Was ist SaaS-Kohortenumsatzanalyse?

Die SaaS-Kohorten-Umsatzanalyse ist eine Methode zur Datenüberwachung, die Kunden anhand eines gemeinsamen Merkmals, wie beispielsweise dem Beitrittsjahr zu einem Unternehmen, unterteilt. Diese Methode ermöglicht es einem Unternehmen, die Umsatzentwicklung jeder Kohorte im Zeitverlauf zu verfolgen. Durch die Beobachtung dieser spezifischen Gruppen, oder „Kohorten“, können Unternehmen genau bestimmen, wann und warum der Umsatz während des gesamten Kundenlebenszyklus schwankt.

Die SaaS-Kohorten-Umsatzanalyse ist eine Methode, eine Kundenbasis in zusammenhängende Gruppen aufzuteilen, um Bindungsmuster und Umsatz im Zeitverlauf zu untersuchen. Anstatt sich nur auf Gesamtwerte zu verlassen, zeigt sie, wie Kundengruppen aus verschiedenen Registrierungszeiträumen zum wiederkehrenden Umsatz beitragen, während sie das Produkt weiterhin nutzen. 

Diese Ansicht liefert Informationen für die Planung und den Betrieb. Sie ermöglicht es Teams auch, monatliche Umsatzmuster zu vergleichen, z. B. ob neuere Kohorten andere Beträge generieren als Kunden, die ein Jahr zuvor beigetreten sind.

Die Kohorten-Umsatzanalyse verwendet individuelle Gruppierungen, um eine neutrale Zusammenfassung von Finanzdaten, getrennt von kombinierten Gesamtsummen, zu ermöglichen. Die Überprüfung von Metriken auf diese Weise organisiert Umsatzinformationen, die herangezogen werden können, um zu identifizieren, ob ein plötzlicher Wachstumsrückgang das Ergebnis einer schlechten jüngsten Akquisition oder eines Scheiterns bei der Bindung älterer, etablierter Konten ist.

Wesentliche Merkmale des Kohorten-Trackings

• Zeitbasierte Gruppierung: Kunden werden Gruppen zugewiesen, basierend auf dem Monat oder Quartal ihres erstmaligen Beitritts, was einen Ausgangspunkt für die Analyse schafft.
• Sequentielle Verfolgung: Die Einnahmen jeder Gruppe werden in bestimmten Zeiträumen, wie z.B. monatlichen Intervallen, überwacht, um eine strukturierte Zeitachse der Kohortenumsätze zu erstellen.
• Trenderkennung: Die gesammelten Daten helfen dabei, typische Zeiträume hervorzuheben, in denen Kundenabwanderung innerhalb einer Gruppe am häufigsten ist.
• Vergleichende Analyse: Verschiedene Kohorten werden systematisch verglichen, z. B. solche, die vor oder nach einer Preisanpassung gebildet wurden, was die Überprüfung von Änderungen über verschiedene Geschäftsperioden hinweg ermöglicht.

Praxisanwendungen

• Marketingeffizienz: Ein Marketingteam vergleicht eine Januar-Kohorte (durch Werbung generiert) mit einer Februar-Kohorte (organisch), um festzustellen, welche eine bessere langfristige Bindung aufweist.
• Produkteinfluss: Produktmanager verfolgen, ob die Einführung einer neuen Funktion die “Bindungsfähigkeit” der Kohorte verbessert hat, die unmittelbar nach dem Update beigetreten ist.

Die Kohortenanalyse wird häufig verwendet, um die wichtigsten KPIs in Abonnement-Unternehmen zu berechnen. Durch die Überwachung der Umsatzentwicklung gesammelter Kundengruppen können Organisationen Kennzahlen wie Net Revenue Retention (NRR) und Gross Data Retention (GDR) anhand objektiver Kriterien bestimmen.

• NRR & GDR: Diese Kennzahlen skizzieren die gesamte Umsatzbewegung für einzelne Gruppen über einen definierten Zeitraum, wobei Anpassungen wie Upgrades, Downgrades und Kundenkündigungen berücksichtigt werden.
• Customer Lifetime Value (LTV): Durch die Segmentierung von Daten mittels Kohorten können LTV-Schätzungen erstellt werden, die mit aufgezeichneten Kundenverhaltensweisen und Umsatzrückgängen übereinstimmen.
• CAC-Amortisationszeit: Kohortenbasierte Umsatzzeitlinienüberwachung ermöglicht es Teams, die spezifische Dauer zu identifizieren, die jede Gruppe benötigt, um ihre zugehörigen Akquisitionskosten “zu amortisieren”.

Die Durchführung dieser Analyse erfordert einen systematischen Ansatz zur Datenorganisation. Befolgen Sie diese Schritte, um ein zuverlässiges Modell zu erstellen:

1. Transaktionsdaten extrahieren: Rufen Sie eine Liste aller Kunden ab, einschließlich ihrer Startdaten und des monatlich wiederkehrenden Umsatzes (MRR).
2. Kohortenzeitraum definieren: Legen Sie fest, ob Sie nach Monat, Quartal oder Jahr gruppieren werden.
3. Monatlichen MRR pro Gruppe berechnen: Summieren Sie die Einnahmen für jede Kohorte für jeden Folgemonat ihres „Lebens“.
4. Daten normalisieren: Richten Sie alle Kohorten auf einen Startpunkt „Monat 0“ aus, um ihre Leistung unabhängig vom Kalenderdatum zu vergleichen.
5. Rückgang und Expansion analysieren: Suchen Sie nach Mustern, wo Einnahmen zurückgehen oder wo Upselling einen „negativen Churn“ erzeugt.

Wichtige Überlegungen für den Erfolg

• Datenintegrität: Schließen Sie “einmalige” Gebühren von den wiederkehrenden Einnahmen aus, wenn Sie Kohorten erstellen, um die Konsistenz zu wahren.  
• Segment-Granularität: Gruppen können nicht nur nach Zeit, sondern auch nach Plantyp, wie z.B. Pro oder Enterprise, organisiert werden.  
• Stichprobengröße: Bei kleineren Kohorten, wie zum Beispiel fünf Kunden, können Änderungen in der Gruppe zu irreführenden Unterschieden bei den gemeldeten Prozentsätzen führen.

Im SaaS-Bereich ist die zeitbasierte Kohortenanalyse am häufigsten, obwohl alle Methoden auf unterschiedlichen Wegen zur Organisation von Kunden- und Umsatzinformationen basieren.

Vor- und Nachteile von Umsatzkohorten

• Vorteile: Dieser Ansatz umfasst Faktoren wie Upgrades und Cross-Selling, wobei aufgezeigt wird, wie sich diese in den ausgewiesenen Finanzergebnissen eines Unternehmens in verschiedenen Berichterstattungskontexten widerspiegeln. Es wird häufig in der VC-Berichterstattung verwendet, da es verschiedene Einnahmequellen systematisch abbilden kann.
• Nachteile: Wenn die Analyse jedoch hauptsächlich auf Umsatzerlösen basiert, können zugrunde liegende Trends wie erhöhte Kundenabwanderungsraten ist möglicherweise nicht sofort ersichtlich, da Ausgabensteigerungen von einer kleineren Benutzerbasis den Rückgang der Gesamtzahl der Benutzer ausgleichen können, wodurch es schwieriger wird, potenzielle Änderungen in den Produktnutzungsmustern zu beobachten.

Datenvisualisierung wird verwendet, um Kohortenanalyseergebnisse für die Überprüfung durch Stakeholder zu organisieren. Das Layer-Cake-Diagramm (oder Gestapeltes Flächendiagramm) ordnet die Einnahmen jeder Kohorte in einer kontinuierlichen Abfolge an, wodurch die relative Größe und Entwicklung jeder Gruppe im Zeitverlauf sichtbar wird. 

Alternativ dazu, Heatmap-Tabellen Kohorten nach Zeile und Perioden nach Spalte formatieren, wobei Unterschiede in der Zellschattierung Veränderungen in Kundenbindung oder Umsatz. Diese Diagramme werden basierend auf den analytischen Bedürfnissen und dem Kontext der Kohortendaten.