Kalkulator Retensi Kohort

Kalkulator Kohor Tingkat Retensi mengubah ukuran kohor dan daftar jumlah pengguna aktif menjadi gambaran retensi yang lengkap: tingkat retensi di setiap titik pemeriksaan, kurva retensi beranimasi, peta panas penurunan periode-ke-periode dengan kode warna, paruh waktu kohor, detektor perataan kurva senyum / product-market-fit, kesesuaian hukum pangkat dengan ekstrapolasi kondisi tunak, dan klasifikasi kuartil terhadap tolok ukur industri yang dipublikasikan untuk kohor SaaS, seluler, langganan konsumen, e-commerce, dan fintech. Berbeda dengan kalkulator churn tingkat tunggal, kurva retensi kohor menangkap bentuk penurunan — dan bentuk tersebut, bukan angka tunggal apa pun, yang memberi tahu Anda apakah produk Anda lengket atau tidak.

Cara Menggunakan

1. Masukkan ukuran kohor — jumlah pengguna yang diperoleh dalam jendela waktu yang sama (minggu pendaftaran, bulan konversi berbayar, hari pemasangan, dll.).
2. Pilih unit pengukuran. Aplikasi seluler biasanya mengukur dalam hari, langganan B2C dalam minggu, dan B2B SaaS dalam bulan.
3. Masukkan periode titik pemeriksaan sebagai daftar yang dipisahkan koma. Standar default 1, 7, 14, 30, 60, 90 adalah jadwal aplikasi seluler klasik; untuk B2B SaaS coba gunakan 1, 2, 3, 6, 9, 12 bulan.
4. Masukkan jumlah pengguna aktif di setiap titik pemeriksaan, dalam urutan yang sama. Setiap nilai adalah hitungan pengguna dari kohor asli yang masih aktif di titik pemeriksaan tersebut — jangan pernah menetapkan ulang dasar penyebutnya.
5. Pilih tolok ukur industri terdekat — B2B SaaS, SMB SaaS, langganan konsumen, aplikasi seluler, e-commerce, atau fintech.
6. Klik Bangun Kurva Retensi untuk melihat tingkat retensi di setiap titik pemeriksaan, kurva beranimasi, peta panas penurunan, paruh waktu, putusan kurva senyum, kesesuaian hukum pangkat, dan klasifikasi kuartil.

Rumus yang Digunakan

Apa yang Membuat Kalkulator Kohor Ini Berbeda

• Kurva, bukan sekadar angka tunggal. Kebanyakan "kalkulator tingkat retensi" hanya menghitung satu tingkat. Alat ini membangun kurva retensi lengkap hingga sepuluh titik pemeriksaan yang ditentukan pengguna — bentuk kurva inilah yang mengungkapkan apakah kohor menemui lantai dasar yang stabil atau terus bocor.
• Detektor kurva senyum / perataan PMF. Pengujian bawaan untuk tiga titik pemeriksaan terakhir mengklasifikasikan kohor sebagai perataan kuat (sinyal PMF Sean Ellis klasik), perataan ringan, atau masih menyusut.
• Paruh waktu kohor melalui interpolasi. Interpolasi linier di antara titik pemeriksaan memberikan estimasi presisi mengenai periode di mana 50% kohor telah berhenti — bukan sekadar tahu apakah Anda telah melewatinya.
• Kesesuaian hukum pangkat dan proyeksi kondisi tunak. OLS pada transformasi log-log mencocokkan rumus R(t) = a · t^(−k), melaporkan R², dan memproyeksikan retensi hingga sekitar 3× periode pengamatan terakhir jika kesesuaiannya dinilai bagus.
• Peta panas penurunan. Penurunan periode-ke-periode diberi kode warna dari hijau (≤2 pp) hingga merah tua (>50 pp) sehingga kebocoran dengan pengaruh tertinggi dapat terlihat dalam sekali lirik.
• Tolok ukur kuartil industri. Enam tolok ukur spesifik segmen (B2B SaaS, SMB SaaS, langganan konsumen, aplikasi seluler, e-commerce, fintech) mengklasifikasikan setara Hari-1, Hari-7, dan Hari-30 Anda terhadap rentang P25 / P50 / P75 yang dipublikasikan.
• Kurva SVG beranimasi. Garis akan digambar, area akan terisi, dan label nilai akan muncul secara berurutan sehingga penurunan terlihat jelas secara visual — bukan sekadar plot statis.
• Unit hari, minggu, atau bulan. Pilih skala waktu yang sesuai dengan siklus alami produk Anda. Aplikasi seluler hidup dalam hitungan hari; B2B dalam hitungan bulan.
• Pratinjau langsung sebelum pengiriman. Ketik angka apa saja dan pratinjau bilah mini, persentase, serta lencana PMF akan langsung diperbarui — tidak memerlukan pemuatan ulang halaman secara penuh.
• Matematika langkah demi langkah. Setiap perhitungan diuraikan baris demi baris sehingga Anda dapat memverifikasi, mendokumentasikan, atau belajar dari hasil tersebut.

Apa itu Kohor, Tepatnya?

Kohor adalah sekelompok pengguna yang berbagi peristiwa akuisisi dalam jendela waktu yang sama — paling umum adalah minggu, hari, atau bulan saat mereka mendaftar, memasang aplikasi, atau melakukan pembelian pertama mereka. Analisis kohor mengikuti kelompok tetap yang sama di seluruh periode berikutnya, sehingga penyebutnya tidak pernah berubah. Hal inilah yang membuat retensi kohor jauh lebih jujur secara mutlak dibandingkan dengan "pengguna aktif bulanan dibagi total pengguna", yang dapat menyembunyikan churn yang semakin cepat di balik pertumbuhan akuisisi.

Tingkat Retensi vs Tingkat Churn

Tingkat retensi dan tingkat churn adalah kebalikan satu sama lain untuk periode tertentu: retention = 1 − churn. Alasan mengapa tim memilih salah satunya cenderung lebih bersifat psikologis daripada matematis — membingkai angka sebagai "95% dipertahankan" daripada "5% churn" cenderung mengalihkan perhatian dari mencegah kerugian menjadi merayakan penyelamatan. Versi kohor dari retensi memberikan lebih banyak informasi daripada churn periode karena memantau pengguna yang sama dari waktu ke waktu, menyingkap di mana kebocoran terjadi: churn 50% di Hari-1 yang diikuti oleh retensi yang benar-benar datar merupakan kohor yang secara mendasar berbeda (dan lebih baik) daripada penyusutan yang lambat namun persisten.

Membaca Bentuk Kurva Retensi

• Penurunan awal yang curam, ekor datar (bentuk "senyum"). Sebagian besar pengguna yang diperoleh bukanlah target yang tepat, tetapi inti pengguna yang stabil menganggap produk ini sangat diperlukan. Ini adalah bentuk textbook dari product-market fit — dan lantai dasarnya adalah ukuran pasar potensial sejati Anda di dalam segmen yang diperoleh.
• Penyusutan yang landai dan stabil. Bentuk yang biasa dijumpai untuk produk berfrekuensi rendah (barang pembelian tahunan, alat perpajakan, aplikasi perencanaan pernikahan). Tidak selalu buruk — tetapi ekonomi unit bergantung pada kemiringan, bukan pada levelnya.
• Datar di awal lalu turun tiba-tiba. Hampir selalu merupakan peristiwa pembatalan paksa — masa uji coba berakhir, pembayaran gagal, atau kontrak tahunan tidak diperpanjang. Carilah penyebab strukturalnya, bukan penyebab dari perilaku pengguna.
• Masih jatuh pada titik pemeriksaan terakhir. Belum ada lantai dasar yang terlihat. Kemungkinan Anda memerlukan lebih banyak waktu pengamatan, atau produk tersebut belum menemukan kasus penggunaan yang lengket untuk kohor ini.
• Kurva mengalami kenaikan. Hampir selalu merupakan artefak pengukuran: aktivasi ulang yang terhitung sebagai anggota kohor, atau definisi aktivitas yang menggelembung karena adanya fitur baru. Lakukan investigasi sebelum merayakannya.

Tolok Ukur Retensi Berdasarkan Kategori

Kuartil disimpulkan dari laporan publik AppsFlyer, Mixpanel, Amplitude, OpenView, RJMetrics. Anggap sebagai orientasi kasar, bukan standar industri.

Kesalahan Umum dalam Analisis Kohor

• Menetapkan ulang dasar penyebut. Selalu bagi dengan ukuran kohor asli di setiap titik pemeriksaan. Membaginya dengan "pengguna yang masih aktif di periode lalu" akan menggelembungkan nilai retensi di setiap langkah dan menyembunyikan kebocoran yang ada.
• Mencampuradukkan definisi "aktif". Apakah retensi Hari-30 diukur berdasarkan login, tindakan yang bermakna, atau status berbayar? Masing-masing memberikan kurva yang berbeda. Pilih salah satu dan laporkan secara konsisten.
• Membingungkan retensi kohor dengan retensi pendapatan. Retensi logo kohor memperlakukan setiap pengguna secara setara; retensi pendapatan bersih memberikan bobot berdasarkan nilai dolar. Keduanya menyimpang tajam untuk produk dengan tingkatan harga yang luas.
• Ukuran kohor yang tidak mencukupi. Kohor yang lebih kecil dari ~500 pengguna memiliki interval kepercayaan yang lebar di setiap titik pemeriksaan. Gabungkan beberapa minggu akuisisi yang berdekatan daripada terlalu berlebihan dalam menginterpretasikan kohor kecil.
• Membaca ekor yang masih turun sebagai lantai dasar. Tiga titik yang hampir datar berturut-turut adalah sinyal minimum untuk perataan PMF. Satu titik yang tampak datar bisa jadi hanyalah noise.
• Mengabaikan bentuk kurva. Retensi 30% Hari-30 dari penurunan tajam + ekor datar secara mendasar berbeda dengan retensi 30% dari penyusutan lambat yang stabil. Angka yang sama, implikasi yang berlawanan.
• Artefak pembatalan paksa. Akhir masa uji coba, kegagalan pembayaran, dan perpanjangan kontrak tahunan menciptakan penurunan buatan pada periode yang dapat diprediksi. Berikan catatan pada bagian tersebut; jangan membacanya sebagai churn yang didorong oleh produk.

Bagaimana Retensi Mendorong Nilai Umur Pelanggan (Customer Lifetime Value)

Retensi yang lebih tinggi berarti umur pelanggan yang lebih lama, yang secara langsung meningkatkan nilai umur pelanggan (CLV). Rumus CLV yang paling sederhana adalah CLV = (ARPU bulanan × margin kotor) ÷ churn bulanan; atau setara dengan CLV = (ARPU bulanan × margin kotor) × rata-rata umur pelanggan dalam bulan. Karena umur pelanggan adalah kebalikan dari churn, peningkatan retensi sebesar satu poin persentase pada basis churn bulanan 5% akan memperpanjang umur pelanggan dari 20 bulan menjadi 25 bulan — sebuah peningkatan CLV sebesar 25% pada ARPU yang sama. Inilah sebabnya mengapa investasi retensi biasanya memiliki performa lebih unggul daripada investasi akuisisi pada tingkat dolar yang sama begitu produk mencapai skala yang moderat.

Ke Mana Harus Melihat Terlebih Dahulu untuk Meningkatkan Retensi

1. Aktivasi periode pertama. Penurunan paling curam pada sebagian besar kurva adalah antara Hari 0 dan Hari 1 (atau minggu 0 → minggu 1). Kejelasan onboarding, time-to-first-value, dan jangkauan aktivasi proaktif biasanya memiliki pengaruh tertinggi.
2. Momen pembatalan paksa. Berakhirnya masa uji coba dan momen perpanjangan memusatkan churn pada periode yang dapat diprediksi. Petakan penurunan kohor Anda terhadap momen struktural ini sebelum menyalahkan keterikatan produk.
3. Pemulihan pembayaran gagal. Sebagian kecil dari "churn" ternyata hanyalah kartu kredit yang kedaluwarsa. Alat pembaruan kartu dan rangkaian penagihan (dunning) memulihkan 5–15% churn bulanan untuk sebagian besar B2C SaaS.
4. Identifikasi pengguna utama (power-user). Anggota kohor yang masih aktif di titik pemeriksaan terakhir adalah segmen Anda yang paling lengket. Lihat apa kesamaan yang mereka miliki — penggunaan fitur, adopsi integrasi, ukuran tim — dan targetkan akuisisi ke audiens serupa (look-alikes).
5. Segmentasi kohor. Jika kohor secara keseluruhan tidak pernah mendatar, buatlah segmentasi. Sering kali satu sumber akuisisi atau satu persona berhasil mencapai PMF di dalam kurva keseluruhan yang biasa-biasa saja.

FAQ

Apa itu tingkat retensi kohor?

Tingkat retensi kohor adalah persentase pengguna dari satu kohor akuisisi yang masih aktif di periode berikutnya. Nilai ini sama dengan pengguna aktif di titik pemeriksaan dibagi dengan ukuran kohor asli, dinyatakan sebagai persentase. Karena penyebut kohor bersifat tetap, tingkat retensi turun secara monoton — setiap churn akan menurunkannya, dan aktivasi ulang tidak dapat menggelembungkannya.

Bagaimana retensi kohor berbeda dari retensi bulanan?

Retensi bulanan biasanya membagi pengguna aktif bulanan dengan total pengguna terdaftar — angka yang dapat tetap datar atau tumbuh bahkan ketika kohor yang diperoleh bocor, karena akuisisi baru menutup celah tersebut. Retensi kohor memantau kelompok tetap dari waktu ke waktu, sehingga tidak dapat disembunyikan oleh pertumbuhan akuisisi. Kohor secara mutlak lebih jujur untuk menilai kelengketan produk; retensi bulanan lebih berguna untuk pelaporan pertumbuhan lini atas.

Titik pemeriksaan apa yang harus saya gunakan?

Jadwal aplikasi seluler klasik adalah Hari 1, Hari 7, Hari 14, Hari 30, Hari 60, Hari 90 — cukup pendek untuk menangkap penurunan awal dan cukup panjang untuk melihat pembentukan lantai dasar. Untuk langganan B2C coba gunakan titik pemeriksaan mingguan; untuk B2B SaaS coba gunakan bulanan. Kalkulator mendukung nilai integer antara 2–10 yang berurutan naik.

Apa itu kurva senyum dalam analisis kohor?

Kurva senyum adalah kurva retensi yang turun tajam di awal lalu mendatar ke dasar yang stabil. Perataan ini adalah sinyal Sean Ellis klasik untuk product-market fit: porsi pengguna yang diperoleh secara stabil menganggap produk tersebut benar-benar sangat diperlukan. Kurva yang terus menyusut tidak pernah mencapai senyuman dan menunjukkan bahwa produk belum menemukan kasus penggunaan yang lengket untuk segmen tersebut.

Berapa retensi Hari-30 yang baik?

Retensi Hari-30 yang baik sangat bergantung pada kategori produk. Kohor kuartil teratas B2B SaaS mempertahankan 65% atau lebih pada Hari 30. Kuartil teratas SMB SaaS berada di kisaran 45%. Langganan konsumen biasanya berada di angka 20% pada median. Aplikasi seluler biasanya 9% pada median dan 18% pada kuartil teratas. Kalkulator memposisikan Hari-30 Anda terhadap tolok ukur yang tepat untuk segmen yang Anda pilih.

Bagaimana cara kerja perhitungan paruh waktu?

Paruh waktu adalah periode di mana retensi melewati angka 50%. Kalkulator memindai titik pemeriksaan Anda untuk mencari pasangan pertama yang mengapit retensi 50% dan melakukan interpolasi linier di antara keduanya. Jika retensi tidak pernah turun di bawah 50% dalam jendela pengamatan, paruh waktu tersebut berada "di luar data" — indikator kelengketan yang kuat.

Apa yang disampaikan oleh kesesuaian hukum pangkat kepada saya?

Sebagian besar kurva retensi kohor mendekati hukum pangkat R(t) = a · t^(−k). Kalkulator menyesuaikan model ini ke titik pemeriksaan Anda menggunakan kuadrat terkecil biasa pada transformasi log-log dan melaporkan kebaikan kesesuaian (goodness-of-fit / R²). Ketika R² melebihi 90%, hukum pangkat merangkum kurva Anda dengan baik, dan ekstrapolasi model hingga sekitar 3× periode pengamatan terakhir merupakan proyeksi yang bermakna ke mana arah retensi bergerak. R² yang lebih rendah biasanya menunjukkan infleksi struktural (akhir uji coba, acara perpanjangan) yang tidak dapat ditangkap oleh model hukum pangkat yang mulus.

Dapatkah saya menggunakan ini untuk retensi pendapatan sebagai ganti retensi pengguna?

Ya — masukkan total pendapatan kohor saat akuisisi sebagai ukuran kohor, dan pendapatan yang masih dikumpulkan dari kohor tersebut di setiap titik pemeriksaan. Kalkulator tidak mendeteksi apakah Anda memasukkan data pengguna atau nilai dolar, sehingga matematikanya bekerja secara identik. Ini memberikan retensi pendapatan kotor (Gross Revenue Retention / GRR). Untuk retensi pendapatan bersih (Net Revenue Retention / NRR) yang mencakup ekspansi, Anda perlu menambahkan pendapatan ekspansi ke pembilang — kalkulator tidak melakukan ini secara langsung.

Berapa banyak anggota kohor yang saya butuhkan agar angka-angkanya menjadi bermakna?

Sebagai aturan kasar, kohor di bawah 500 pengguna memiliki kurva retensi yang bergejolak pada cakrawala panjang, dan aktivasi ulang pengguna individu dapat menggeser kurva dengan jumlah yang terlihat jelas. Untuk ketahanan statistik, gabungkan periode akuisisi yang berdekatan (beberapa minggu pendaftaran menjadi satu kohor) atau perlakukan setiap titik retensi sebagai interval kepercayaan, bukan sebagai angka tunggal.