Kohorten-Retentionsrate-Rechner

Der Kohorten-Retentionsraten-Rechner verwandelt eine Kohortengröße und eine Liste aktiver Nutzerzahlen in ein vollständiges Bild der Kundenbindung: die Retentionsrate an jedem Kontrollpunkt, eine animierte Retentionskurve, eine farbcodierte Heatmap des Rückgangs von Periode zu Periode, die Kohorten-Halbwertszeit, einen Smile-Curve- / Product-Market-Fit-Abflachungsdetektor, eine Power-Law-Anpassung mit Steady-State-Extrapolation und eine Quartilseinstufung gegenüber veröffentlichten Branchen-Benchmarks für SaaS-, Mobil-, Verbraucher-Abonnement-, E-Commerce- und Fintech-Kohorten. Im Gegensatz zu Churn-Rechnern mit einer einzigen Rate erfasst eine Kohorten-Retentionskurve die Form des Rückgangs — und genau diese Form, nicht irgendeine einzelne Zahl, verrät Ihnen, ob Ihr Produkt eine nachhaltige Bindung erzeugt.

Bedienungsanleitung

1. Geben Sie die Kohortengröße ein — die Anzahl der Nutzer, die im selben Zeitraum gewonnen wurden (Registrierungswoche, Monat der ersten Zahlung, Tag der Installation usw.).
2. Wählen Sie die Maßeinheit. Mobile Apps messen meist in Tagen, B2C-Abonnements in Wochen und B2B SaaS in Monaten.
3. Geben Sie die Kontrollpunkt-Zeiträume als kommagetrennte Liste ein. Der Standardwert 1, 7, 14, 30, 60, 90 entspricht dem klassischen Zeitplan für Mobile Apps; für B2B SaaS bieten sich 1, 2, 3, 6, 9, 12 Monate an.
4. Geben Sie die aktiven Benutzer an jedem Kontrollpunkt in der gleichen Reihenfolge ein. Jeder Wert ist die Anzahl der Nutzer aus der ursprünglichen Kohorte, die an diesem Kontrollpunkt noch aktiv sind — passen Sie den Nenner niemals nachträglich an.
5. Wählen Sie den passendsten Branchen-Benchmark — B2B SaaS, SMB SaaS, Verbraucherabonnement, Mobile App, E-Commerce oder Fintech.
6. Klicken Sie auf Retentionskurve erstellen, um die Retentionsrate an jedem Kontrollpunkt, die animierte Kurve, die Heatmap des Rückgangs, die Halbwertszeit, das Smile-Curve-Urteil, die Power-Law-Anpassung und die Quartilsklassifizierung anzuzeigen.

Verwendete Formeln

Was diesen Kohortenrechner besonders macht

• Kurve statt Einzelwert. Die meisten „Retentionsrechner“ ermitteln nur eine einzige Rate. Dieser Rechner erstellt die vollständige Retentionskurve an bis zu zehn benutzerdefinierten Kontrollpunkten — denn erst der Verlauf zeigt, ob die Kohorte ein stabiles Niveau erreicht oder immer weiter schrumpft.
• Smile-Curve- / PMF-Abflachungsdetektor. Ein integrierter Test für die letzten drei Kontrollpunkte klassifiziert die Kohorte als stark abflachend (das klassische Sean-Ellis-PMF-Signal), leicht abflachend oder weiterhin sinkend.
• Kohorten-Halbwertszeit per Interpolation. Die lineare Interpolation zwischen den Kontrollpunkten liefert eine präzise Schätzung des Zeitpunkts, an dem 50% der Kohorte abgewandert sind — und nicht nur, ob die Schwelle überschritten wurde.
• Power-Law-Anpassung und Steady-State-Projektion. Die Methode der kleinsten Quadrate auf der Log-Log-Transformation passt das Modell R(t) = a · t^(−k) an, gibt R² aus und projiziert bei guter Anpassung die Retention bis etwa zum Dreifachen des letzten beobachteten Zeitraums.
• Rückgangs-Heatmap. Die Rückgänge von Periode zu Periode sind farbcodiert von Grün (≤ 2 pp) bis Tiefrot (> 50 pp), sodass die kritischsten Schwachstellen auf einen Blick erkennbar sind.
• Branchen-Quartils-Benchmarks. Sechs segmentspezifische Benchmarks (B2B SaaS, SMB SaaS, Verbraucherabonnement, Mobile App, E-Commerce, Fintech) klassifizieren Ihre Entsprechungen für Tag 1, Tag 7 und Tag 30 anhand veröffentlichter P25- / P50- / P75-Bänder.
• Animierte SVG-Kurve. Die Linie zeichnet sich, die Fläche füllt sich und die Wertetiketten erscheinen nacheinander, sodass der Rückgang visuell greifbar wird — statt nur ein statisches Diagramm zu zeigen.
• Einheiten in Tagen, Wochen oder Monaten. Wählen Sie die Zeitskala, die zum natürlichen Nutzungszyklus Ihres Produkts passt. Mobile Apps werden in Tagen analysiert, B2B-Anwendungen in Monaten.
• Live-Vorschau vor dem Absenden. Sobald Sie Zahlen eingeben, aktualisieren sich die Mini-Balkenvorschau, der Prozentsatz und das PMF-Abzeichen sofort — ganz ohne Neuladen der Seite.
• Nachvollziehbarer Rechenweg. Jede Berechnung wird Zeile für Zeile aufgeschlüsselt, damit Sie das Ergebnis überprüfen, dokumentieren oder daraus lernen können.

Was genau ist eine Kohorte?

Eine Kohorte ist eine Gruppe von Nutzern, die ein bestimmtes Start-Ereignis im selben Zeitfenster teilen — meistens die Woche, der Tag oder der Monat, in dem sie sich registriert, eine App installiert oder ihren ersten Kauf getätigt haben. Die Kohortenanalyse verfolgt genau diese feste Gruppe über nachfolgende Zeiträume hinweg, weshalb sich der Nenner nie ändert. Das macht die Kohorten-Retention wesentlich ehrlicher als die Metrik „monatlich aktive Nutzer geteilt durch Gesamtnutzer“, welche eine beschleunigte Abwanderung hinter starkem Neukundenwachstum verbergen kann.

Retentionsrate vs. Churn-Rate (Abwanderungsquote)

Retentionsrate und Churn-Rate verhalten sich in jedem Zeitraum umgekehrt proportional zueinander: Retention = 1 − Churn. Dass Teams die eine oder die andere Metrik bevorzugen, hat eher psychologische als mathematische Gründe — die Formulierung „95% Retention“ statt „5% Churn“ lenkt den Fokus oft darauf, gehaltene Kunden zu feiern, anstatt Verluste zu verhindern. Die kohortenbasierte Retention ist aussagekräftiger als die periodische Churn-Rate, da sie dieselben Nutzer über die Zeit begleitet und Schwachstellen offenlegt: Eine Kohorte mit 50% Churn am ersten Tag und danach absolut stabiler Retention hat einen grundlegend anderen (und besseren) Verlauf als eine Kohorte mit langsamem, aber unaufhörlichem Verfall.

Die Form der Retentionskurve richtig interpretieren

• Steiler Abfall zu Beginn, flaches Ende (das „Lächeln“). Die meisten gewonnenen Nutzer passten nicht zum Produkt, aber ein harter Kern findet es unverzichtbar. Dies ist der klassische Verlauf für einen erfolgreichen Product-Market Fit — das stabile Niveau am Ende zeigt die tatsächliche Größe Ihres Zielmarktes innerhalb der gewonnenen Gruppe.
• Sachte, kontinuierliche Abnahme. Ein typischer Verlauf für Produkte, die selten genutzt werden (jährlich genutzte Tools, Steuerprogramme, Apps zur Hochzeitsplanung). Nicht zwingend schlecht — aber die Wirtschaftlichkeit hängt hier von der Steilung des Abfalls ab, nicht nur vom Niveau.
• Anfangs flach, dann plötzlicher Einbruch. Fast immer ein strukturell erzwungenes Kündigungsereignis — das Ende einer Testphase, eine fehlgeschlagene Verlängerungszahlung oder das Auslaufen eines Jahresvertrags. Suchen Sie hier nach organisatorischen statt nach verhaltensbedingten Ursachen.
• Am letzten Kontrollpunkt immer noch fallend. Keine Bodenbildung in Sicht. Entweder benötigen Sie einen längeren Beobachtungszeitraum oder das Produkt hat für diese Kohorte schlichtweg noch keinen dauerhaften Nutzen bewiesen.
• Kurve steigt an. Fast immer ein Fehler bei der Datenerfassung: Reaktivierte Nutzer werden fälschlicherweise als Kohortenmitglieder mitgezählt oder Aktivitätsdefinitionen wurden durch ein neues Feature künstlich aufgebläht. Untersuchen Sie die Daten genau, bevor Sie sich freuen.

Retentions-Benchmarks nach Kategorie

Die Quartile wurden aus öffentlichen Berichten von AppsFlyer, Mixpanel, Amplitude, OpenView und RJMetrics abgeleitet. Sie dienen als grobe Orientierung, nicht als allgemeingültige Industriestandards.

Häufige Fehler bei der Kohortenanalyse

• Nachträgliche Anpassung des Nenners. Teilen Sie an jedem Kontrollpunkt immer durch die ursprüngliche Kohortengröße. Wenn Sie stattdessen durch die „im letzten Zeitraum noch aktiven Nutzer“ teilen, wird die Retention bei jedem Schritt künstlich aufgebläht und die Abwanderung kaschiert.
• Uneinheitliche Definitionen von „aktiv“. Wurde die Retention an Tag 30 anhand eines Logins, einer bestimmten Aktion oder des Zahlungsstatus gemessen? Jeder Ansatz führt zu einer anderen Kurve. Wählen Sie eine Definition und bleiben Sie konsequent dabei.
• Verwechslung von Nutzer-Retention mit Umsatz-Retention. Die zahlenmäßige Retention gewichtet jeden Nutzer gleich; die Netto-Umsatz-Retention gewichtet nach Umsatzstärke. Bei Produkten mit stark gestaffelten Preisen driften beide Metriken drastisch auseinander.
• Zu geringe Kohortengröße. Kohorten mit weniger als ca. 500 Nutzern weisen an späten Kontrollpunkten große statistische Schwankungen auf. Fassen Sie lieber mehrere aufeinanderfolgende Akquisitionswochen zusammen, anstatt eine zu kleine Kohorte überzuinterpretieren.
• Ein noch fallendes Kurvenende als stabiles Niveau missverstehen. Drei annähernd flache Punkte in Folge sind das Mindestsignal für eine echte Abflachung. Ein einzelner flach aussehender Punkt kann reines Rauschen sein.
• Ignorieren der Kurvenform. Eine 30%-Retention an Tag 30, die aus einem scharfen Abfall mit anschließender Abflachung resultiert, ist fundamental etwas anderes als eine 30%-Retention durch einen langsamen, stetigen Verfall. Gleiche Zahl, gegensätzliche Bedeutung.
• Artefakte durch erzwungene Kündigungen. Das Ende von Testphasen, Zahlungsausfälle und Verlängerungen von Jahresverträgen verursachen künstliche Einbrüche zu vorhersagbaren Zeitpunkten. Kommentieren Sie diese in Ihren Analysen, statt sie als rein produktbedingte Abwanderung zu interpretieren.

Wie Kundentreue den Customer Lifetime Value antreibt

Eine höhere Retention verlängert die Kundendauer, was den Customer Lifetime Value (CLV) direkt steigert. Die einfachste CLV-Formel lautet: CLV = (monatlicher ARPU × Bruttomarge) ÷ monatliche Churn-Rate; gleichwertig zu CLV = (monatlicher ARPU × Bruttomarge) × durchschnittliche Kundendauer in Monaten. Da die Kundendauer der Kehrwert der Churn-Rate ist, verlängert eine Verbesserung der Retention um einen einzigen Prozentpunkt (bei einer Basis von 5% monatlichem Churn) die Kundendauer von 20 auf 25 Monate — das bedeutet eine Steigerung des CLV um 25% bei identischem ARPU. Aus diesem Grund erzielen Investitionen in die Kundenbindung ab einer gewissen Produktgröße meist bessere Ergebnisse als gleich hohe Budgets für das reine Neukundenmarketing.

Wo Sie zuerst ansetzen sollten, um die Retention zu verbessern

1. Aktivierung in der ersten Periode. Der steilste Abfall zeigt sich auf fast allen Kurven zwischen Tag 0 und Tag 1 (oder Woche 0 → Woche 1). Eine klare Einführung im Onboarding, eine kurze Time-to-First-Value und proaktive Hilfe bei der Aktivierung bieten meist den größten Hebel.
2. Momente erzwungener Kündigungen. Auslaufende Testphasen und automatische Verlängerungen konzentrieren die Abwanderung auf vorhersehbare Zeiträume. Gleichen Sie die Einbrüche Ihrer Kohorte mit diesen strukturellen Zeitpunkten ab, bevor Sie mangelndes Produktinteresse dafür verantwortlich machen.
3. Wiederherstellung bei fehlgeschlagenen Zahlungen. Ein überraschend großer Teil der Abwanderung entsteht schlicht durch abgelaufene Kreditkarten. Automatisierte Tools zur Aktualisierung von Zahlungsdaten und Mahnabläufe (Dunning) retten bei den meisten B2C-SaaS-Unternehmen 5–15% des monatlichen Churns.
4. Identifikation von Power-Usern. Kohortenmitglieder, die am letzten Kontrollpunkt immer noch aktiv sind, bilden Ihr treuestes Segment. Analysieren Sie deren Gemeinsamkeiten — genutzte Funktionen, eingerichtete Integrationen, Teamgröße — und richten Sie das Marketing gezielt auf ähnliche Zielgruppen aus.
5. Segmentierung der Kohorte. Wenn die Gesamtkohorte niemals abflacht, unterteilen Sie sie in Segmente. Oft zeigt sich, dass eine bestimmte Akquisitionsquelle oder ein bestimmter Nutzertyp innerhalb einer ansonsten mäßigen Kurve einen hervorragenden Product-Market Fit erreicht.

FAQ

Was ist eine Kohorten-Retentionsrate?

Eine Kohorten-Retentionsrate ist der Prozentsatz der Nutzer aus einer bestimmten Akquisitionskohorte, die zu einem späteren Zeitpunkt noch aktiv sind. Sie berechnet sich aus den aktiven Nutzern am Kontrollpunkt geteilt durch die ursprüngliche Kohortengröße. Da der Nenner der Kohorte festbleibt, sinkt die Retentionsrate streng monoton — jede Abwanderung verringert sie, und kurzzeitige Reaktivierungen können sie nicht künstlich aufblähen.

Wie unterscheidet sich die Kohorten-Retention von der monatlichen Retention?

Die monatliche Retention teilt typischerweise die monatlich aktiven Nutzer durch die Gesamtzahl der registrierten Nutzer. Diese Zahl kann stabil bleiben oder wachsen, selbst wenn bestehende Kohorten massiv schrumpfen, da Neukunden die Lücken füllen. Die Kohorten-Retention verfolgt eine feste Gruppe über die Zeit und lässt sich nicht durch Neukundenwachstum beschönigen. Sie ist daher ehrlicher, um die Produktbindung zu bewerten; die allgemeine monatliche Retention ist hingegen nützlicher für das übergeordnete Wachstumsreporting.

Welche Kontrollpunkte sollte ich verwenden?

Der klassische Zeitplan für Mobile Apps umfasst Tag 1, Tag 7, Tag 14, Tag 30, Tag 60 und Tag 90 — kurz genug, um frühe Abbrüche zu erfassen, und lang genug, um eine Bodenbildung zu erkennen. Für B2C-Abonnements bieten sich wöchentliche Meilensteine an, für B2B SaaS monatliche Intervalle. Der Rechner unterstützt jede Kombination von 2 bis 10 streng aufsteigenden, ganzzahligen Werten.

Was versteht man unter einer Smile-Curve bei der Kohortenanalyse?

Eine Smile-Curve beschreibt eine Retentionskurve, die anfangs steil abfällt und sich dann auf einem stabilen Niveau einpendelt. Diese Abflachung ist das klassische Sean-Ellis-Signal für einen erfolgreichen Product-Market Fit: Ein fester Kern der gewonnenen Nutzer empfindet das Produkt als unverzichtbar. Eine Kurve, die unaufhörlich weiter gegen Null sinkt, erreicht dieses Plateau nie und zeigt, dass noch kein dauerhafter Nutzen für dieses Segment gefunden wurde.

Was gilt als gute Retention an Tag 30?

Das hängt stark von der Branche ab. Im B2B-SaaS-Bereich halten Top-Quartile an Tag 30 oft 65% oder mehr ihrer Nutzer. Bei SMB SaaS liegt das obere Quartil bei rund 45%. Verbraucherabonnements verzeichnen im Median meist etwa 20%. Mobile Apps liegen im Median typischerweise bei 9% und im oberen Quartil bei 18%. Der Rechner vergleicht Ihren Tag 30 automatisch mit dem passenden Benchmark für das gewählte Segment.

Wie funktioniert die Berechnung der Halbwertszeit?

Die Halbwertszeit gibt den Zeitpunkt an, an dem die Retention die 50%-Marke unterschreitet. Der Rechner sucht nach den beiden Kontrollpunkten, zwischen denen die 50%-Schwelle liegt, und ermittelt den genauen Wert mittels linearer Interpolation. Fällt die Kurve im gesamten Beobachtungsfenster nie unter 50%, liegt die Halbwertszeit außerhalb der Daten — ein hervorragendes Zeichen für die Kundenbindung.

Was sagt mir die Power-Law-Anpassung?

Die meisten Retentionskurven lassen sich gut durch ein Potenzgesetz R(t) = a · t^(−k) beschreiben. Der Rechner passt dieses Modell über eine lineare Regression (Methode der kleinsten Quadrate) auf der Log-Log-Transformation an Ihre Daten an und gibt das Bestimmtheitsmaß (R²) aus. Liegt das R² über 90%, beschreibt das Modell den Verlauf sehr präzise, und die Extrapolation auf das Dreifache des beobachteten Zeitraums liefert eine verlässliche Prognose. Ein niedrigeres R² deutet meist auf abrupte, strukturelle Ereignisse hin (z. B. das Ende von Testphasen), die ein glattes mathematisches Modell nicht abbilden kann.

Kann ich den Rechner auch für die Umsatz-Retention anstelle von Nutzerzahlen nutzen?

Ja, das ist problemlos möglich. Geben Sie einfach den Gesamtumfang des Kohortenumsatzes bei der Akquisition als Kohortengröße ein und die verbleibenden Einnahmen aus dieser Kohorte an den jeweiligen Kontrollpunkten. Da die mathematische Logik identisch ist, liefert Ihnen der Rechner so die Bruttoumsatz-Retention (Gross Revenue Retention, GRR). Für die Nettoumsatz-Retention (Net Revenue Retention, NRR), die auch Upselling-Ergänzungen berücksichtigt, müssten diese Erweiterungen im Zähler einfließen — das unterstützt der Rechner jedoch nicht direkt.

Wie groß muss eine Kohorte sein, damit die Ergebnisse aussagekräftig sind?

Als Faustregel gilt: Kohorten mit weniger als 500 Nutzern neigen auf lange Sicht zu unruhigen Kurvenverläufen, da bereits einzelne reaktivierte Nutzer die Kurve sichtbar beeinflussen können. Für statistisch verlässliche Aussagen sollten Sie entweder benachbarte Akquisitionszeiträume zusammenfassen (z. B. mehrere Registrierungswochen zu einer gemeinsamen Kohorte bündeln) oder die einzelnen Retentionspunkte eher als Tendenz denn als exakte Fixpunkte betrachten.