Churn-Analyse: Wie du Analytics nutzt, um mehr Kunden zu halten
Von Emily Redmond, Datenanalystin bei Emilytics · April 2026
TL;DR: Analysiere Churn nach Kohorte und Segment. Tracke Activation, Feature Usage und Logins. Identifiziere frühe Warnsignale. Gesundes SaaS hat 3–5% monatlichen Churn.
Churn ist der stille Killer von SaaS-Unternehmen. Du kannst MRR 20% Monat für Monat wachsen und trotzdem sterben, wenn dein Churn 22% ist.
Die meisten Gründer können Churn nicht kommen sehen. Ihr Analytics-Dashboard zeigt „5% monatlicher Churn", aber versteckt die echte Geschichte: Woche 1 Kohorte churnt bei 25%, aber Monat 6 Kohorte churnt bei 2%. Oder: Kostenlose Plan-Nutzer churnen bei 12%, bezahlte Nutzer bei 3%. Die Blended Zahl lügt.
Dieser Guide zeigt dir, wie du Churn wirklich kommen sehen kannst, welche Segmente gefährdet sind und was du dagegen tun kannst.
Die Churn-Formel
Monatlich Churn % = Verlorene Kunden in Monat ÷ Kunden am Anfang des Monats × 100
Beispiel: 100 Kunden am 1. Januar, 5 kündigen im Januar = 5% monatlicher Churn.
Wie man es interpretiert:
- 5% monatlich = 60% jährlicher Churn (nicht nachhaltig für Early-Stage SaaS)
- 3% monatlich = 35% jährlicher Churn (akzeptabel für Mature SaaS)
- 1% monatlich = 11% jährlicher Churn (Enterprise SaaS Ziel)
Aber hier ist der Haken: Blended Churn versteckt deine echten Probleme.
Kohorten-Churn: Wo die echte Geschichte lebt
Blended Churn maskiert Kohorten-Verfall. Du musst Churn nach Sign-up Kohorte sehen.
Richte in GA4 ein:
- Gehe zu Explore → Retention
- Wähle Daily Active Users oder erstelle eine Custom Metric für „aktive Accounts"
- Kohorte: Acquisition Date (wöchentlich oder monatlich)
- Retention: Tage oder Wochen seit Akquisition
Du siehst eine Matrix wie diese:
| Kohorte | Woche 0 | Woche 1 | Woche 2 | Woche 4 | Woche 8 |
|---|---|---|---|---|---|
| Woche 1 | 100% | 45% | 35% | 28% | 22% |
| Woche 2 | 100% | 50% | 40% | 32% | 25% |
| Woche 3 | 100% | 48% | 38% | 30% | 23% |
| Woche 4 | 100% | 52% | 42% | 35% | 28% |
Worauf zu achten:
- Behält jede neue Kohorte besser als die letzte? (Verbesserung = Product wird besser)
- Oder schlechter? (Rückgang = Onboarding wird schlechter oder Product verwässert)
- Wo ist die Klippe? (Woche 1 Abfall von 50% deutet auf Onboarding-Fehler hin; Woche 4 Abfall deutet auf Activation-Problem hin)
💡 Emilys Gedanke: Ich analysierte ein SaaS mit „5% Blended Churn" und fand Monat-1-Nutzer bei 22% churnen. Monat 6 Nutzer: 1%. Das Unternehmen dachte, sie hätten ein Product-Problem. Tatsächlich hatten sie ein Onboarding-Problem – Nutzer wurden besser beim Aktivieren. Völlig anderer Fix.
Segmentiere Churn nach Feature Usage
High-Level Churn-Zahlen verstecken, was Retention tatsächlich tötet.
In GA4, tracke diese Verhaltensweisen:
- Logins in letzten 7 Tagen - Nutzer, die regelmäßig einloggen, churnen selten
- Key Feature Usage - Nutzer, die dein Core Feature nutzen, bleiben; die, die das nicht tun, gehen
- Zeit bis Activation - Nutzer, die am Tag 1 aktivieren vs. Tag 14, haben unterschiedliche Churn-Raten
- Team-Größe (wenn B2B) - Nutzer, die Teammates einladen, churnen weniger
- Data Migration (wenn applicable) - Nutzer, die historische Daten importieren, bleiben länger
Erstelle Custom Events in GA4 für jeden:
// Nutzer hat sich heute angemeldet
gtag('event', 'user_login');
// Nutzer nutzte Core Feature (z.B. ran a report)
gtag('event', 'core_feature_used', {
'feature_name': 'report_generation'
});
// Nutzer lud einen Teammate ein
gtag('event', 'team_member_invited');
Dann baue einen Custom Report:
| Nutzer-Segment | Monatlicher Churn |
|---|---|
| Angemeldet in letzten 7 Tagen | 1% |
| Nicht angemeldet in letzten 7 Tagen | 25% |
| Nutzte Core Feature letzte Woche | 2% |
| Nutzte Core Feature nicht | 18% |
| Aktiviert in ersten 2 Tagen | 3% |
| Aktiviert nach Tag 7 | 12% |
Das sagt dir:
- Logins sind der beste Churn-Vorhersager. Nutzer, die das Einloggen stoppen, churnen.
- Feature Usage ist der zweite Vorhersager. Nutzer, die dein Core Feature ignorieren, sehen keinen Wert.
- Activation-Geschwindigkeit zählt. Schnellere Activation = höhere Retention.
Frühe Warnsignale: Sag Churn voraus, bevor es passiert
Warte nicht, bis jemand kündigt. Fang Churn-Signale 4 Wochen vorher.
Tracke diese Leading Indicators:
- Sinkende Logins - Nutzer hat sich letzte Woche 3x angemeldet, diese Woche 1x
- Feature Usage Rückgang - Nutzer lief 5 Reports im letzten Monat, 1 diesen Monat
- Support Ticket Ton - Nutzer reichte Beschwerde/Frage ein (checke Support-Daten)
- Unvollständiges Onboarding - Nutzer erstellte Account, aber beendete nie Setup
- Kostenloser Plan-Nutzer, der nach Trial nicht upgradete - 30 Tage nach Trial, immer noch kostenlos
Richte Alerts in GA4 ein:
Erstelle einen Custom Report mit Dimensionen und Metriken wie:
- User ID
- Tage seit letztem Login
- Letzten 7-Tage Login-Zähler
- Letzte 30-Tage Feature Usage
- Activation Status (ja/nein)
Exportiere wöchentlich in ein Sheet. Markiere Nutzer mit:
- Null Logins in 14 Tagen
- Feature Usage fiel 80%+
- Activation = falsch nach 30 Tagen
Sende deinem CS-Team eine Liste von At-Risk-Nutzern, um proaktiv zu kontaktieren.
💡 Emilys Gedanke: Proaktive Kontaktaufnahme mit At-Risk-Nutzern reduziert Churn im Durchschnitt um 20–30%. Aber du musst sie erst finden. Die meisten Gründer warten auf die Kündigungsanfrage.
Berechne Kohorten-Churn-Rate (präzise)
Hier ist, wie du Churn-Rate für jede Kohorte wissenschaftlich berechnest.
Monatlicher Kohorten-Churn:
- Nimm die Kohorte von Nutzern, die sich im Januar anmeldeten
- Wie viele waren noch aktiv im Februar? (Das ist deine Januar Kohorte Februar Retention)
- Wie viele waren aktiv im März? (Januar Kohorte März Retention)
- Monatlicher Churn = 100% - Retention Rate
Beispiel:
- Januar Kohorte: 500 Nutzer melden sich an
- Ende Februar: 475 immer noch aktiv (95% Retention, 5% Churn)
- Ende März: 450 immer noch aktiv (90% Retention, 10% Churn)
- Januar's März Churn = 10%
Plot über Zeit:
- Januar Kohorte Churn: 5% Monat 1, 10% Monat 2, 14% Monat 3
- Februar Kohorte Churn: 6% Monat 1, 11% Monat 2, 15% Monat 3
- März Kohorte Churn: 7% Monat 1, 12% Monat 2, 16% Monat 3
Wenn jede Kohorte schlechter churnt als die vorherige Kohorte, wird dein Product weniger sticky. Behebe es sofort.
Häufige Churn-Fehler
Fehler 1: Nur Blended Churn tracken
Du versteckst die echten Probleme, wenn du blendest. Segmentiere immer nach Kohorte, Plan-Typ und Usage-Verhalten.
Fehler 2: Nicht unterscheiden zwischen freiwilligem und unfreiwilligem Churn
Payment-Ausfälle (unfreiwillig) sind anders als Kündigungen (freiwillig). Tracke sie separat. Unfreiwilliger Churn ist normalerweise fixierbar mit besserer Billing-Retry-Logik.
Fehler 3: Kostenloser Nutzer-Churn mit bezahltem Nutzer-Churn verwechseln
Kostenlose Nutzer churnen bei 15%. Bezahlte Nutzer churnen bei 3%. Die Mischung ist nutzlos. Tracke sie separat.
Fehler 4: Nicht nach der Activation-Churn-Korrelation suchen
Activation ist der stärkste Churn-Vorhersager. Nutzer, die im Trial aktivieren, haben 3x niedrigeren Churn als die, die das nicht tun. Mache diese Verbindung in deinen Analytics.
Fehler 5: Auf monatliche Daten warten, um zu handeln
Checke Churn wöchentlich. Eine Kohorte, die am Tag 7 gut aussieht, könnte am Tag 21 hart churnen. Frühe Erkennung = frühere Aktion.
Benchmarks nach SaaS-Typ
| Product-Typ | Gesunder Monatlicher Churn | Schlechter Churn |
|---|---|---|
| Enterprise B2B SaaS | 1–2% | >5% |
| Mid-Market B2B | 2–4% | >8% |
| SMB B2B | 3–5% | >10% |
| B2C SaaS | 4–8% | >15% |
| Freemium/PLG | 8–15% | >25% |
| Mobile App | 10–25% | >40% |
Häufig gestellte Fragen
F: Was ist der größte Churn-Treiber?
A: Activation. Nutzer, die sich nicht in der ersten Woche aktivieren, churnen mit 15x der Rate von denjenigen, die das tun. Behebe Activation zuerst.
F: Sollte ich Churn nach Pricing-Tier segmentieren?
A: Absolut. Pro Plan-Nutzer churnen normalerweise weniger als Starter Plan. Das sagt dir, dass deine höheren Tiers stickier sind (gut für Retention, aber könnte bedeuten, dass Starter zu viel verspricht oder die falsche Zielgruppe bedient).
F: Wie weiß ich, ob sich mein Churn verbessert?
A: Kohorten-Analyse. Wenn Januar's Kohorte bei 8% Monat für Monat churnt und April's Kohorte bei 5%, verbesserst du. Wenn es das Gegenteil ist, degradierst du.
F: Was sollte ich tun, wenn Monat-1-Churn wirklich hoch ist?
A: Schau auf Activation und Feature Usage. 70% der neuen Nutzer loggen sich nach Woche 1 nicht ein? Dein Onboarding ist kaputt. Nutzer loggen sich ein, aber nutzen Core Feature nicht? Product-Clarity-Problem.
F: Wie oft sollte ich Churn checken?
A: MRR wöchentlich (beeinflusst Cash Flow). Churn monatlich (es ist eine Trend-Metrik). Kohorten-Retention vierteljährlich (es bewegt sich langsamer).
Das Bottom Line
Churn ist die Obergrenze deines Wachstums. Blended Churn versteckt Probleme. Segmentiere nach Kohorte, Plan-Typ und Usage-Verhalten. Nutze frühe Warnsignale (sinkende Logins, Feature Usage-Rückgänge), um zu kontaktieren, bevor Nutzer gehen.
Behebe Activation und Onboarding. Das ist, wo 70% von SaaS Churn passiert.
Emily Redmond ist eine Datenanalystin bei Emilytics – KI-Analytics-Agent, der rund um die Uhr deine GA4, Search Console und Bing-Daten beobachtet. 8 Jahre Erfahrung. Sag Hallo →