Większość firm skupia się na pozyskiwaniu nowych klientów – i słusznie, bo bez nowych klientów nie ma wzrostu. Ale jest drugie, równie ważne pytanie: ilu z tych klientów wraca? Analiza kohortowa to jedyna metoda, która pozwala rzetelnie odpowiedzieć na to pytanie – i zbudować ją automatycznie w Data Studio z danymi z GA4 lub BigQuery.

1. Czym jest analiza kohortowa?

Kohorta to grupa użytkowników, których połączyło wspólne zdarzenie w tym samym przedziale czasowym. Najczęściej używamy kohort miesięcznych opartych na dacie pierwszego zakupu lub pierwszej sesji. Analiza kohortowa śledzi, co dzieje się z tą grupą w kolejnych miesiącach – ile osób wraca, ile kupuje ponownie i ile wydaje łącznie.

Przykład: klienci pozyskani w grudniu (kohorta "Grudzień 2025") – jaki procent z nich zrobił kolejny zakup w styczniu? W lutym? W marcu? Jeśli po 3 miesiącach wraca mniej niż 10%, masz do czynienia z problemem lojalności, który żaden nowy budżet reklamowy nie rozwiąże.

Kluczowe metryki analizy kohortowej

  • Retention Rate (M1, M2, M3): procent klientów z kohorty wracający po 1, 2, 3 miesiącach.
  • LTV by Cohort: całkowity przychód na klienta z danej kohorty przez 6 lub 12 miesięcy.
  • Churn Rate: w którym miesiącu obserwujesz największy odpływ?
  • CAC vs. LTV per cohort: czy koszt pozyskania klienta zwraca się w horyzoncie 6 miesięcy?

2. Dwa sposoby budowania analizy kohortowej w Data Studio

Metoda 1: Natywny wykres kohorty GA4

Data Studio ma wbudowany typ wykresu "Cohort Analysis" dostępny przez konektor GA4. Po dodaniu komponentu wybierasz metrykę (np. Session, Transaction) i okno retencji (dni, tygodnie). To najszybsza metoda – działa bez SQL i BigQuery.

Ograniczenia natywnej metody: okno retencji jest ograniczone do zachowań sesyjnych, nie transakcyjnych. Nie dostaniesz informacji o LTV, marży ani o tym, którzy klienci kupili konkretne kategorie produktów. Natywny wykres nadaje się do ogólnego przeglądu, nie do głębokiej analizy.

Metoda 2: BigQuery + własne zapytanie SQL

Profesjonalna analiza kohortowa wymaga BigQuery. Eksport surowych zdarzeń GA4 do BigQuery pozwala pisać własne zapytania, które identyfikują pierwszą transakcję klienta, obliczają delta między kolejnymi zakupami i grupują wyniki w macierz kohortową. Wynik to tabela, którą importujesz do Data Studio i formatujesz jako mapę ciepła (heatmap) przy użyciu formatowania warunkowego.

Przykładowe zapytanie SQL (uproszczone):

WITH first_purchase AS (
  SELECT user_pseudo_id,
         MIN(DATE(TIMESTAMP_MICROS(event_timestamp))) AS cohort_month
  FROM `projekt.dataset.events_*`
  WHERE event_name = 'purchase'
  GROUP BY user_pseudo_id
),
subsequent AS (
  SELECT e.user_pseudo_id,
         f.cohort_month,
         DATE_DIFF(DATE(TIMESTAMP_MICROS(e.event_timestamp)), f.cohort_month, MONTH) AS months_since_first
  FROM `projekt.dataset.events_*` e
  JOIN first_purchase f USING (user_pseudo_id)
  WHERE e.event_name = 'purchase'
)
SELECT cohort_month,
       months_since_first,
       COUNT(DISTINCT user_pseudo_id) AS returning_users
FROM subsequent
GROUP BY 1, 2
ORDER BY 1, 2

3. Jak odczytać wyniki i co z nimi zrobić

Macierz kohortowa to tabela: wiersze to miesiące pozyskania, kolumny to kolejne miesiące życia kohorty. Liczby w komórkach to procent klientów, którzy wrócili. Typowe wzorce:

  • Retencja 20%+ w M1: bardzo dobry wynik dla większości kategorii sklepów.
  • Gwałtowny drop w M2: klienci nie są wystarczająco zaangażowani po pierwszym zakupie – problem z email marketingiem lub brakiem zachęty do drugiego zamówienia.
  • Lepsza retencja kohort zimowych niż letnich: możliwe, że Black Friday przyciąga bargain hunters, a nie lojalnych klientów. Warto sprawdzić AOV i LTV tych kohort.

4. Połączenie z pełnym dashboardem eCommerce

Analiza kohortowa jest najwartościowsza, gdy łączy się ją z resztą danych eCommerce – lejkiem sprzedaży, ROAS per kampania i marżą per produkt. W Data Studio możesz zbudować osobną stronę raportu dedykowaną retencji i dodać filtry segmentowe (kanał pozyskania, kategoria pierwszego produktu, wartość pierwszego zamówienia), które ujawnią, które segmenty klientów są najbardziej wartościowe długoterminowo.

Więcej o budowaniu pełnego dashboardu eCommerce: Analityka eCommerce w Data Studio: od kliknięcia do zakupu.

Powiązane artykuły