Cohortanalyse voor SaaS-oprichters: Praktische Gids

Je maart-cohort churnt na 90 dagen op 40 %. Je juni-cohort op 12 %. Zelfde product. Zelfde prijs. Er is iets veranderd — en cohortanalyse is het instrument dat dat verschil zichtbaar maakt.

Cohortanalyse groepeert klanten op aanmelddatum en volgt hun gedrag in de tijd, zodat je ziet welke versies van je product klanten beter vasthouden. Deze gids legt uit hoe cohortanalyse werkt, hoe je er een bouwt vanuit Stripe en hoe je de patronen leest. Lees voor context over waarom churn er überhaupt toe doet eerst de complete gids voor SaaS-churn.

Cohortanalyse voor SaaS-oprichters: Praktische Gids

Een cohortanalyse groepeert klanten op een gedeeld kenmerk, meestal de acquisitiedatum, en volgt een specifiek gedrag (retentie of omzet) in de tijd voor elke groep.

Een cohort = klanten die zich in dezelfde maand (of week, of productversie) hebben aangemeld
De cohortanalyse = welk % van elke cohort nog actief is na 30, 60, 90, 180 dagen

Waarom een cohortanalyse beter is dan geaggregeerde metrics: geaggregeerde retentie verbergt het feit dat je nieuwe cohorten dramatisch kunnen zijn terwijl de oude het gemiddelde overeind houden. Een retentie van 75 % kan betekenen dat elke cohort op 75 % zit, of dat oude cohorten op 90 % zitten en nieuwe op 60 %. Alleen een cohortanalyse legt dat verschil bloot.

Je kunt niet repareren wat je niet ziet. Gebruik cohortanalyse om je algemene retentiepercentage in context te plaatsen.

Hoe ziet een cohorttabel eruit?

Cohort	Maand 0	Maand 1	Maand 2	Maand 3
Jan 2025	100 %	72 %	61 %	55 %
Feb 2025	100 %	68 %	57 %	51 %
Mrt 2025	100 %	81 %	74 %	70 %

Elke rij = een aanmeldcohort. Elke kolom = hoeveel er N maanden later nog betalen.

De maart-cohort is duidelijk sterker: er is iets ten goede veranderd in maart. Misschien een nieuwe onboarding-flow. Misschien is een productbug verholpen. Misschien heeft een blogartikel beter passende klanten aangetrokken. De cohortanalyse brengt de verandering naar de oppervlakte; de oorzaak diagnosticeren is jouw werk.

Dat is wat cohort-retentie in de praktijk betekent: geen geaggregeerd cijfer, maar een tabel die de gezondheid van elke batch klanten in de tijd toont.

Hoe bouw je een cohorttabel vanuit Stripe?

Stap voor stap (minimale versie):

Exporteer klanten met hun created-datum uit Stripe
Exporteer alle invoice.paid-events per klant
Markeer voor elke klant de maanden waarin er betaald is (maand 0 = aanmeldmaand)
Groepeer klanten op aanmeldmaand (cohort)
Bereken het % van elke cohort dat in elke volgende maand betaald heeft

Eerlijke noot: een cohortanalyse handmatig bouwen is bewerkelijk. Stripe biedt deze view niet native, en een spreadsheet stort voorbij de 100 klanten snel in.

Tools die het automatisch doen: NoNoiseMetrics, ChartMogul, Baremetrics. Voor een cohortanalyse-template op Stripe-data, begin bij een basisopzet van het dashboard.

Hoe lees en interpreteer je een cohortanalyse?

Hoe je een cohortanalyse interpreteert: zoek naar deze vier patronen. Deze aanpak sluit aan bij het SaaS Metrics-framework van David Skok — retentiepatronen vertellen meer dan welk afzonderlijk getal dan ook.

De retentieklif (slecht)

Snelle daling in maand 1 (bv. 100 % → 40 %) = activatieprobleem. Klanten meldden zich aan maar zagen de waarde nooit. Ze zeggen niet op uit ontevredenheid: ze zeggen op omdat ze nooit echt begonnen zijn.

Oplossing: onboarding-sequentie, activatiemijlpaal.

Het langzame lek (slecht maar oplosbaar)

Geleidelijke afname: 100 % → 85 % → 72 % → 61 %. Constante churn zonder bodem. Vermoedelijk een product-market-fit-probleem of concurrerende alternatieven die je positie uithollen.

Oplossing: exit-surveys, analyse van feature-gaps. Maar dit duurt langer — je vecht tegen productdrift.

De glimlachcurve (goed)

Sterke daling vroeg, daarna plateau: 100 % → 65 % → 60 % → 59 %. Klanten die maand 1 overleven blijven vrijwel onbeperkt. Dit is het patroon dat je wilt. Je churnprobleem is een activatieprobleem, geen retentieprobleem — veel makkelijker te repareren.

Oplossing: maand-1-activatie verbeteren. Alles stroomafwaarts verbetert automatisch.

Verbeterende cohorten (uitstekend)

Elke nieuwere cohort houdt beter vast dan de vorige. Maart > februari > januari. Iets dat je veranderd hebt werkt, en cohortanalyse is de enige plek waar dat signaal zichtbaar wordt.

Dit is het signaal om achteraan te jagen: vind de verandering en verdubbel je inzet. Houd een kort logboek bij van wat je in de afgelopen 30 dagen aan het product, de communicatie of de onboarding hebt geraakt — patroonherkenning wordt veel makkelijker als je veranderingen naast de tabel hebt staan in plaats van te moeten reconstrueren uit het geheugen.

Omzetcohort vs klantcohort

Hetzelfde concept, andere meeteenheid:

Metriek	Wat het meet	Wanneer gebruiken
Klantcohort	% klanten nog actief	Uniforme prijzen
Omzetcohort	% van start-MRR nog betaald	Mix van prijsplannen

Omzetcohortanalyse is nuttiger als je meerdere prijsniveaus hebt. Het laat zien of je hoogwaardigste klanten sneller of langzamer churnen dan gemiddeld — een totaal andere diagnostische vraag.

Omzetcohorttabel: concreet voorbeeld

Cohort	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 %	—	—
Dec 2025	€ 5.100	93 %	89 %	86 %	—	—	—
Jan 2026	€ 4.600	90 %	84 %	—	—	—	—
Feb 2026	€ 3.200	87 %	—	—	—	—	—
Mrt 2026	€ 4.900	94 %	—	—	—	—	—

De cohorten van december en maart houden duidelijk beter vast dan de andere. Dat is je signaal om te onderzoeken: wat is er veranderd? Heb je het pricing aangepast? Een nieuwe onboarding-flow uitgerold? Andere acquisitiekanalen geprioriteerd? De cohortanalyse legt de afwijking bloot; jouw werk is de oorzaak vinden, te repliceren en daarna te controleren of de verbetering meerdere maanden standhoudt of een eenmalig seizoenseffect was.

Omzetcohorten onthullen wat klantcohorten verbergen: of je hoogwaardige klanten sneller of langzamer churnen dan goedkopere. Als je klanten van € 99/maand sneller weggaan dan die van € 19/maand, heb je een waardefit-probleem aan de bovenkant van je pricing. Het product levert genoeg waarde voor € 19, maar niet genoeg om € 99 te rechtvaardigen. De fix is niet “minder churn”, maar “waardepropositie van het beste plan herstellen” — eventueel met aanvullende functies of een duidelijker uitkomst die het premium-niveau draagt.

Voor een diepere blik, zie NRR: Netto Omzetbehoud voor Bootstrappers.

Wanneer cohortanalyse je beslissingen verandert

Cijfers zijn interessant. Beslissingen zijn nuttig. Hier komt het moment waarop een cohortanalyse echt verandert wat je doet.

1. Een onboarding-experiment valideren

Je hebt onboarding in februari herzien. Je maart-cohort laat 81 % maand-1-retentie zien, tegen 72 % in januari en februari. Dat is geen ruis: het zijn 9 punten in het meest kritieke retentievenster. Cohortanalyse isoleert dat experiment van de rest van het ruis. Verdubbel je inzet op de nieuwe onboarding en blijf eraan schaven — twijfel niet en wacht niet op “meer data”.

2. Kanaalkwaliteit meten

Je organische cohorten houden 85 % vast in maand 3. Je betaalde cohorten 55 %. Zelfde product, zelfde prijs, zelfde onboarding — totaal verschillende uitkomsten. Het verschil zit in de kwaliteit van de doelgroep. Ads brengen nieuwsgierigen die nog niet beslist hadden; SEO brengt mensen die al actief naar een oplossing zochten en sneller geactiveerd raken.

Dat betekent niet “stop met paid”. Het betekent of de targeting aanscherpen (smaller publiek, scherpere copy) of accepteren dat betaalde acquisitie een ingebouwde retentieboete draagt en de CAC daarop prijzen.

3. De impact van een prijswijziging lezen

Je hebt prijzen in januari verhoogd. Als de januari-cohort minstens net zo goed vasthoudt als die van december, heeft de hogere prijs beter passende klanten geselecteerd — mensen die genoeg waarde zagen om meer te betalen, en die met grotere waarschijnlijkheid hun kaart bij de eerste verlenging vernieuwen. Als de retentie zakt, heeft de verhoging meer prijsgevoelige klanten aangetrokken die vanaf het begin minder gecommitteerd waren en bij het eerste wrijvingspunt afhaakten. In beide gevallen maakt een cohortanalyse het oordeel leesbaar — en het is precies die tabel die je kunt gebruiken om de beslissing in een board-update of investeerdersgesprek te onderbouwen.

Een cohortanalyse verandert een prijswijziging van een gok in een gemeten experiment.

Het verschil tussen geaggregeerde retentie en cohortanalyse is hetzelfde als het verschil tussen omzetschurn en klantchurn — de een verbergt het verhaal, de ander vertelt het.

Geavanceerde cohortanalyse

Zodra je een basistabel kunt lezen, segmenteer hem. Zoals de 16 SaaS Metrics van a16z benadrukt, gaan de beste operators voorbij topline-cijfers en duiken ze in cohortgedrag. Een gesegmenteerde cohortanalyse is waar de echte diagnostische waarde zit:

Per acquisitiekanaal: organisch vs paid vs referral. Welk kanaal brengt klanten die blijven?
Per prijsplan: maandelijks vs jaarlijks. Jaarplannen tonen vrijwel altijd betere retentie.
Per bedrijfsgrootte (in B2B): churnen mkb sneller dan mid-market?
Per klantsegment: groepeer op gedrag, plan of use case om te zien welke segmenten het best vasthouden.

Doel: het cohortsegment met de beste retentie vinden en dan uitzoeken wat die klanten anders maakt. Dat is je ideale acquisitiedoelgroep. Voer deze gesegmenteerde cohortanalyse elk kwartaal uit, en je acquisitiestrategie schrijft zichzelf bijna.

FAQ

Waar wordt cohortanalyse voor gebruikt in SaaS?

In SaaS meet cohortanalyse de klantretentie in de tijd voor groepen die zich in dezelfde periode aanmeldden. Het onthult of productverbeteringen de retentie daadwerkelijk verbeteren, en welke acquisitiekanalen de meest loyale klanten brengen. Het is een diagnostisch instrument, geen rapportage-instrument.

Hoeveel klanten heb ik nodig voor cohortanalyse?

Met 30–50 klanten per cohort kun je al trends zien in je cohortanalyse. Daaronder fluctueren de cijfers te veel. Heb je minder volume, groepeer dan per kwartaal in plaats van per maand, zodat elke cohort statistisch bruikbaar blijft.

Hoe vaak moet ik een cohortanalyse uitvoeren?

Maandelijks is de standaardcadans voor de meeste bootstrapped SaaS-producten. Doe je significante productwijzigingen, voer dan wekelijks een cohortanalyse uit om sneller de impact op recente cohorten te zien. Voor volwassen SaaS volstaat een kwartaalherziening van de cohortanalyse om structurele patronen te ontdekken, maar snelle iteratiebeslissingen vereisen maandelijkse data — en bij een lopend product- of pricing-experiment ga je tijdelijk naar wekelijks.

Wat is het verschil tussen cohortanalyse en retentiepercentage?

Het retentiepercentage is een enkel geaggregeerd getal. Cohortanalyse is een tabel die retentie voor meerdere groepen over meerdere periodes laat zien. Een cohortanalyse laat je zien welke klanten je percentage omhoog of omlaag duwen. Het algemene cijfer kan stabiel ogen terwijl je nieuwere cohorten verslechteren — alleen de cohortanalyse maakt die verslechtering zichtbaar.

Heb ik een data-team nodig voor cohortanalyse?

Nee. Een spreadsheet kan een basis-cohortanalyse aan als je Stripe-data kunt exporteren. Tools als NoNoiseMetrics of ChartMogul bouwen de cohortanalyse automatisch. Het rekenwerk is simpel; het is de data-extractie die handmatig bewerkelijk wordt zodra je voorbij de honderd klanten gaat.

Wat is een goede maand-1-retentie in een cohortanalyse?

Voor B2B SaaS is een maand-1-retentie boven 80 % sterk. Tussen 65 % en 80 % is werkbaar maar duidt op een onboarding-gat. Onder 65 % betekent dat de meeste klanten nooit genoeg waarde ervaarden om opnieuw te betalen. In je cohortanalyse is dat een activatieprobleem, geen retentieprobleem.

Hoe combineer ik cohortanalyse en NRR?

Cohortanalyse laat zien welke groepen behouden blijven. NRR vertelt je of je bestaande klantenbasis in omzet groeit of krimpt. Samen beantwoorden ze: behouden nieuwere cohorten goed genoeg om de groei te ondersteunen? Als NRR onder 100 % is en je cohortanalyse maand na maand dalende retentie laat zien, heb je een samenstellend probleem. Zie de NRR-gids voor bootstrappers.

Wat is cohortanalyse?

Cohortanalyse groepeert klanten op aanmelddatum (of een ander gedeeld kenmerk) en volgt hun gedrag in de tijd. Het onthult of nieuwere cohorten beter behouden blijven dan oudere, en helpt je de echte impact van productwijzigingen op langetermijnretentie te meten. In tegenstelling tot geaggregeerde retentiecijfers laat een cohortanalyse de baan van elke groep apart zien, zodat je kunt zien of je product beter wordt in het vasthouden van mensen, of slechter.

Je cohortanalyse zit verstopt in je Stripe-data. NoNoiseMetrics bouwt de cohortanalyse automatisch — je ziet welke cohorten lekken en welke vasthouden. Gratis tot € 10k MRR →

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