Kohorten-Analyse für SaaS-Gründer: Praxis-Leitfaden

Deine März-Kohorte churnt innerhalb von 90 Tagen zu 40 %. Deine Juni-Kohorte zu 12 %. Gleiches Produkt. Gleicher Preis. Irgendetwas hat sich verändert — und die Kohorten-Analyse ist das Werkzeug, das diesen Unterschied sichtbar macht.

Die Kohorten-Analyse gruppiert Kunden nach Anmeldedatum und verfolgt ihr Verhalten über die Zeit, damit du siehst, welche Versionen deines Produkts Kunden halten. Dieser Leitfaden erklärt, wie eine Kohorten-Analyse funktioniert, wie du sie aus Stripe baust und wie du die Muster liest. Warum Churn überhaupt wichtig ist, liest du im vollständigen Leitfaden zum SaaS-Churn.

Kohorten-Analyse für SaaS-Gründer: Retention ohne Data-Team lesen

Die Kohorten-Analyse gruppiert Kunden nach einem gemeinsamen Merkmal, meist dem Akquisitionsdatum, und verfolgt ein bestimmtes Verhalten (wie Retention oder Umsatz) über die Zeit für jede Gruppe.

Eine Kohorte = Kunden, die im gleichen Monat (oder in der gleichen Woche, oder mit der gleichen Produktversion) abonniert haben
Die Kohorten-Analyse = welcher % jeder Kohorte ist nach 30, 60, 90, 180 Tagen noch aktiv

Warum die Kohorten-Analyse aggregierte Metriken schlägt: aggregierte Retention versteckt die Tatsache, dass deine neuen Kohorten katastrophal sein können, während alte den Durchschnitt oben halten. Eine Gesamtretention von 75 % kann bedeuten, dass jede Kohorte zu 75 % retentiert — oder dass alte Kohorten zu 90 % halten und neue auf 60 % einbrechen. Nur die Kohorten-Analyse legt diese Lücke offen.

Verwende die Kohorten-Analyse, um deine Gesamtretentionsrate im Kontext zu lesen.

Wie sieht eine Kohorten-Tabelle aus?

Kohorte	Monat 0	Monat 1	Monat 2	Monat 3
Jan. 2025	100 %	72 %	61 %	55 %
Feb. 2025	100 %	68 %	57 %	51 %
Mrz. 2025	100 %	81 %	74 %	70 %

Jede Zeile = eine Anmelde-Kohorte. Jede Spalte = wie viele N Monate später noch zahlen.

Die März-Kohorte ist sichtbar stärker — etwas hat sich im März zum Besseren verändert. Vielleicht ein neuer Onboarding-Flow. Vielleicht ein behobener Produkt-Bug. Vielleicht ein Blogartikel, der besser passende Kunden angezogen hat. Die Kohorten-Analyse bringt die Veränderung an die Oberfläche; die Ursache zu diagnostizieren bleibt deine Aufgabe.

Genau das bedeutet Kohorten-Retention in der Praxis: keine Aggregatszahl, sondern eine Kohorten-Analyse-Tabelle, die die Gesundheit jeder Kunden-Charge über die Zeit zeigt.

Wie baut man eine Kohorten-Tabelle aus Stripe?

Schritt für Schritt (Minimal-Version):

Exportiere Kunden mit ihrem created-Datum aus Stripe
Exportiere alle invoice.paid-Events pro Kunde
Markiere für jeden Kunden die Monate, in denen er gezahlt hat (Monat 0 = Anmeldemonat, Monat 1 = ein Monat später)
Gruppiere Kunden nach Anmeldemonat (Kohorte)
Berechne den % jeder Kohorte, der in jedem Folgemonat gezahlt hat

Ehrliche Anmerkung: Eine Kohorten-Analyse manuell zu bauen ist mühsam. Stripe bietet diese Sicht nicht nativ, und ein Spreadsheet bricht jenseits von 100 Kunden schnell zusammen.

Tools, die das automatisch machen: NoNoiseMetrics, ChartMogul, Baremetrics. Für eine Kohorten-Tabelle aus Stripe-Daten startest du mit einem grundlegenden Dashboard-Setup.

Eine Kohorten-Analyse lesen und interpretieren

Wie man eine Kohorten-Analyse interpretiert: Suche nach diesen vier Mustern. Dieser Ansatz deckt sich mit David Skoks SaaS-Metrics-Framework — Retention-Muster sagen mehr als jede einzelne Zahl.

Die Retention-Klippe (schlecht)

Schneller Drop in Monat 1 (z. B. 100 % → 40 %) = Aktivierungsproblem. Die Kunden haben sich angemeldet, aber den Wert nie gesehen. Sie kündigen nicht aus Unzufriedenheit, sondern weil sie nie wirklich gestartet sind.

Korrektur: Onboarding-Sequenz, Aktivierungs-Meilenstein.

Das langsame Leck (schlecht, aber behebbar)

Stetiger Rückgang: 100 % → 85 % → 72 % → 61 %. Konstanter Churn ohne Boden. Wahrscheinlich ein Product-Market-Fit-Problem oder konkurrierende Alternativen, die deine Position erodieren.

Korrektur: Exit-Surveys, Lückenanalyse von Features. Aber das dauert länger — du kämpfst gegen Produktdrift.

Die Lächelkurve (gut)

Steiler Drop früh, dann Abflachung: 100 % → 65 % → 60 % → 59 %. Kunden, die Monat 1 überleben, bleiben fast ewig. Das ist das Muster, das du willst. Dein Churn-Problem ist ein Aktivierungsproblem, kein Retention-Problem — was viel leichter zu lösen ist.

Korrektur: Aktivierung in Monat 1 verbessern. Alles andere verbessert sich automatisch.

Verbessernde Kohorten (ausgezeichnet)

Jede neuere Kohorte retentiert besser als die vorherige. März > Februar > Januar. Etwas, das du geändert hast, funktioniert — und die Kohorten-Analyse ist der einzige Ort, an dem dieses Signal sichtbar wird.

Das ist das Signal, dem du folgen sollst: finde die Veränderung und verdoppele den Einsatz. Notiere parallel, was du in den letzten 30 Tagen am Produkt, an der Kommunikation oder am Onboarding angefasst hast — die Mustererkennung wird viel einfacher, wenn du die Veränderungen neben der Tabelle stehen hast statt im Gedächtnis zu graben.

Umsatz-Kohorte vs. Kunden-Kohorte

Gleiches Konzept, andere Mess-Einheit:

Metrik	Was sie verfolgt	Wann verwenden
Kunden-Kohorte	% der Kunden noch aktiv	Einheitliches Pricing
Umsatz-Kohorte	% des Start-MRR noch bezahlt	Gemischte Pricing-Pläne

Die Umsatz-Kohorten-Analyse ist nützlicher, wenn du mehrere Preisstufen hast. Sie zeigt, ob deine wertvollsten Kunden schneller oder langsamer als der Durchschnitt churnen — eine völlig andere diagnostische Frage.

Umsatz-Kohorten-Tabelle: konkretes Beispiel

Kohorte	Start-MRR	M1	M2	M3	M4	M5	M6
Okt. 2025	4 200 €	91 %	85 %	82 %	80 %	79 %	78 %
Nov. 2025	3 800 €	88 %	80 %	74 %	71 %	—	—
Dez. 2025	5 100 €	93 %	89 %	86 %	—	—	—
Jan. 2026	4 600 €	90 %	84 %	—	—	—	—
Feb. 2026	3 200 €	87 %	—	—	—	—	—
Mrz. 2026	4 900 €	94 %	—	—	—	—	—

Die Dezember- und März-Kohorten retentieren deutlich besser als die anderen. Das ist dein Signal, zu untersuchen: Was hat sich geändert? Hast du das Pricing angepasst? Einen neuen Onboarding-Flow ausgeliefert? Andere Akquise-Kanäle priorisiert? Die Kohorten-Analyse bringt die Anomalie an die Oberfläche; deine Aufgabe ist es, die Ursache zu finden und zu replizieren — und auch zu prüfen, ob die Verbesserung über mehrere Folgemonate hält oder ob sie nur ein einmaliger Mix-Effekt aus saisonaler Nachfrage war.

Umsatz-Kohorten zeigen, was Kunden-Kohorten verbergen: ob hochpreisige Kunden schneller oder langsamer churnen als günstige. Wenn deine 99 €/Monat-Kunden schneller gehen als deine 19 €/Monat-Kunden, hast du ein Wert-Fit-Problem oben im Pricing. Das Produkt liefert genug Wert für 19 €, aber nicht genug, um 99 € zu rechtfertigen. Der Fix ist nicht „weniger Churn” — der Fix ist „Wertversprechen des besten Plans wiederherstellen”, möglicherweise mit zusätzlichen Funktionen oder einem klareren Outcome, das die Premium-Stufe trägt.

Für einen tieferen Blick darauf, wie Umsatzretention deine Geschäftsgesundheit beeinflusst, lies NRR: Netto-Umsatzbindung für Bootstrapper.

Wann die Kohorten-Analyse deine Entscheidungen verändert

Zahlen sind interessant. Entscheidungen sind nützlich. Hier kommt der Punkt, an dem eine Kohorten-Analyse wirklich verändert, was du tust.

1. Ein Onboarding-Experiment validieren

Du hast das Onboarding im Februar überarbeitet. Deine März-Kohorte zeigt 81 % Monat-1-Retention, gegenüber 72 % in Januar und Februar. Das ist kein Rauschen — das sind 9 Punkte mehr im kritischsten Retention-Fenster. Die Kohorten-Analyse isoliert genau dieses Experiment vom Rest und macht den Effekt sauber sichtbar. Verdoppele den Einsatz auf den neuen Onboarding-Flow und feile weiter daran.

2. Kanalqualität messen

Deine organischen Kohorten halten 85 % im Monat 3. Deine bezahlten Kohorten halten 55 % im Monat 3. Gleiches Produkt, gleicher Preis, gleiches Onboarding — komplett unterschiedliche Retention. Der Unterschied liegt in der Audience-Qualität: Ads bringen neugierige Klicks, organischer Traffic bringt Leute, die schon nach einer Lösung gesucht haben.

Das heißt nicht „Paid stoppen”. Es heißt entweder das Targeting verschärfen (engere Audience, qualifizierende Copy) oder akzeptieren, dass Paid eine eingebaute Retention-Strafe trägt — und den CAC entsprechend anpassen.

3. Die Wirkung einer Preiserhöhung lesen

Du hast die Preise im Januar erhöht. Wenn die Januar-Kohorte mindestens so gut hält wie die Dezember-Kohorte, hat der höhere Preis besser passende Kunden ausgewählt — Leute, die genug Wert sehen, um mehr zu zahlen, und die mit höherer Wahrscheinlichkeit ihre Karten beim ersten Renewal aktualisieren. Wenn die Retention sinkt, hat die Erhöhung preissensiblere Kunden angezogen, die von Anfang an weniger committed waren und beim ersten Reibungspunkt absprangen. In beiden Fällen macht die Kohorten-Analyse das Urteil lesbar.

Eine Kohorten-Analyse verwandelt eine Preisänderung von einer Vermutung in ein gemessenes Experiment — und genau dieser Befund ist es, mit dem du die Entscheidung im Board-Update verteidigst.

Der Unterschied zwischen aggregierter Retention und einer Kohorten-Analyse ist wie der Unterschied zwischen Umsatz-Churn und Kunden-Churn — eines verbirgt die Geschichte, das andere erzählt sie.

Fortgeschrittene Kohorten-Analyse

Sobald du eine einfache Kohorten-Analyse lesen kannst, segmentiere sie. Wie a16z’ 16 SaaS-Metriken betont, gehen die besten Operatoren über Top-Line-Zahlen hinaus und steigen ins Verhalten auf Kohortenebene ab. Eine segmentierte Kohorten-Analyse ist, wo der echte diagnostische Wert liegt:

Nach Akquisitionskanal: organisch vs. paid vs. Referral. Welcher Kanal bringt Kunden, die bleiben?
Nach Pricing-Plan: monatlich vs. jährlich. Jahrespläne zeigen fast immer bessere Retention.
Nach Unternehmensgröße (bei B2B): churnen KMUs schneller als der Mid-Market?
Nach Kundensegment: gruppiere Kunden nach Verhalten, Plan oder Use Case, um Segmente mit der besten Retention sichtbar zu machen.

Ziel: das Kohortensegment mit der besten Retention finden und dann verstehen, was diese Kunden ausmacht. Das ist dein ideales Akquisitionsziel. Lass diese Kohorten-Analyse vierteljährlich laufen, und deine Akquise-Strategie schreibt sich fast von selbst.

FAQ

Wofür wird Kohorten-Analyse in SaaS verwendet?

In SaaS misst die Kohorten-Analyse die Kundenretention über die Zeit für Gruppen, die in der gleichen Periode angemeldet haben. Sie zeigt, ob neue Produktverbesserungen die Retention tatsächlich verbessern, und welche Akquisitionskanäle die loyalsten Kunden bringen. Die Kohorten-Analyse ist ein diagnostisches Werkzeug, kein reines Reporting — sie sagt dir, warum die Retention sich bewegt, nicht nur in welche Richtung.

Wie oft sollte ich eine Kohorten-Analyse durchführen?

Monatlich ist Standard für die meisten bootstrappten SaaS-Produkte. Bei signifikanten Produktänderungen lohnt sich eine wöchentliche Kohorten-Analyse, um den Effekt auf neue Kohorten schneller zu sehen. Bei reiferen SaaS reicht eine vierteljährliche Kohorten-Analyse aus, um strukturelle Muster zu erkennen.

Was ist der Unterschied zwischen Kohorten-Analyse und Retentionsrate?

Die Retentionsrate ist eine einzelne aggregierte Zahl. Die Kohorten-Analyse ist eine Tabelle, die Retention für mehrere Gruppen über mehrere Zeiträume zeigt. Eine Kohorten-Analyse zeigt dir, welche Kunden deine Retention nach oben oder unten ziehen. Die Gesamtrate kann stabil aussehen, während neuere Kohorten sich verschlechtern — die Kohorten-Analyse macht diese Verschlechterung sichtbar.

Benötige ich ein Data-Team für die Kohorten-Analyse?

Nein. Eine Tabellenkalkulation kann eine einfache Kohorten-Analyse durchführen, sofern du Stripe-Daten exportieren kannst. Tools wie NoNoiseMetrics oder ChartMogul erstellen die Kohorten-Analyse automatisch.

Geht eine Kohorten-Analyse im Spreadsheet?

Ja, aber eine Kohorten-Analyse im Spreadsheet ist mühsam. Exportiere Stripe-Kunden nach Anmeldemonat, gleiche sie mit bezahlten Rechnungen ab und berechne die Retention manuell. Bei 50 Kunden geht’s; ab 200 wird das Abgleichen von Rechnungen und Anmeldedaten über mehrere Monate hinweg schnell fehleranfällig. Tools wie NoNoiseMetrics bauen die Kohorten-Analyse direkt aus Stripe — bei jedem Sync aktualisiert, ohne SQL und ohne manuelles Pflegen einer Tabellenkalkulation.

Was ist eine gute Monat-1-Retention in der Kohorten-Analyse?

Für B2B-SaaS ist eine Monat-1-Retention über 80 % stark. Zwischen 65–80 % ist tragfähig, weist aber auf eine Onboarding-Lücke hin. Unter 65 % bedeutet, dass die meisten Kunden nie genug Wert erlebt haben — ein Aktivierungsproblem, kein Retention-Problem. In der Kohorten-Analyse liegt der Fix in der First-Run-Erfahrung, nicht in der Roadmap.

Wie kombiniere ich Kohorten-Analyse mit NRR?

Die Kohorten-Analyse zeigt, welche Gruppen retentieren. NRR sagt, ob deine bestehende Kundenbasis in Umsatz wächst oder schrumpft. Zusammen beantworten Kohorten-Analyse und NRR: Halten neuere Kohorten gut genug, um die Wachstumsrate zu tragen? Wenn NRR unter 100 % liegt und die Kohorten-Analyse Monat für Monat sinkende Retention zeigt, hast du ein kumulatives Problem. Siehe den NRR-Leitfaden für Bootstrapper.

Was ist eine Kohorten-Analyse?

Eine Kohorten-Analyse gruppiert Kunden nach Anmeldedatum (oder einem anderen gemeinsamen Merkmal) und verfolgt ihr Verhalten über die Zeit. Sie zeigt, ob neuere Kohorten besser halten als ältere, und hilft dir, die reale Auswirkung von Produktänderungen auf die langfristige Retention zu messen. Anders als aggregierte Retention-Raten zeigt eine Kohorten-Analyse den Verlauf jeder Kundengruppe separat — du siehst, ob dein Produkt besser oder schlechter darin wird, Kunden zu halten. Die Kohorten-Analyse beantwortet damit die einzige Frage, die für die Retention wirklich zählt: Wird das Produkt von Charge zu Charge besser oder schlechter?

Deine Kohorten-Analyse versteckt sich in deinen Stripe-Daten. NoNoiseMetrics baut die Kohorten-Analyse automatisch — du siehst, welche Kohorten lecken und welche halten. Kostenlos bis 10 k€ MRR →

Quellen: OpenView 2024 SaaS Benchmarks, Bessemer State of the Cloud 2024, David Skok. SaaS Metrics 2.0, a16z, 16 Startup Metrics