SaaS-Kohortenanalyse: Der Praxisleitfaden für Retention

Die Kohortenanalyse gruppiert Kunden nach einem gemeinsamen Startereignis. Dann verfolgt sie deren Retention und Umsatz über die Zeit. So sehen Sie, ob Änderungen an Produkt, Onboarding oder Preisen wirklich wirken. Der beste erste Schritt: Bauen Sie eine Kohortenmatrix, die bei einem Aktivierungs-Event beginnt (nicht bei der Registrierung). Zeigen Sie Logo-Retention und Umsatz-Retention (MRR/NRR) nebeneinander.

• Warum Aktivierung statt Registrierung? Die meisten Teams messen Retention ab der Registrierung. Sie messen nicht ab dem Moment, in dem ein Nutzer zum ersten Mal Nutzen hat. So enthält jede Kurve Accounts, die nie echt waren. Kohorten ab der Aktivierung liefern klare Signale, mit denen Sie arbeiten können.
• Warum Logo- und Umsatz-Retention? Eine Kohorte kann 60 % Logo-Retention und 110 % Umsatz-Retention haben, wenn die verbleibenden Kunden wachsen. Wenn Sie nur eine Metrik verfolgen, sehen Sie nicht, ob Sie ein Retention-Problem, einen Expansion-Motor oder beides haben.
• Was Sie zuerst messen: Bauen Sie drei Matrizen: Nutzer-/Logo-Retention, Umsatz/NRR und CAC-Payback pro Kohorte. Diese drei verbinden Retention-Signale direkt mit den Unit Economics.
• Gesamtzahlen können täuschen. Wachsender Gesamt-MRR kann eine schlechter werdende Kohorten-Retention verdecken. Eine Kohortenmatrix zeigt, ob neue Kohorten besser oder schlechter halten als alte.

Tipp: Lesen Sie Kohortendiagramme Spalte für Spalte, nicht Zeile für Zeile. Eine Spalte zeigt denselben Zeitpunkt der Kundenbeziehung für jede Kohorte. Das ist das klarste Signal, dass Ihr Produkt mit der Zeit besser wird.

---

Inhaltsverzeichnis

• Was Kohortenanalyse ist und welche Kohortentypen es im SaaS gibt
• Zentrale Kohortenmetriken, Formeln und warum Logo- und Umsatz-Retention auseinanderlaufen
• Churn-Analyse: herausfinden, warum Kunden gehen
• So führen Sie eine SaaS-Kohortenanalyse durch: von den Daten zum Experiment
• Kohortenzeitraum und Ausrichtung wählen
• Datenquellen, Transformationen und ETL-Regeln für verlässliche Kohortendaten
• Die besten Visualisierungen für Kohortenanalysen und wie Sie sie lesen
• Kohortenformen deuten und daraus Experimente machen
• Kohortentrends für Umsatzprognosen und LTV-Projektionen nutzen
• Häufige Fehler in der SaaS-Kohortenanalyse und eine Best-Practice-Checkliste
• Vorlagen und SQL-Snippets für Ihre erste Kohortenmatrix
• Benchmarks für Retention und NRR
• Das Wichtigste in Kürze
• Was die meisten Teams bei der Kohortenanalyse falsch machen
• Customerscore.io macht aus Kohortensignalen Retention-Prioritäten
• Nützliche Quellen und weiterführende Literatur

Was Kohortenanalyse ist und welche Kohortentypen es im SaaS gibt

Bei der Kohortenanalyse gruppieren Sie Kunden mit einem gemeinsamen Startereignis. Dann verfolgen Sie eine Metrik für jede Gruppe über gleich lange Zeiträume. Das Schlüsselwort ist Gruppen. Sie bekommen keine einzelne Gesamtzahl wie „monatliche Churn-Rate“. Sie bekommen ein Raster. Es zeigt, wie sich jede Kundengruppe für sich verhält.

Das ist wichtig, weil Gesamtmetriken oft verbergen, was Kohortenmatrizen zeigen. Ein Unternehmen kann den MRR jeden Monat um 15 % steigern. Gleichzeitig können seine neuesten Kohorten doppelt so schnell churnen wie Kohorten von vor zwei Jahren. Die Hauptzahl sieht gut aus. Das Fundament bricht.

Drei Kohortentypen, die jedes SaaS-Team kennen sollte:

Akquisitionskohorten gruppieren Kunden nach dem Datum der Registrierung oder der ersten Zahlung. Meist gruppieren Sie nach Monat. Sie sind die Basis. Sie beantworten: „Halten Kunden, die im März 2025 gekommen sind, besser als Kunden vom März 2024?“ Nutzen Sie Akquisitionskohorten, um Retention-Trends zu finden und die Qualität verschiedener Wachstumsphasen zu vergleichen.

Verhaltenskohorten gruppieren Kunden nach einer Aktion. Meist geht es um die erste Woche oder den ersten Monat. Zum Beispiel: Nutzer, die in Woche 1 die Onboarding-Checkliste abgeschlossen haben, oder Accounts, die innerhalb von 7 Tagen nach der Aktivierung ihren ersten Bericht erstellt haben. Verhaltenskohorten isolieren die Effekte von Onboarding und Feature-Nutzung. Akquisitionskohorten können das nicht. Nutzen Sie sie, um zu verstehen, warum früher Churn entsteht. Und um den „Aha-Moment“ im Produkt zu finden, der langfristige Retention vorhersagt.

Prädiktive Kohorten sind Gruppen, die ein Modell bildet. Sie beruhen auf geschätztem Churn-Risiko oder geschätzter Expansion-Chance. Sie schauen nicht zurück auf das, was passiert ist. Sie lassen CS-Teams handeln, bevor ein Kunde churnt. Sie brauchen mehr Dateninfrastruktur. Aber sie sind direkt mit Workflows zur Churn-Prognose und automatisierten Playbooks verbunden.

Welche Tools welche Kohortentypen liefern:

Für Teams unter 1 Mio. $ ARR reicht zum Start Excel oder Google Sheets mit einem manuellen Export aus Stripe oder Chargebee. Wenn Sie Verhaltensdaten brauchen, können Mixpanel, Amplitude oder PostHog Kohorten direkt definieren. Für eigenes ETL und volle Flexibilität ist SQL auf BigQuery oder Postgres der Standard.

---

Zentrale Kohortenmetriken, Formeln und warum Logo- und Umsatz-Retention auseinanderlaufen

Klären Sie die Formeln, bevor Sie die Matrix bauen. Das spart Stunden Nacharbeit. Diese Metriken gehören in jede SaaS-Kohortenanalyse.

Logo-Retention-Rate (auch Kunden-Retention-Rate):

Logo-Retention in Monat N = (Kunden, die in Monat N noch aktiv sind) / (Kunden in der ursprünglichen Kohorte) × 100

Monatliche Churn-Rate (auf Kohortenebene):

Kohorten-Churn-Rate in Monat N = (Bis Monat N verlorene Kunden) / (Kunden in der ursprünglichen Kohorte) × 100

MRR pro Kohorte ist die Summe des monatlich wiederkehrenden Umsatzes aller aktiven Accounts einer Kohorte in einem Zeitraum. Verfolgen Sie ihn neben der Logo-Retention. Dann sehen Sie früh, wenn die beiden Zahlen auseinanderlaufen.

Gross Revenue Retention (GRR): zeigt, wie viel des ursprünglichen Kohorten-MRR Sie behalten haben, ohne Expansion. GRR kann nie über 100 % liegen.

GRR = (Start-MRR – Churn-MRR – Downgrade-MRR) / Start-MRR × 100

Net Revenue Retention (NRR): rechnet Expansion wieder ein (Upgrades, zusätzliche Seats, Mehrnutzung). NRR über 100 % heißt: Die Kohorte wächst trotz Churn.

NRR = (Start-MRR – Churn-MRR – Downgrade-MRR + Expansion-MRR) / Start-MRR × 100

Mehr dazu, wie NRR die SaaS-Bewertung bestimmt: Die Rechnung wächst schnell. Eine NRR-Verbesserung um 10 Punkte bei 5 Mio. $ ARR ist mehr wert als die meisten Kampagnen für Neukunden.

ARPU pro Kohorte = Gesamt-MRR der Kohorte / aktive Accounts der Kohorte. Diese Zahl sollte mit der Zeit steigen. Das ist ein Zeichen für gesunde Expansion.

CLTV pro Kohorte = durchschnittlicher ARPU der Kohorte × durchschnittliche Lebensdauer der Kohorte (in Monaten). Nutzen Sie die Überlebensraten aus Ihren echten Kohortendaten, keine theoretische Churn-Rate.

CAC-Payback pro Kohorte: Addieren Sie den Bruttogewinn der Kohorte Monat für Monat. Vergleichen Sie ihn mit den gesamten Akquisitionskosten dieser Kohorte. So belegen Sie, ob eine bestimmte Wachstumsphase profitabel war, nicht nur, ob das ganze Unternehmen profitabel ist.

Beispiel: Logo- und Umsatz-Retention laufen auseinander

Nehmen Sie eine Januar-Kohorte mit 100 Accounts zu je 500 $ MRR (50.000 $ gesamt). In Monat 12:

Sechzig Prozent der Kunden sind geblieben. Aber die Kohorte bringt jetzt mehr Umsatz als am Anfang. Die 60 verbleibenden Kunden sind von 500 $ auf etwa 917 $ durchschnittlichen MRR gewachsen. Wenn Sie nur die Logo-Retention verfolgen, sehen Sie diese Kohorte als Problem. Wenn Sie nur NRR verfolgen, übersehen Sie, dass 40 % der Kunden keinen dauerhaften Nutzen gefunden haben. Sie brauchen beide Zahlen, um zu verstehen, was wirklich passiert.

Benchmark-Anker: Im B2B SaaS sollte die 30-Tage-Retention in einem typischen Bereich liegen, der gesundes Onboarding zeigt. Kohorten sollten etwa ab Monat 6 stabil werden. Liegen Sie darunter, verliert Ihr Wachstumsmotor Kunden. Das ist mehr als normaler Churn.

Für praktische Schwellenwerte über alle SaaS-Retention-Metriken verfolgen Sie mindestens: Logo-Retention, NRR, GRR und den ARPU-Trend pro Kohorte.

Zur Stichprobengröße: Eine Kohorte mit weniger als 30 Accounts liefert unruhige Kurven. Sehen Sie jede Kohorte unter 50 nur als Richtung. Für Vergleiche von Experimenten warten Sie auf mindestens 100 Accounts pro Kohorte. Dann ziehen Sie Schlüsse über statistische Unterschiede.

---

Churn-Analyse: herausfinden, warum Kunden gehen

Die Kohortenanalyse zeigt, wann Kunden churnen. Die Churn-Analyse ergänzt, warum. Beide wirken am besten zusammen:

1. Segmentieren Sie die abgewanderten Accounts nach Plan, Unternehmensgröße, Lebenszyklusphase und Akquisitionskanal. Vergleichen Sie jedes Segment mit den Accounts, die geblieben sind. Im Unterschied zwischen abgewanderten und gehaltenen Kohorten liegt meist die Erklärung.
2. Vergleichen Sie das Verhalten vor dem Verlust. Haben abgewanderte Accounts die Kernaktion je ausgeführt? Ist die Nutzung gegenüber ihrer eigenen Basis gefallen? Sind sie von jährlicher auf monatliche Abrechnung gewechselt? Unsere Studie mit 44.000 SaaS-Nutzern zeigt, wie groß diese Unterschiede sein können.
3. Ordnen Sie den Grund zu. Geben Sie jedem abgewanderten Account eine Hauptursache: Aktivierung, sinkender Nutzen, Wechsel des Champions, Zweifel am ROI, Probleme mit dem Support, fehlender Fit oder gescheiterte Zahlung. Der Leitfaden zur Churn-Prognose erklärt diese Kategorien.
4. Ergänzen Sie, was Kunden sagen. Exit-Interviews und Kündigungsumfragen erklären, was die Daten nicht zeigen. Unsere Fragen für Churn-Umfragen sind ein guter Start.
5. Trennen Sie freiwilligen von unfreiwilligem Churn. Gescheiterte Zahlungen sind ein Abrechnungsproblem, kein Produktproblem. Sie brauchen Dunning, keinen Anruf vom CSM.

Die Churn-Analyse lohnt sich nur, wenn sie etwas ändert. Zum Beispiel: besseres Onboarding für das Segment, das nie aktiviert, ein Playbook für Accounts, die ihren Champion verlieren, oder ein klareres ideales Kundenprofil für den Vertrieb. Machen Sie sie jedes Quartal. Prüfen Sie Churn pro Kohorte jeden Monat.

So führen Sie eine SaaS-Kohortenanalyse durch: von den Daten zum Experiment

Das ist der ganze Ablauf, von der leeren Tabelle bis zur priorisierten Liste von Experimenten.

Schritt 1: Frage festlegen

Schreiben Sie die Frage auf, bevor Sie Daten anfassen. „Halten Kunden aus bezahlter Suche besser als organische Kunden?“ ist eine andere Analyse als „Verbessert unser neues Onboarding die Retention in Monat 1?“ Die Frage bestimmt Kohortendefinition, Zeitraum und Metrik.

Schritt 2: Kohortendefinition und Zeitraum wählen

Wählen Sie das Startereignis (Aktivierung, erste Zahlung, erste Kernaktion) und den Zeitraum (täglich, wöchentlich oder monatlich). Für die meisten B2B-SaaS-Produkte sind monatliche Kohorten passend zu den Abrechnungszeiträumen der richtige Standard.

Schritt 3: Aktivierungs-Event festlegen und einfrieren

Wählen Sie ein Event, das zuverlässig zeigt, dass ein Kunde Nutzen hatte. Beispiele: „erstes Projekt erstellt“, „Kollegen eingeladen“, „ersten Bericht erstellt“. Wenn Sie ab der Aktivierung messen, verwässern tote Registrierungen Ihre Daten nicht. Sie bekommen Kurven, mit denen Sie arbeiten können. Halten Sie diese Definition danach mindestens 12 Monate fest.

Schritt 4: Daten extrahieren und normalisieren

Nötige Datenfelder:

• customer_id / account_id
• cohort_key (Monat/Woche der Aktivierung)
• activation_event_timestamp
• first_paid_date
• mrr_amount (auf Monatswert normalisiert)
• invoice_id, plan_id, billing_period
• acquisition_source
• Wichtige Produkt-Event-Flags (Aktivierung, Feature X genutzt usw.)

Holen Sie Abrechnungsdaten aus Stripe oder Chargebee. Holen Sie Produkt-Events aus Mixpanel, Amplitude, PostHog oder Segment. Verbinden Sie beides über account_id.

Schritt 5: Kohortenmatrix bauen

Bauen Sie zwei Matrizen. Eine für Logo-Retention (Anteil der ursprünglichen Accounts, die noch aktiv sind, in %). Eine für MRR-Retention (Anteil des ursprünglichen MRR, der noch aktiv ist, plus Expansion, in %). Zeilen sind Kohorten (z. B. „Jan 2025“). Spalten sind Zeiträume seit dem Start (Monat 0, Monat 1, Monat 2 ...).

Für Tabellen (Excel oder Google Sheets) ist das Kohortenlayout von Andrew Chen der Standard: Kohorten in Zeilen, Zeit seit Start in Spalten und bedingte Formatierung für eine Heatmap. Für SQL siehe den Abschnitt mit Vorlagen unten.

Schritt 6: Visualisieren

Geben Sie der Matrix eine Farbskala (grün = hohe Retention, rot = niedrige). Diese Heatmap zeigt Problemkohorten sofort. Sie zeigt auch Zeitpunkte, an denen der Churn stark steigt.

Schritt 7: Deuten

Lesen Sie Spalten von oben nach unten. Eine Spalte mit der Retention in Monat 3 für alle Kohorten zeigt, ob Ihr Produkt am 3-Monats-Punkt mit der Zeit besser geworden ist. Eine Zeile zeigt, wie eine Kohorte gealtert ist. Aber sie zeigt nicht, ob Sie besser werden.

Schritt 8: Experimente priorisieren

Verbinden Sie das Muster mit einer Ursache (siehe den Abschnitt zur Deutung unten). Ordnen Sie Experimente nach Wirkung × Sicherheit × Aufwand.

Schritt 9: Testen und neu bewerten

Bilden Sie nach jedem Experiment eine neue Kohorte, die nach dem Start der Änderung begonnen hat. Vergleichen Sie sie mit der Kohorte vor der Änderung zu denselben Zeitpunkten. Dieser Vergleich ist Ihr Ergebnis.

QA-Checkliste, bevor Sie der Matrix vertrauen:

• Gleichen Sie den gesamten Kohorten-MRR in Monat 0 mit dem Export Ihres Abrechnungssystems ab
• Prüfen Sie, ob Rückerstattungen, gescheiterte Zahlungen und pausierte Accounts gleich behandelt werden
• Prüfen Sie, ob Upgrades und Downgrades im MRR erscheinen, nicht nur in der Zahl der Logos
• Prüfen Sie, ob anteilige Beträge im ersten Monat auf volle Monatswerte normalisiert sind
• Prüfen Sie, ob Event- und Abrechnungszeitstempel dieselbe Zeitzone nutzen

Toolwahl nach Größe:

Tipp: Bevor Sie eine Kohortenmatrix teilen, fügen Sie eine Zeile mit der Stichprobengröße (n=) jeder Kohorte hinzu. Markieren Sie Kohorten mit weniger als 50 Accounts deutlich. Kleine Stichproben erzeugen falsche Sicherheit in beide Richtungen.

---

Kohortenzeitraum und Ausrichtung wählen

Der gewählte Kohortenzeitraum prägt jede Schlussfolgerung. Wählen Sie falsch, bekommen Sie Rauschen (zu fein) oder verpassen das Signal (zu grob).

Tägliche Kohorten passen zu Consumer-Apps oder Produkten mit Testphase, bei denen die ersten 72 Stunden über die Aktivierung entscheiden. Für die meisten B2B SaaS sind tägliche Kohorten zu unruhig und zu klein.

Wöchentliche Kohorten passen zu SaaS-Produkten mit mittlerem Tempo, kurzen Vertriebszyklen und aktiven Testphasen. Sie geben schneller Feedback als monatliche Kohorten. Die Stichproben bleiben handhabbar.

Monatliche Kohorten sind der Standard für B2B SaaS mit monatlicher oder jährlicher Abrechnung. Sie passen zu den Abrechnungszeiträumen, deshalb ist die MRR-Rechnung einfach. Die meisten Retention-Analysen für Investoren nutzen monatliche Kohorten.

Links- und rechtsbündige Kohorten:

Linksbündige Kohorten starten jede Kohorte bei Monat 0 und laufen nach rechts. Das ist das Standardformat der Heatmap. Es eignet sich am besten, um Verlaufskurven zwischen Kohorten zu vergleichen. Zum Beispiel sehen Sie, ob eine Februar-Kohorte in Monat 2 schneller fällt als eine September-Kohorte.

Rechtsbündige Kohorten setzen alle Kohorten auf das aktuelle Datum und laufen nach links. So sehen Sie den aktuellen Stand jeder Kohorte in ihrem echten Alter. Nutzen Sie das, um zu vergleichen, wie Kohorten verschiedenen Alters jetzt abschneiden, nicht wie sie seit ihrem Start gefallen sind.

Praktische Regel: Passen Sie den Kohortenzeitraum daran an, wie oft Kunden Ihr Produkt normalerweise nutzen. Ein Projektmanagement-Tool, das täglich genutzt wird, sollte wöchentliche Kohorten nutzen. Ein Enterprise-Produkt mit Jahresverträgen sollte quartalsweise Kohorten nutzen, um brauchbare Signale zu bekommen.

Für Jahresverträge: Rechnen Sie in monatlichen MRR um (ACV / 12). Nutzen Sie den Vertragsbeginn als Kohortenstart, nicht das Renewal-Datum. Oder machen Sie eine eigene Kohortenanalyse für Jahres- und Monatsabonnenten, weil sich ihr Churn stark unterscheidet.

---

Datenquellen, Transformationen und ETL-Regeln für verlässliche Kohortendaten

Kohortenanalysen scheitern meist nicht an der Analyse. Sie scheitern an unsauberen Eingangsdaten.

Standardschema für eine SaaS-Kohorten-Pipeline:

• account_id (Primärschlüssel, nie ändern)
• contact_id (für Produkte mit mehreren Seats)
• activation_event_timestamp (eingefrorene Definition)
• first_paid_date
• mrr_amount (Monatswert, in USD)
• invoice_id
• plan_id
• billing_period (monatlich oder jährlich)
• acquisition_source
• event_flags (Aktivierung, feature_X_used usw.)

ETL-Regeln und Sonderfälle:

1. Deduplizierung: Accounts können in Abrechnungsexporten mehrfach vorkommen (mehrere Rechnungen, Planwechsel). Entfernen Sie Duplikate über account_id, bevor Sie Kohortenschlüssel berechnen.
2. MRR-Normalisierung: Teilen Sie Jahresverträge durch 12. Ein Jahresvertrag über 12.000 $ = 1.000 $ MRR. Zählen Sie nie den vollen Jahresbetrag in Monat 0.
3. Upgrades und Downgrades: Erfassen Sie die MRR-Änderung im Monat, in dem sie beginnt. Ein Upgrade von 500 $ auf 800 $ in Monat 4 fügt dem Kohorten-MRR in Monat 4 300 $ hinzu. Die Zahl der Logos bleibt gleich.
4. Rückerstattungen: Entfernen Sie erstatteten MRR aus dem Monat, in dem er zuerst erfasst wurde. Rückerstattungen dürfen nicht später als Churn erscheinen.
5. Anteilige Abrechnung: Normalisieren Sie anteilige erste Rechnungen auf den vollen Monatswert, bevor Sie sie einer Kohorte zuordnen.
6. Mehrere Währungen: Rechnen Sie alle Beträge zum Kurs am Rechnungsdatum in USD um. Speichern Sie Originalwährung und Originalbetrag getrennt für Prüfungen.

Tipp: Machen Sie für Jahresverträge zwei Kohortenanalysen parallel. In der einen sind Jahresabonnenten ein eigener Kohortentyp. In der anderen nutzen Sie monatlichen MRR für eine gemeinsame Sicht. Sie beantworten verschiedene Fragen. Die gemeinsame Sicht ist besser für das NRR-Reporting. Die getrennte Sicht ist besser, um das Renewal-Risiko zu verstehen.

Reaktivierte Accounts: Wenn ein abgewanderter Account zurückkommt, verschieben Sie ihn nicht in eine neue Kohorte. Lassen Sie ihn in seiner ursprünglichen Kohorte und markieren Sie ihn als reaktiviert. Zählen Sie ihn ab dem Datum der Reaktivierung als aktiv. So bleiben die Kohorten sauber. Und Sie können Reaktivierungsraten getrennt messen.

Schritte zum QA-Abgleich:

• Exportieren Sie den Gesamt-MRR aus Stripe oder Chargebee für einen Monat
• Addieren Sie den Kohorten-MRR aller aktiven Kohorten für denselben Monat
• Beide Zahlen sollten bis auf Rundung übereinstimmen (< 0,5 %)
• Wenn nicht, sind die häufigsten Ursachen: Fehler bei der Normalisierung von Jahresverträgen, nicht behandelte Rückerstattungen oder doppelte Account-Datensätze

Regeln für das Aktivierungs-Event: Wählen Sie ein Event, dokumentieren Sie es und halten Sie es fest. „Erster Login“ ist fast immer falsch, weil er Accounts enthält, die nie Nutzen hatten. „Erstes [Kernobjekt] erstellt“ oder „Onboarding-Schritt 3 abgeschlossen“ sind bessere Kandidaten. Tools für Verhaltenskohorten wie Amplitude, Mixpanel und PostHog lassen Sie diese Events in der Oberfläche definieren, ohne SQL.

---

Die besten Visualisierungen für Kohortenanalysen und wie Sie sie lesen

Drei Diagrammtypen decken das meiste ab, was SaaS-Teams brauchen. Jeder zeigt ein anderes Signal.

Die Kohorten-Heatmap ist das Standardformat: Kohorten in Zeilen, Zeiträume seit Start in Spalten, Retention in Prozent in jeder Zelle. Die Farben gehen von grün (hoch) bis rot (niedrig). Auf einen Blick sehen Sie:

• Waagerechte rote Bänder: Eine Kohorte ist schneller abgewandert als andere (Problem mit der Akquisitionsqualität oder eine schlechte Produktphase)
• Senkrechte rote Bänder: Ein Zeitpunkt, an dem der Churn für alle Kohorten steigt (Onboarding-Fehler, eine Preisklippe oder ein fehlendes Feature in dieser Lebenszyklusphase)
• Diagonale Verbesserung: Neuere Kohorten haben zu denselben Zeitpunkten höhere Retention als ältere (das Produkt wird besser)

Die Retention-Kurve zeigt die Retention einer Kohorte über die Zeit als Liniendiagramm. Die Form erzählt die Geschichte:

• Steiler Absturz: starker Fall in Monat 1–2, dann flach. Ein typisches Onboarding-Problem.
• Stetiger Rückgang: langsamer Rückgang, der nie stabil wird. Ein Problem mit dem Product-Market-Fit oder schwache Gewohnheitsbildung.
• Bogenform: fällt, dann erholt sie sich teilweise. Oft saisonal oder an einen bestimmten Anwendungsfall gebunden.
• Flaches Ende: fällt früh, dann stabil bei 12–24 Monaten. Investoren suchen dieses flache Ende. Es zeigt dauerhaften Kunden-Fit.

Der Kohortenindex setzt alle Kohorten gegen eine Basis (meist die älteste Kohorte = 100) und zeigt die relative Leistung. Das entfernt Unterschiede im absoluten Niveau. Es zeigt, ob Sie mit der Zeit besser, schlechter oder gleich bleiben. Nützlich für Präsentationen vor dem Board und für den Vergleich von Kohorten aus sehr unterschiedlichen ARR-Phasen.

Kohortendiagramme Spalte für Spalte lesen ist die wertvollste Fähigkeit. Eine Spalte zeigt, ob neuere Kohorten zum selben Zeitpunkt besser oder schlechter halten als ältere. Das ist das klarste Signal für eine Produktverbesserung. Die meisten lesen Zeilen (wie ist die Januar-Kohorte gealtert?). Sie sollten mit Spalten beginnen (verbessert sich die Retention in Monat 3 über alle Kohorten?).

Notizen für jedes Diagramm:

• Meilensteine der Aktivierung (wann Sie das Onboarding geändert haben)
• Produkt-Releases, die Kern-Features verändert haben
• Änderungen an Preisen oder Paketen
• Kampagnenstarts, die den Akquisitionsmix verändert haben

Ohne Notizen sieht ein Rückgang der Retention in Monat 2 wie ein Produktproblem aus. Mit Notizen sehen Sie vielleicht, dass er zeitgleich mit einer Preisänderung kam, die Käufer mit weniger Kaufabsicht brachte.

Tipp: Zeigen Sie auf jeder geteilten Heatmap immer die Stichprobengröße (n=) pro Kohortenzeile. Eine Kohorte mit 12 Accounts und 80 % Retention in Monat 6 ist Rauschen. Eine Kohorte mit 200 Accounts und derselben Zahl ist ein Signal, auf das Sie reagieren sollten.

---

Kohortenformen deuten und daraus Experimente machen

Das Muster in einer Kohortenmatrix ist die Diagnose. Das Experiment ist die Behandlung. So verbinden Sie beides.

Typische Kohortenformen und ihre Bedeutung:

1. Absturz in Monat 1–2: Der meiste Churn passiert direkt nach der Registrierung oder ersten Zahlung. Ursache: Onboarding-Fehler, falsche Erwartungen oder die Zeit bis zum Nutzen ist zu lang. Experimente: Onboarding-Checkliste kürzen, an Tag 3 einen persönlichen Kontakt einbauen, ein Feature mit „schnellem Erfolg“ früher zeigen.

2. Stetiger Rückgang ohne flaches Ende: Die Retention fällt bis Monat 12 weiter und wird nie stabil. Ursache: schwache Gewohnheitsbildung, das Produkt löst kein wiederkehrendes Problem, oder Kunden nutzen es für eine einmalige Aufgabe. Experimente: Finden Sie die Verhaltenskohorte, die doch bleibt, und lernen Sie, was sie anders gemacht hat. Ergänzen Sie Onboarding-Pfade für bestimmte Anwendungsfälle.

3. Bogenform (fällt, erholt sich dann teilweise): Die Retention fällt, dann kommen einige Kunden zurück. Oft saisonal (jährliche Budgetzyklen) oder an ein bestimmtes Auslöseereignis gebunden. Experimente: Finden Sie den Auslöser, der Kunden zurückbringt, und bauen Sie ihn vorab ins Produkt ein.

4. Flaches Ende ab Monat 6: Die Kohorte wird stabil. Das ist die Zielform. Experimente versuchen hier, den stabilen Punkt früher zu erreichen (von Monat 6 auf Monat 3) und das Niveau anzuheben.

5. Senkrechte rote Spalte zu einem Zeitpunkt: Der Churn steigt im selben Monat für alle Kohorten. Typische Ursachen: eine Klippe beim jährlichen Renewal, eine Feature-Grenze in einem bestimmten Plan oder ein Moment im Lebenszyklus, in dem Kunden das Produkt neu bewerten. Experimente: frühe Renewal-Ansprache, Hinweise auf den Nutzen im Produkt zu diesem Zeitpunkt oder eine neue Preisstruktur.

Rahmen für die Priorisierung:

Ordnen Sie Experimente nach: Wirkung (wie viele Accounts oder wie viel MRR betroffen sind) × Sicherheit (wie klar die Kohortendaten auf diese Ursache zeigen) × Aufwand (nötige Zeit von Entwicklung und CS). Kohortendaten bestimmen die Sicherheit direkt. Wenn die Retention in Monat 2 sechs Kohorten in Folge gefallen ist, ist die Sicherheit für ein Onboarding-Experiment hoch.

Für eine Diagnose von Churn-Mustern, die tiefer geht als Kohortenformen, segmentieren Sie nach Akquisitionsquelle, Plantyp und Unternehmensgröße. So sehen Sie, welche Untergruppen das Muster treiben.

Erfolgsmetriken je Experimenttyp:

• Onboarding-Experiment: Anstieg der Kohorten-Retention in Woche 4 (Ziel: +5–10 Prozentpunkte)
• Preisänderung: Veränderung der Kohorten-NRR in Monat 3
• Anstoß zur Feature-Nutzung: Aktivierungsrate der Verhaltenskohorte für das Ziel-Feature
• Renewal-Ansprache: Logo-Retention der Kohorte in Monat 12 im Vergleich zur Kontrollgruppe

Zur statistischen Signifikanz: Bei Kohortenexperimenten sind Stichproben selten groß. Eine praktische Regel: Warten Sie, bis Test- und Kontrollkohorte je mindestens 50 Accounts und mindestens 8 Wochen Daten nach der Änderung haben. Dann ziehen Sie Schlüsse. Bei Self-Service-SaaS-Produkten mit mehr Volumen geht es schneller. Bei Enterprise-Produkten sind Richtungssignale aus kleineren Kohorten oft das Beste, was Sie bekommen.

Segmentieren Sie Kohorten nach Branche, Unternehmensgröße und Kunden-Persona. Dann sehen Sie, welche Untergruppen auf welche Experimente reagieren. Eine Preisänderung, die die Retention bei SMB-Accounts verbessert, kann Enterprise-Accounts schaden. Segmentierte Kohorten zeigen diesen Unterschied. Gesamtkohorten verbergen ihn.

---

Kohortentrends für Umsatzprognosen und LTV-Projektionen nutzen

Überlebensraten von Kohorten sind die ehrlichste Grundlage für eine Umsatzprognose. So gehen Sie praktisch vor.

Einfache Projektion auf Basis von Kohorten:

• Nehmen Sie die echte Überlebensrate zu jedem Zeitpunkt (z. B. 80 % in Monat 1, 68 % in Monat 2, 58 % in Monat 3 ...)
• Wenden Sie diese Raten auf neue Kohorten im Modell an
• Ergänzen Sie die echten Expansion-Raten (durchschnittliches MRR-Wachstum pro verbleibendem Account und Monat)
• Addieren Sie alle aktiven Kohorten, um den künftigen MRR zu projizieren

Das ergibt eine Bottom-up-Prognose auf Basis von echtem Kundenverhalten, nicht auf Basis einer Top-down-Annahme zum Wachstum.

Warum bessere Retention in Monat 3 alles ändert:

Wenn Ihre Logo-Retention in Monat 3 heute 55 % beträgt und Sie sie auf 65 % heben, behalten Sie 10 Accounts mehr pro 100 neuen Accounts. Bei 500 $ durchschnittlichem MRR sind das 5.000 $ mehr MRR pro Kohorte, und das summiert sich. Über 12 Kohorten in einem Jahr ist die Wirkung auf den ARR groß. Auch der CAC-Payback wird besser, weil dieselben Akquisitionskosten jetzt einen längeren Umsatzstrom bezahlen.

Nutzen Sie einen SaaS-Churn-Rechner, um die Umsatzwirkung bestimmter Retention-Verbesserungen zu berechnen, bevor Sie ein Experiment starten. So wird der Business Case für Entwicklungszeit konkret.

LTV pro Kohorte:

LTV der Kohorte = durchschnittlicher ARPU der Kohorte × (1 / monatliche Churn-Rate dieser Kohorte)

Für eine genauere Schätzung nutzen Sie die echte Überlebenskurve aus Ihren Kohortendaten, keine konstante Churn-Annahme. Die Überlebenskurve zeigt, dass früher Churn höher ist als später Churn. Eine einfache 1/Churn-Formel übersieht das.

Grenzen und Modellrisiken:

• Wenn sich der Akquisitionsmix ändert (neue Kanäle, neue Segmente), folgen neue Kohorten vielleicht nicht den bisherigen Überlebensraten
• Preisänderungen brechen die ARPU-Trendlinie. Modellieren Sie Kohorten vor und nach der Preisänderung getrennt
• Wenn sich die Kohortendefinition ändert (ein neues Aktivierungs-Event mittendrin), sind Vergleiche nicht mehr gültig
• Saisonale Effekte können neue Kohorten besser oder schlechter aussehen lassen, als sie sind. Nutzen Sie mindestens 12 Monate Kohortenhistorie, bevor Sie Trendlinien vertrauen

Für Gespräche mit Investoren: Zeigen Sie die NRR pro Kohorte neben der Gesamt-NRR. Wenn Ihre drei neuesten Kohorten eine NRR über 110 % haben und ältere Kohorten bei 95 % liegen, zeigt das eine Produktverbesserung. Eine einzige NRR-Zahl kann das nicht zeigen. Die Rechnung hinter der Retention wächst bei mehr Größe stark.

---

Häufige Fehler in der SaaS-Kohortenanalyse und eine Best-Practice-Checkliste

Die meisten Kohortenanalysen, die zu schlechten Entscheidungen führen, machen dieselben wenigen Fehler.

Die häufigsten Fehler:

1. Ab Registrierung statt ab Aktivierung messen. Das ist der häufigste Fehler. Tote Registrierungen verwässern jede Retention-Kurve und lassen das Onboarding schlechter aussehen, als es ist.
2. Kohortendefinitionen mittendrin ändern. Wenn Sie „Aktivierung“ in Monat 6 neu definieren, können Sie neue Kohorten nicht mit alten vergleichen. Halten Sie Definitionen mindestens 12 Monate fest.
3. Upgrades und Downgrades in MRR-Kohorten ignorieren. Wenn Sie nur Logo-Retention verfolgen und MRR-Änderungen ignorieren, bekommen Sie ein falsches Bild der Kohorten-Gesundheit.
4. Abrechnungs- und Verhaltenskohorten ohne klare Zuordnung mischen. Eine Verhaltenskohorte (Nutzer, die das Onboarding abgeschlossen haben) und eine Akquisitionskohorte (Nutzer, die sich im Januar registriert haben) beantworten verschiedene Fragen. Wenn Sie sie mischen, können Sie die Ergebnisse nicht lesen.
5. Zu viel in kleine Kohorten hineinlesen. Eine Kohorte mit 15 Accounts und 80 % Retention in Monat 6 ist keine Erfolgsgeschichte. Es ist Rauschen.
6. Keine Notizen in Diagrammen. Ohne Notiz sieht ein Retention-Rückgang zeitgleich mit einer Preisänderung wie ein Produktproblem aus.

Best-Practice-Checkliste:

• Halten Sie Kohortendefinitionen (Aktivierungs-Event, Kohortenzeitraum, Regeln zur MRR-Normalisierung) mindestens 12 Monate fest
• Gleichen Sie den Kohorten-MRR jeden Monat mit Exporten des Abrechnungssystems ab
• Versehen Sie alle Diagramme mit Notizen zu Produkt-Releases, Preisänderungen und Kampagnenstarts
• Verfolgen Sie in jeder Analyse Logo-Retention und Umsatz-Retention
• Zeigen Sie die Stichprobengröße (n=) in jeder Kohortenzeile geteilter Diagramme
• Segmentieren Sie nach Akquisitionsquelle und Unternehmensgröße, bevor Sie Schlüsse über die „durchschnittliche“ Kohorte ziehen
• Prüfen Sie die ETL-Pipeline jedes Mal, wenn sich das Abrechnungssystem oder das Schema der Produkt-Events ändert

Hinweise zur Data Governance:

• Bewahren Sie die rohe Event-Historie dauerhaft auf. Aus zusammengefassten Daten können Sie frühere Kohorten nicht neu bauen
• Nutzen Sie in Abrechnungs- und Event-Systemen dieselbe Zeitzone (UTC ist der sichere Standard)
• Speichern Sie Beträge in Originalwährung neben den USD-Werten. Wechselkurse ändern sich, und Sie müssen früheren MRR vielleicht neu ausweisen
• Dokumentieren Sie jede Änderung der Kohortendefinition mit Datum. Dann verstehen spätere Analysten, warum Kohorten vor und nach der Änderung nicht direkt vergleichbar sind

---

Vorlagen und SQL-Snippets für Ihre erste Kohortenmatrix

Wenn Sie die Infrastruktur beim ersten Mal richtig bauen, sparen Sie Wochen Nacharbeit.

Tabellenlayout (Excel / Google Sheets)

Das Kohortenlayout von Andrew Chen ist der Standard:

1. Spalte A: Name der Kohorte (z. B. „Jan 2025“, „Feb 2025“)
2. Spalte B: Größe der Kohorte (n=)
3. Ab Spalte C: Monat 0, Monat 1, Monat 2 ... (Retention in % oder MRR)
4. Bedingte Formatierung: Legen Sie eine Farbskala von grün nach rot über alle Datenzellen

Für Kohorten auf Basis der Aktivierung nutzen Sie den Aktivierungsmonat als Namen der Kohorte, nicht den Registrierungsmonat. Legen Sie ein zweites Blatt für die MRR-Retention mit demselben Layout an, mit Dollarbeträgen statt Prozenten.

SQL-Pseudocode (Postgres / BigQuery)

Schritt 1: Kohortenschlüssel bilden

SELECT
  account_id,
  DATE_TRUNC('month', activation_event_timestamp) AS cohort_month,
  DATE_TRUNC('month', event_date) AS activity_month,
  mrr_amount
FROM events
WHERE activation_event_timestamp IS NOT NULL

Schritt 2: MRR auf Monatswert normalisieren

SELECT
  account_id,
  CASE
    WHEN billing_period = 'annual' THEN mrr_amount / 12
    ELSE mrr_amount
  END AS normalized_mrr
FROM billing_records

Schritt 3: Kohortenmatrix zusammensetzen

SELECT
  cohort_month,
  DATEDIFF('month', cohort_month, activity_month) AS tenure_month,
  COUNT(DISTINCT account_id) AS active_accounts,
  SUM(normalized_mrr) AS cohort_mrr
FROM cohort_base
GROUP BY cohort_month, tenure_month
ORDER BY cohort_month, tenure_month

Teilen Sie active_accounts durch die Zahl in Monat 0 jeder Kohorte. Das ergibt die Logo-Retention in %. Teilen Sie cohort_mrr durch den MRR in Monat 0 jeder Kohorte. Das ergibt die Umsatz-Retention in %.

BI- und Produktanalyse-Tools

Amplitude: Nutzen Sie das Diagramm „Retention Analysis“. Definieren Sie das Start-Event (Aktivierung) und das Rückkehr-Event (jede Sitzung oder die Nutzung eines bestimmten Features). Wählen Sie „N-Day Retention“ für täglich genutzte Produkte oder „Unbounded Retention“ für wöchentlich/monatlich genutzte Produkte. Exportieren Sie die Daten hinter dem Diagramm für MRR-Überlagerungen.

Mixpanel: Nutzen Sie den Bericht „Retention“. Definieren Sie Einstiegs-Event und Retention-Event. Für MRR-Kohorten müssen Sie Mixpanel-Nutzerdaten in einem BI-Tool mit Exporten aus Stripe oder Chargebee verbinden.

PostHog: Das Retention-Insight unterstützt Kohortendefinitionen auf Basis von Events und von Aktionen. PostHog ist Open Source. Das macht es bei Teams beliebt, die volle Kontrolle über ihre Daten wollen.

Exporte aus Stripe / Chargebee: Beide Plattformen exportieren Abodaten mit Kunden-IDs, Plandetails, MRR-Beträgen und Event-Daten. Nutzen Sie sie als Abrechnungsquelle und verbinden Sie sie über customer_id oder account_id mit den Produkt-Events.

Hinweis: Eine fertige Vorlage für die Kohortenmatrix (Tabelle + SQL) gibt es in der Customerscore-Demo. Details zum Zugang finden Sie im Abschnitt unten.

---

Benchmarks für Retention und NRR

Ihre Zahlen helfen nur, wenn Sie wissen, wie gute Werte aussehen.

NRR-Benchmarks nach Segment:

Quelle: SaaS Capital 2025 retention benchmarks, eine Umfrage unter mehr als 1.000 privaten B2B-SaaS-Unternehmen. Eine NRR unter 90 % heißt: Das Unternehmen verliert Umsatz mit bestehenden Kunden, egal wie viele Neukunden es gewinnt. Das ist ein strukturelles Problem. Neukunden können es nicht lösen.

Benchmarks für die Retention-Rate:

Im B2B SaaS gilt eine 30-Tage-Retention im mittleren Bereich als gesund. Liegen Sie nach 30 Tagen darunter, liegt die Ursache fast immer beim Onboarding oder bei der Zeit bis zum Nutzen, nicht bei der Produktqualität.

Ein flaches Retention-Ende nach einem Jahr ist die wichtigste Metrik für die langfristige Bewertung. Ein stabiles Ende zeigt dauerhaften Kunden-Fit. Investoren nutzen es als Hauptsignal für die Qualität eines SaaS. Ein Unternehmen mit mittlerer Logo-Retention, die früher stabil wird, ist oft mehr wert als eines mit höherer früher Retention, die weiter fällt.

Wichtiges Signal: Wenn Ihre Retention-Kurven nie flach werden, hat das Unternehmen ein Problem mit dem Product-Market-Fit, kein Churn-Problem. Keine CS-Arbeit rettet ein Produkt, das Kunden nicht mehr brauchen.

Mehr Kontext zur Verteilung der SaaS-Retention in den USA bietet die Retention-Studie mit 44.000 Nutzern auf der Customerscore-Website, mit praktischen Daten nach Produkttyp und Unternehmensgröße.

Wann Sie Verbesserungen in Kohorten sehen: Die meisten Onboarding-Experimente zeigen in Monat 1–2 eine messbare Wirkung. Änderungen an Preisen und Paketen zeigen sich in Monat 3–6. Produktverbesserungen, die die langfristige Retention betreffen, brauchen 6–12 Monate, bis sie in Kohortendaten sichtbar werden. Planen Sie Ihre Experimente entsprechend.

---

Das Wichtigste in Kürze

Kohortenanalyse im SaaS ist nur so nützlich wie das Aktivierungs-Event, das Sie wählen. Und sie hängt davon ab, dass Sie Logo- und Umsatz-Retention immer zusammen lesen.

---

Was die meisten Teams bei der Kohortenanalyse falsch machen

Es gibt eine Version der Kohortenanalyse, die jedes SaaS-Team macht. Und es gibt eine Version, die Entscheidungen wirklich ändert. Die meisten Teams machen die erste.

Das übliche Muster: Jemand baut eine Kohorten-Heatmap und zeigt sie im Quartalsreview. Alle schauen auf die Farben, und nichts ändert sich. Die Matrix wird ein Bericht, kein Werkzeug zur Diagnose. Der Grund sind nicht fehlende Daten. Es fehlt ein geschlossener Kreislauf zwischen Kohortensignal und Experiment.

Teams, die echten Nutzen aus der Kohortenanalyse ziehen, nutzen sie als Diagnosesystem mit klarem Ergebnis: eine geordnete Liste von Experimenten. Jedes Experiment gehört zu einem bestimmten Kohortenmuster und hat eine vorher vereinbarte Erfolgsmetrik. Das Ergebnis ist nicht die Kohortenmatrix. Das Ergebnis ist die Liste der Experimente.

Es gibt auch eine weniger sichtbare Falle. Manche Teams verfolgen die NRR und erklären den Erfolg, weil sie über 100 % liegt. Eine NRR über 100 % kann ein Problem bei der Logo-Retention verbergen, das das Unternehmen später trifft. Wenn Ihre besten 20 % der Accounts schnell genug wachsen, um den Churn der unteren 40 % auszugleichen, sieht Ihre NRR gesund aus. Aber Ihre Kundenbasis wird langsam leer. Die Kohortenmatrix zeigt das. Die Gesamt-NRR zeigt es nicht.

Noch etwas, ganz offen: Kohortenanalyse ist kein einmaliges Projekt. Ihr Wert wächst, wenn Sie sie regelmäßig machen, jedes Mal Notizen ergänzen und damit jede wichtige Produkt- oder Preisänderung bewerten. Ein Team mit 24 Monaten Kohortenhistorie mit Notizen kann Fragen beantworten, die ein Team mit einer einzigen Momentaufnahme nicht beantworten kann. Diese Historie ist ein Wettbewerbsvorteil.

---

Customerscore.io macht aus Kohortensignalen Retention-Prioritäten

Manuelle Kohortenanalyse funktioniert bis zu einem gewissen Punkt. Wenn Sie viele Akquisitionskanäle, jährliche und monatliche Abrechnung und ein CS-Team mit Hunderten Accounts haben, stößt der manuelle Weg schnell an Grenzen.

Customerscore ist für B2B-SaaS-Teams gebaut, die von der Erkenntnis aus Kohorten zum Handeln kommen wollen. Die Plattform bringt Abrechnungsdaten aus Stripe und Chargebee, Produkt-Events aus Mixpanel, PostHog und Segment sowie CRM-Daten aus HubSpot und Salesforce in eine gemeinsame Kohortensicht. Logo- und Umsatz-Retention werden für Sie berechnet, nach Segment aufgeteilt und täglich aktualisiert.

Wo Customerscore.io mehr kann als ein BI-Dashboard: Wenn ein Kohortenmuster den Health Score eines Accounts über einen Schwellenwert bringt, erscheint der Account in den Prioritäten seines CSM, mit dem Grund. Eine Onboarding-Kohorte mit frühem Rückgang in Woche 2 zeigt die Accounts, die einen Check-in vom CS brauchen. Eine Renewal-Kohorte mit sinkender NRR markiert die Accounts, die Sie vor ihrem Renewal vorbereiten sollten. Automatisierte Playbooks decken die Accounts ab, die keinen persönlichen Kontakt brauchen. Die KI-Churn-Prognose ergänzt die historischen Kohorten um prädiktive. Sie markiert gefährdete Accounts, bevor sie in den Retention-Zahlen des nächsten Monats auftauchen.

Für B2B-SaaS-Teams, die Retention auf Basis von Kohorten im Alltag umsetzen wollen, deckt die Customer-Success-Plattform den ganzen Ablauf ab: Datenintegration, Kohortenmatrizen, Health-Scoring, Playbooks und Renewal-Management. Customerscore.io ist ISO-27001-zertifiziert, DSGVO-konform und in der EU gehostet.

Demo buchen: Sehen Sie, wie die Kohortenansicht und die Account-Prioritäten funktionieren.

---

Nützliche Quellen und weiterführende Literatur

Die Benchmarks und Methoden in diesem Leitfaden stammen aus den folgenden Quellen. Jede lohnt sich für mehr Details zur Umsetzung.

• SaaS Cohort Analysis Guidance | Stripe: der Leitfaden von Stripe zu Definitionen von Verhaltenskohorten und zur Messung ab der Aktivierung.

Für die Vorlage zur Kohortenmatrix und das SQL-Starterpaket buchen Sie über den Link oben eine Customerscore-Demo.

Empfohlen

• SaaS-Retention: Studie mit 44.000 Nutzern | Customerscore.io
• Die 10 besten Tools für Kundenbindung im SaaS (2026) | Customerscore.io