Metabase)

---

#Kohortti-analyysi käytännössä

#Esimerkki: Onboarding-muutoksen vaikutus

Tilanne: Uusi onboarding lanseerattiin maaliskuussa.

         Kk0   Kk1   Kk2   Kk3
Tammi    100%  40%   30%   25%   ← Vanha onboarding
Helmi    100%  42%   32%   27%   ← Vanha onboarding
Maalis   100%  55%   45%   38%   ← UUSI onboarding
Huhti    100%  58%   48%   40%   ← Uusi onboarding

Johtopäätös: Uusi onboarding paransi Kk1-retentiota ~15 prosenttiyksikköä.

#Esimerkki: Hankintakanavien vertailu

         Kk0   Kk1   Kk3   Kk6   LTV
Orgaaninen  100%  50%   35%   25%   150€
Maksettu    100%  35%   20%   12%   80€
Suosittelu  100%  60%   45%   35%   200€

Johtopäätös: Suositellut käyttäjät ovat selvästi arvokkaimpia.

---

#Kohortti-analyysin sudenkuopat

#1. Liian pienet kohortit

Pienissä kohorteissa satunnaisvaihtelu on suurta:

• Yhdistä pieniä kohortteja
• Käytä tilastollista merkitsevyyttä

#2. Survivorship bias

Pitkäaikaiset kohortit näyttävät paremmilta, koska huonot käyttäjät ovat jo lähteneet.

#3. Ulkoiset tekijät

Kohorttien erot voivat johtua:

• Kausivaihtelusta
• Markkinamuutoksista
• Kilpailijatoimista

#4. Liian lyhyt seuranta

Anna kohorttien kypsyä ennen johtopäätöksiä:

• SaaS: vähintään 3-6 kk
• Mobiili: vähintään 30-90 päivää

---

#Työkalut kohortti-analyysiin

---

#Liittyvät termit

• Retention Rate – Asiakaspysyvyys
• Churn – Asiakaspoistuma
• LTV (Lifetime Value) – Asiakkaan elinkaaren arvo
• Segmentointi – Asiakasryhmittely

---

#Lue lisää

• Miten tehdä asiakassegmentointia?
• Kasvuhakkeroinnin mittarit
• Retention Rate – Asiakaspysyvyys