Wie du Kohort-Analyse für SaaS in GA4 machst
Von Emily Redmond, Datenanalystin bei Emilytics · April 2026
TL;DR: Kohorten-Analyse gruppiert Nutzer nach Sign-up-Datum und trackt ihr Verhalten über Zeit. Blended Retention versteckt Wahrheit. GA4 Retention Tool zeigt Kohorten Curves – nutze es wöchentlich.
Kohorten-Analyse ist die wichtigste einzelne Analytics-Fähigkeit für SaaS-Gründer.
Dein Blended Churn ist 5%. Deine Kohorten-Analyse zeigt: Januar Kohorte churnt bei 8%, April Kohorte bei 3%. Welches Problem ist real? Beide. Aber sie erfordern unterschiedliche Fixes.
Blended Metriken verstecken die Wahrheit. Kohorten-Analyse offenbart sie.
Hier ist, wie du Kohorten-Analyse in GA4 läufst und was mit den Einsichten zu tun.
Was ist Kohorten-Analyse?
Eine Kohorte = eine Gruppe von Nutzern, die etwas gemeinsam haben (normalerweise Sign-up-Datum).
Kohorten-Analyse vergleicht, wie verschiedene Kohorten sich über Zeit verhalten.
Beispiel:
- Januar Kohorte: 100 Nutzer meldeten sich im Januar an
- Februar Check: Wie viele sind immer noch aktiv? (95 Nutzer = 95% Retention)
- März Check: Wie viele sind immer noch aktiv? (88 Nutzer = 88% Retention)
- April Check: Wie viele sind immer noch aktiv? (80 Nutzer = 80% Retention)
Wenn jede Kohorte diesem Muster folgt (95% → 88% → 80%), ist dein Product konsistent sticky. Gut.
Wenn Januar Kohorte 95% → 88% → 80% ist, aber Mai Kohorte 85% → 70% → 55%, wird dein Product weniger sticky. Rot Flag.
Wie du Kohorten-Analyse in GA4 läufst
Schritt 1: Navigiere zum Retention Report
- Gehe zu deiner GA4-Property
- Klicke Explore (unten links)
- Wähle Retention (aus Template-Liste)
Schritt 2: Richte die Retention Matrix ein
Der Report fragt dich drei Fragen:
-
„Was willst du messen?" → Wähle „Daily Active Users" oder erstelle Custom Metric
- Für SaaS: „active_accounts" (Nutzer, die sich angemeldet haben)
- Daily ist zu noisy; nutze Weekly
-
„Was ist die Kohorten-Dimension?" → Wähle „First User Source Date" oder „Acquisition Date"
- Das gruppiert Nutzer nach Sign-up-Datum
-
„Was ist die Retention Dimension?" → Wähle „Days Since First Event" oder „Weeks Since First Event"
- Für SaaS: Nutze Weeks
Schritt 3: Lies die Retention Matrix
Du siehst:
| Akquisitions-Woche | Woche 0 | Woche 1 | Woche 2 | Woche 4 | Woche 8 | Woche 12 |
|---|---|---|---|---|---|---|
| Woche 1 | 100% | 45% | 35% | 28% | 22% | 18% |
| Woche 2 | 100% | 48% | 40% | 31% | 25% | 20% |
| Woche 3 | 100% | 52% | 42% | 34% | 27% | 22% |
| Woche 4 | 100% | 50% | 41% | 33% | 26% | 21% |
Wie man das liest:
- Erste Spalte (Woche 0) ist immer 100% (am Tag 0 ist jeder aktiv)
- Jede Reihe ist eine andere Kohorte (Akquisitions-Woche)
- Jede Spalte ist Zeit seit Akquisition
- Die Prozentanteile sind Retention-Raten
Beispiel: Woche 1 Kohorte, Woche 4 Check = 28% Retention. Das bedeutet 72% der Nutzer aus Woche 1 churnen bis Woche 4.
💡 Emilys Gedanke: Das ist der wichtigste Report, den du je anschauen wirst. Es zeigt dir, ob dein Product sich verbessert (neuere Kohorten halten besser) oder degradiert (neuere Kohorten halten schlechter). Checke es wöchentlich.
Was in Kohorten-Analyse zu suchen
Muster 1: Verbessern Kohorten (Gut)
| Woche | Woche 0 | Woche 4 | Woche 8 |
|---|---|---|---|
| Jan | 100% | 28% | 22% |
| Feb | 100% | 32% | 26% |
| Mär | 100% | 35% | 30% |
| Apr | 100% | 38% | 34% |
Was das bedeutet: Neuere Kohorten halten besser. Dein Product wird stickier. Dein Onboarding verbessert.
Was zu tun: Behalte, was du tust. Dokumentiere die Änderungen, die du gemacht hast (Onboarding Videos, In-App Guidance, etc.) so dass du sie verdoppeln kannst.
Muster 2: Degradieren Kohorten (Schlecht)
| Woche | Woche 0 | Woche 4 | Woche 8 |
|---|---|---|---|
| Jan | 100% | 38% | 34% |
| Feb | 100% | 35% | 31% |
| Mär | 100% | 32% | 28% |
| Apr | 100% | 28% | 24% |
Was das bedeutet: Neuere Kohorten halten schlechter. Dein Product wird weniger sticky. Entweder dein Onboarding wird schlechter, oder du akquirierst die falschen Nutzer.
Was zu tun: Untersuche. Hast du Onboarding geändert? Hast du Marketing Messaging geändert? Revertiere zu, was funktionierte und behebe das echte Problem.
Muster 3: Cliff Kohorte (Product/Feature Problem)
| Woche | Woche 0 | Woche 1 | Woche 2 | Woche 3 | Woche 4 |
|---|---|---|---|---|---|
| Woche 1 | 100% | 50% | 40% | 35% | 30% |
| Woche 2 | 100% | 50% | 40% | 35% | 30% |
| Woche 3 | 100% | 50% | 40% | 35% | 30% |
| Woche 4 | 100% | 15% | 10% | 8% | 6% |
Was das bedeutet: Woche 4 Kohorte hat eine Klippe. Etwas brach diese Woche. Hast du einen Bug deployed? Hast du ein Feature entfernt? Hast du Pricing geändert?
Was zu tun: Checke dein Deploy Log für diese Woche. Identifiziere die Änderung und revertiere oder behebe sie.
Verhaltens-Kohorten: Beyond Sign-up Date
Kohorten-Analyse ist nicht nur über Sign-up-Datum. Du kannst auch nach Verhalten kohorieren.
Beispiel: Aktivierungs-Kohorten
| Kohorte | Retention bei Woche 4 |
|---|---|
| Nutzer, die in ersten 2 Tagen aktivierten | 45% |
| Nutzer, die Tage 3–7 aktivierten | 25% |
| Nutzer, die nach Tag 7 aktivierten | 8% |
| Nutzer, die nie aktivierten | 2% |
Einsicht: Schnellere Activation = niedrigerer Churn. Nutzer, die in ersten 2 Tagen aktivieren, churnen bei 55%. Nutzer, die nie aktivieren, churnen bei 98%.
Aktion: Konzentriere dich auf Onboarding, um mehr Nutzer in die „aktivierte in ersten 2 Tagen"-Kohorte zu bekommen.
Wie man das in GA4 einrichtet:
- Erstelle eine Custom User Property für
activation_speed(keine, 1–2 Tage, 3–7 Tage, 7+ Tage) - Führe Retention Report aus, segmentiere nach
activation_speed - Vergleiche Retention Curves
Analysiere Kohorten-Churn-Rate (Month-over-Month)
Retention Prozentsatz ist nützlich, aber Churn Rate ist umsetzbar.
Berechne Month-over-Month Churn für jede Kohorte:
Januar Kohorte:
- Woche 0: 100% aktiv
- Woche 1: 45% aktiv = 55% Churn
- Woche 2: 35% aktiv = 22% Churn von Woche 1 (35÷45)
- Woche 3: 28% aktiv = 20% Churn von Woche 2 (28÷35)
- Woche 4: 22% aktiv = 21% Churn von Woche 3 (22÷28)
Blended Churn: (100 - 22) ÷ 100 = 78% by Woche 4
Kohorten-Churn-Rate: Woche 1 = 55%, Woche 2 = 22%, Woche 3 = 20%, Woche 4 = 21%
Die Kohorten-Churn-Rate zeigt dir, wo Nutzer fallen. Wenn Woche 1 Churn 55% ist, aber Woche 4 ist 20%, das ist Onboarding-Fehler, nicht Product-Fehler.
Häufige Fehler in Kohorten-Analyse
Fehler 1: Nicht auf Kohorten-Analyse schauen
Du schaust wahrscheinlich nur auf Blended Retention. Das versteckt alles. Fang an, Kohorten wöchentlich zu schauen.
Fehler 2: Retention mit Wachstum verwechseln
95% Retention klingt gut. Aber wenn du 100 Nutzer hattest und 95 behieltest, hast du 95 Nutzer (Wachstumsrate = 0%). Für SaaS willst du, dass Retention % hoch ist und absolute Nutzeranzahl wächst.
Fehler 3: Kohorten mit verschiedenen Größen vergleichen
Januar Kohorte: 500 Nutzer. März Kohorte: 100 Nutzer. Vergleiche nicht ihre absolute Retention – vergleiche Prozentanteile.
Fehler 4: Saisonalität nicht berücksichtigen
Deine Januar Kohorte könnte niedrigere Retention haben, weil sie Urlaubsnutzer sind, die im Februar churnen. Deine Mai Kohorte könnte höhere Retention haben, weil sie ernsthafte Sommernutzer sind. Suche nach Mustern, nicht einzelnen Anomalien.
Fehler 5: Nicht Klippen untersuchen
Wenn Woche 4 Kohorte eine Klippe hat, ignoriere sie nicht. Das ist ein Real Problem.
Das Bottom Line
Kohorten-Analyse offenbart, wie dein Product verbessert oder degradiert. Checke es wöchentlich. Wenn neuere Kohorten schlechtere Retention haben, behebe dein Onboarding oder dein Targeting sofort.
Blended Metriken lügen. Kohorten erzählen die Wahrheit.
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 →