La cohort analysis è lo strumento più onesto che esiste per valutare se il tuo marketing e il tuo prodotto funzionano davvero. Le medie aggregate nascondono tutto: crescita, deterioramento, errori di acquisizione. Costruire una tabella per coorti — anche solo su un foglio di calcolo — richiede meno di un’ora e restituisce risposte che mesi di report standard non daranno mai.
Se guardi i tuoi ricavi mese su mese e vedi una linea che sale, potresti concludere che le cose vanno bene. Ma quella linea potrebbe nascondere un problema serio: i clienti acquisiti sei mesi fa stanno smettendo di comprare, e il fatturato cresce solo perché stai acquisendo nuovi clienti a ritmo crescente. Quando quel ritmo rallenta — e prima o poi rallenta sempre — la realtà emerge tutta insieme.
La cohort analysis è lo strumento che impedisce questo tipo di illusione. Permette di isolare gruppi di clienti acquisiti nello stesso periodo e osservarne il comportamento nel tempo, coorte per coorte. È uno degli strumenti fondamentali della consulenza Business Intelligence per imprenditori e marketing manager proprio perché non lavora sulle medie aggregate, ma su segmenti temporali precisi. In questo articolo vedrai cos’è una coorte, come si costruisce la tabella, come si legge e — soprattutto — cosa ti dice che nessun altro report riesce a dirti.
Indice
- Cosa nascondono le medie che la cohort analysis invece rivela
- Come si costruisce una cohort table: i passi operativi
- Come leggere la retention curve e cosa ti dice sul prodotto
- Casi d’uso concreti: e-commerce e servizi a confronto
- Gli errori più comuni nell’analisi per coorti
- Come integrare la cohort analysis nel processo decisionale ordinario
- Domande frequenti
- La cohort analysis come bussola strategica, non come esercizio tecnico
Cosa nascondono le medie che la cohort analysis invece rivela
Prima di entrare nella costruzione pratica, vale la pena capire perché questo strumento esiste e quale problema risolve. Il problema si chiama aggregation bias: quando sommi tutti i clienti in un unico numero — tasso di retention medio, valore medio per cliente, acquisto medio ripetuto — stai mescolando comportamenti radicalmente diversi.
Immagina di avere un e-commerce con un tasso di retention mensile del 30%. Sembra un dato unico e stabile. Ma se lo scomponi per coorte di acquisizione, potresti scoprire che i clienti acquisiti tramite una promozione di ottobre hanno un tasso di retention dell’8% al secondo mese, mentre quelli acquisiti tramite ricerca organica nello stesso periodo sono al 42%. La media del 30% non ti dice nulla di utile: ti fa credere di avere un problema medio, quando in realtà hai un problema specifico e risolvibile.
Questo è il punto critico: la cohort analysis separa il segnale dal rumore. Ti dice se il problema è strutturale — cioè legato al prodotto o all’esperienza post-acquisto — oppure se è circoscritto a una specifica campagna, un canale di acquisizione o un periodo stagionale. Senza questa separazione, rischi di intervenire nel posto sbagliato: cambiare il marketing quando il problema è il prodotto, o modificare il prodotto quando il problema è la qualità dei clienti che stai acquisendo.
Un secondo elemento che le medie nascondono è la velocità di deterioramento. Puoi avere due coorti con la stessa retention al terzo mese, ma con curve completamente diverse: una scende rapidamente nei primi due mesi e poi si stabilizza su un nucleo fedele, l’altra scende lentamente ma non smette mai di scendere. Le implicazioni strategiche sono opposte, ma una media mensile non te lo mostrerà mai.
Come si costruisce una cohort table: i passi operativi
Costruire una tabella per coorti non richiede strumenti sofisticati. Bastano i dati delle transazioni e un foglio di calcolo. Ecco come procedere in modo concreto.
Passo 1 — Definisci la coorte e l’evento di riferimento
Il primo passo è decidere cosa definisce una coorte. Nella maggior parte dei casi, la coorte è il mese del primo acquisto: tutti i clienti che hanno comprato per la prima volta a gennaio formano la coorte di gennaio, quelli di febbraio formano la coorte di febbraio, e così via.
L’evento di riferimento — quello che osservi nel tempo — è solitamente un acquisto ripetuto, ma può essere anche un rinnovo di abbonamento, una sessione attiva, un’apertura email o qualsiasi comportamento rilevante per il tuo modello di business. Definisci l’evento prima di costruire la tabella, perché cambierà tutto ciò che leggerai dopo.
Passo 2 — Prepara i dati delle transazioni
Estrai dal tuo sistema di vendita o dal tuo CRM una tabella con almeno tre colonne: identificativo cliente, data del primo acquisto e data di ogni acquisto successivo. Se usi un e-commerce su piattaforma standard, questa estrazione è quasi sempre disponibile in formato CSV.
Una volta ottenuta la tabella, calcola per ogni transazione il mese relativo rispetto al primo acquisto: il mese 0 è il mese di acquisizione, il mese 1 è il mese successivo, il mese 2 quello dopo ancora. Questo passaggio è fondamentale perché allinea tutte le coorti su una scala temporale comune, indipendentemente da quando il cliente è stato acquisito.
Passo 3 — Costruisci la matrice di retention
Ora puoi costruire la tabella vera e propria. Le righe rappresentano le coorti (una per ogni mese di acquisizione), le colonne rappresentano i mesi successivi (mese 0, mese 1, mese 2…). Ogni cella contiene la percentuale di clienti di quella coorte che ha effettuato almeno un acquisto in quel mese relativo.
Ecco un esempio numerico completo con sei coorti mensili:
| Coorte | Mese 0 | Mese 1 | Mese 2 | Mese 3 | Mese 4 |
|---|---|---|---|---|---|
| Gennaio | 100% | 28% | 18% | 14% | 12% |
| Febbraio | 100% | 31% | 20% | 16% | 13% |
| Marzo | 100% | 22% | 12% | 8% | 6% |
| Aprile | 100% | 33% | 24% | 19% | — |
| Maggio | 100% | 29% | 21% | — | — |
| Giugno | 100% | 18% | — | — | — |
Il mese 0 è sempre 100% per definizione: tutti i clienti hanno comprato almeno una volta nel mese in cui sono stati acquisiti. I valori successivi mostrano quanti di loro sono tornati.
Passo 4 — Leggi la tabella in senso verticale e orizzontale
La lettura orizzontale ti mostra la curva di retention di una singola coorte: quanto velocemente i clienti si perdono nel tempo. La coorte di marzo, nell’esempio, scende molto più rapidamente delle altre — dal 22% al 12% al 8% — segnalando un problema specifico di quel periodo.
La lettura verticale, colonna per colonna, ti mostra se le coorti più recenti si comportano meglio o peggio di quelle precedenti allo stesso mese di vita. Se al mese 2 le coorti più recenti mostrano valori sistematicamente più alti, stai migliorando l’esperienza cliente nel tempo. Se invece i valori scendono, stai peggiorando — anche se il fatturato totale cresce.
La coorte di giugno con solo il 18% al mese 1 merita attenzione immediata: è significativamente sotto la media delle altre. Prima di intervenire sul marketing, la domanda giusta è: cosa è successo a giugno? Una promozione aggressiva che ha attirato clienti poco qualificati? Un problema logistico? Un cambiamento nel prodotto? La tabella non risponde da sola, ma indica esattamente dove guardare.
Come leggere la retention curve e cosa ti dice sul prodotto
La curva di retention è la rappresentazione grafica della riga orizzontale di una coorte: parte dal 100% al mese 0 e scende nel tempo. La forma di questa curva è più informativa del valore assoluto.
Curva con stabilizzazione rapida
Quando la curva scende velocemente nei primi due o tre mesi e poi si appiattisce, significa che esiste un nucleo di clienti fedeli che continua a comprare in modo sistematico. Questo è il pattern più sano per un e-commerce o un servizio in abbonamento: la perdita iniziale è fisiologica (clienti che provano e non tornano), ma chi resta diventa un cliente di lungo periodo. In questo caso, il lavoro strategico si concentra su due fronti: ridurre la perdita iniziale e ampliare il nucleo fedele.
Curva senza stabilizzazione
Quando la curva continua a scendere senza mai appiattirsi, anche dopo sei o dodici mesi, il segnale è diverso e più preoccupante. Non si sta formando un nucleo fedele: ogni mese si perdono clienti in modo costante. Questo pattern è quasi sempre un problema di prodotto o di esperienza, non di marketing. Acquisire più clienti non risolve nulla: li stai semplicemente perdendo più velocemente.
Quando la coorte dice che il problema è il prodotto
Questa distinzione è cruciale per prendere decisioni di spesa corrette. Se la curva di retention è bassa e senza stabilizzazione in modo uniforme su tutte le coorti, il problema è strutturale: il prodotto non genera abbastanza valore percepito per giustificare un secondo acquisto. Investire in campagne di acquisizione in questa situazione significa bruciare budget per portare clienti che se ne andranno comunque.
Se invece il problema è circoscritto a una o due coorti specifiche — come la coorte di marzo nell’esempio sopra — il problema è più probabilmente legato a un evento puntuale: una campagna mal targetizzata, un’esperienza di consegna negativa, un’offerta che ha attirato il segmento sbagliato. In quel caso, il marketing può e deve intervenire, ma in modo chirurgico.
Collegare la lettura della cohort table a decisioni operative concrete è esattamente il tipo di analisi che distingue un approccio data-driven al marketing da un approccio basato su intuizioni.
Casi d’uso concreti: e-commerce e servizi a confronto
La cohort analysis si applica in modo leggermente diverso a seconda del modello di business. Vale la pena distinguere i due contesti principali.
E-commerce: retention per acquisto ripetuto
Per un e-commerce, la coorte standard è definita dal primo acquisto e l’evento osservato è ogni acquisto successivo. L’obiettivo principale è capire dopo quanti mesi i clienti smettono di comprare e se esiste una soglia critica — spesso il secondo o terzo acquisto — oltre la quale la probabilità di restare cliente aumenta significativamente.
Un’analisi per coorti su un e-commerce rivela anche il lifetime value reale per coorte di acquisizione: sommando i ricavi generati da ogni coorte nel tempo, puoi confrontare il valore effettivo dei clienti acquisiti in periodi diversi o tramite canali diversi. Questo dato è molto più utile del costo per acquisizione medio, perché ti dice quanto vale davvero ogni euro speso in un determinato periodo o canale.
Sapere che i clienti acquisiti tramite un certo canale a parità di costo generano il doppio del lifetime value rispetto a quelli acquisiti tramite un altro canale è un’informazione che cambia completamente l’allocazione del budget pubblicitario. Per approfondire come trasformare questo tipo di analisi in decisioni concrete, è utile leggere anche come trasformare i dati di marketing in decisioni strategiche.
Servizi e abbonamenti: churn per periodo
Per un’azienda che vende servizi continuativi o abbonamenti, la coorte è definita dalla data di attivazione del contratto e l’evento osservato è il rinnovo o la disdetta. In questo contesto, la cohort analysis diventa essenzialmente un’analisi del churn strutturato nel tempo.
Il vantaggio rispetto a un tasso di churn mensile aggregato è lo stesso visto in precedenza: puoi identificare se certi periodi di onboarding producono clienti più stabili di altri, se esiste una correlazione tra il mese di acquisizione e la durata media del contratto, e se le modifiche al prodotto o al servizio hanno effettivamente migliorato la retention nelle coorti successive alla modifica.
Per i servizi B2B con contratti annuali, la granularità temporale si sposta dal mese al trimestre, ma la logica rimane identica.
Gli errori più comuni nell’analisi per coorti
Costruire una cohort table è relativamente semplice. Leggerla correttamente richiede qualche cautela in più.
Il primo errore è confrontare coorti con dimensioni molto diverse. Una coorte di gennaio con 800 clienti e una di agosto con 60 clienti non sono direttamente comparabili in termini di stabilità statistica: le oscillazioni percentuali della coorte piccola sono molto più rumorose. Prima di trarre conclusioni, verifica che le coorti che stai confrontando abbiano una numerosità sufficiente.
Il secondo errore è ignorare la stagionalità. Un tasso di retention basso a luglio o agosto in molti settori è normale, non allarmante. Se confronti una coorte estiva con una invernale senza tenere conto del contesto stagionale, rischi di attribuire a un problema strutturale quello che è semplicemente un comportamento stagionale del mercato.
Il terzo errore — forse il più costoso — è usare la cohort analysis come esercizio descrittivo invece che decisionale. La tabella non è un fine: è uno strumento per fare una domanda precisa e trovare una risposta precisa. Se costruisci la tabella e poi non la colleghi a nessuna decisione operativa, hai sprecato tempo. Ogni anomalia che emerge dovrebbe tradursi in un’ipotesi da verificare e in un’azione da valutare.
Il quarto errore riguarda la scelta dell’evento sbagliato. Se misuri la retention sull’apertura di una email invece che su un acquisto, stai misurando l’engagement comunicativo, non il valore economico. Assicurati che l’evento che osservi sia allineato con l’obiettivo di business che vuoi capire.
Come integrare la cohort analysis nel processo decisionale ordinario
La cohort analysis non è un’analisi da fare una volta e archiviare. Per essere utile, deve diventare parte del ciclo di revisione periodica dei risultati — idealmente mensile o trimestrale, a seconda della velocità del tuo business.
Il modo più pratico per integrarlo è aggiornare la tabella ogni mese aggiungendo la nuova coorte e una nuova colonna per ogni coorte esistente. In questo modo, nel giro di sei o dodici mesi, avrai una visione longitudinale che ti permette di vedere l’evoluzione della retention nel tempo e di misurare l’effetto reale di qualsiasi intervento — su prodotto, prezzo, comunicazione o esperienza post-acquisto.
Un aspetto spesso sottovalutato è il collegamento tra la cohort analysis e i KPI di marketing che vale davvero la pena monitorare: la retention per coorte dovrebbe essere uno di questi, al pari del costo per acquisizione e del margine per cliente. Chi monitora solo i KPI aggregati mensili ha una visione parziale della salute del proprio business.
Quando condividi i risultati con il management o con il team marketing, l’approccio più efficace è presentare tre elementi insieme: la tabella di retention, la curva grafica di una o due coorti significative, e una domanda operativa specifica che emerge dai dati. Non “ecco come stanno le cose”, ma “la coorte di marzo ha una retention al mese 2 di 8 punti sotto la media: dobbiamo capire se dipende dalla campagna promozionale di quel periodo o da qualcos’altro”.
Domande frequenti
Cos’è esattamente una cohort analysis e a cosa serve?
La cohort analysis è un metodo di analisi che raggruppa i clienti in base al periodo in cui hanno compiuto una prima azione — solitamente il primo acquisto — e ne osserva il comportamento nel tempo. Serve a capire quanto i clienti tornano, quando smettono di farlo e se le coorti più recenti si comportano meglio o peggio di quelle precedenti. È lo strumento più diretto per misurare la retention reale.
Quali dati servono per costruire una cohort table?
Bastano tre informazioni per ogni transazione: l’identificativo del cliente, la data del primo acquisto e la data di ogni acquisto successivo. Questi dati sono quasi sempre disponibili nel pannello di gestione di un e-commerce o in un CRM. Una volta esportati in CSV, si può costruire la tabella su un foglio di calcolo in meno di un’ora.
Con quanti clienti ha senso fare una cohort analysis?
Non esiste una soglia universale, ma coorti con meno di 30-50 clienti producono percentuali molto instabili e difficili da interpretare. Se il tuo volume mensile è basso, puoi allargare la granularità temporale e usare coorti trimestrali invece che mensili. L’importante è che ogni coorte abbia una numerosità sufficiente per rendere le percentuali statisticamente significative.
Qual è la differenza tra retention rate e cohort analysis?
Il retention rate è un numero aggregato: ti dice quanti clienti sono tornati in un dato periodo, ma mescola tutti i clienti indipendentemente da quando sono stati acquisiti. La cohort analysis scompone quel numero per periodo di acquisizione, mostrando se la retention è uniforme o se varia significativamente tra coorti diverse. È la differenza tra una media e una distribuzione.
Come capisco se il problema di retention dipende dal prodotto o dal marketing?
Se la retention bassa è uniforme su tutte le coorti, indipendentemente dal canale o dal periodo di acquisizione, il problema è quasi certamente strutturale: prodotto, esperienza post-acquisto o proposta di valore. Se invece il problema è circoscritto a una o due coorti specifiche, è più probabile che dipenda da una campagna mal targetizzata, un’offerta sbagliata o un evento puntuale di quel periodo.
La cohort analysis si può usare anche per servizi B2B?
Sì, con alcuni adattamenti. Per i servizi B2B con contratti continuativi, la coorte è definita dalla data di attivazione del contratto e l’evento osservato è il rinnovo o la disdetta. La granularità temporale si sposta spesso dal mese al trimestre. La logica è identica: si vuole capire se certi periodi di acquisizione producono clienti più stabili e se gli interventi sul servizio migliorano la retention nelle coorti successive.
Con quale frequenza aggiornare la cohort table?
Per la maggior parte dei business e-commerce, un aggiornamento mensile è sufficiente e raccomandato. Si aggiunge la nuova coorte come nuova riga e una nuova colonna per ogni coorte esistente. Per servizi con contratti annuali, una revisione trimestrale è più appropriata. L’importante è che l’aggiornamento sia sistematico e collegato a una revisione operativa dei risultati, non solo archiviato.
La cohort analysis come bussola strategica, non come esercizio tecnico
La cohort analysis non è uno strumento per analisti: è uno strumento per chi deve decidere. Decide se investire di più in acquisizione o lavorare prima sulla retention. Decide se il problema è nel prodotto o nel targeting. Decide se una nuova campagna ha migliorato la qualità dei clienti o solo il loro numero.
Le medie mensili ti dicono dove sei arrivato. L’analisi per coorti ti dice come ci sei arrivato e se il percorso è sostenibile. Sono due letture complementari, ma solo la seconda ti permette di capire cosa fare la settimana prossima.
Se vuoi costruire questo tipo di visione sui tuoi dati — e trasformarla in decisioni operative concrete — il nostro team è a disposizione: scopri i servizi di Business Intelligence per aziende e valuta come integrare l’analisi per coorti nel tuo processo di revisione dei risultati.
