Cos'è la cohort analysis?

La cohort analysis è la tecnica che raggruppa utenti o clienti in coorti in base a una caratteristica temporale condivisa, tipicamente il mese o la settimana del primo acquisto, della prima iscrizione o del primo utilizzo, e ne segue il comportamento nel tempo separatamente per ogni coorte, invece di osservare una singola metrica aggregata su tutta la base clienti. Ogni coorte diventa un gruppo tracciabile: quanti di quelli iscritti a marzo sono ancora attivi dopo tre mesi, quanto spendono in media dopo sei, quanti hanno abbandonato dopo il primo anno. Il confronto tra coorti successive rivela se un cambiamento, un nuovo prezzo, una nuova campagna di acquisizione, una modifica al prodotto, ha migliorato o peggiorato il comportamento dei clienti acquisiti dopo quel cambiamento rispetto a quelli acquisiti prima. È una tecnica descrittiva di segmentazione temporale, non un modello predittivo: non stima un risultato futuro, ma organizza dati storici già disponibili in modo da rendere visibile un pattern che una media generale nasconde per costruzione.

Perché la media generale nasconde il problema

Una metrica aggregata come il churn medio annuo o la retention media a 90 giorni è il risultato di un mix di coorti diverse, ciascuna acquisita in un momento diverso e con una composizione diversa. Il problema è simile nello spirito a quello descritto in hidden stratification, dove una metrica aggregata alta nasconde un fallimento sistematico su un sottogruppo, ma qui la dimensione nascosta è specificamente temporale: non un canale o una lingua, ma il momento di acquisizione. Una retention media del 60% può descrivere sia una situazione in cui tutte le coorti si comportano in modo simile, sia una situazione in cui le coorti più vecchie hanno una retention dell'80% e quelle più recenti del 35%, con la media che compensa le due cifre e restituisce un numero rassicurante che non descrive nessuna coorte reale. Solo separando i dati per coorte quella differenza diventa visibile, e solo a quel punto si può chiedere cosa è cambiato per i clienti più recenti.

Un esempio enterprise

Una SaaS italiana di fatturazione elettronica per PMI monitora un churn medio mensile intorno al 4%, ritenuto in linea con il settore, e non lo scompone ulteriormente. Un'analisi di coorte per mese di primo abbonamento mostra invece che i clienti acquisiti nei sei mesi prima di un aumento di prezzo del 15% hanno un churn a 12 mesi del 22%, mentre i clienti acquisiti dopo l'aumento, arrivati soprattutto tramite una nuova campagna a performance su un canale diverso, hanno un churn a 12 mesi del 41%. Il numero aggregato mensile non lo mostra perché mescola coorti vecchie più fedeli con coorti nuove più instabili in proporzioni che cambiano ogni mese. Isolare la coorte problematica permette di attribuire il calo non al prezzo in sé, ma alla qualità del lead generato dal nuovo canale, e di correggere l'acquisizione invece di rincorrere il sintomo sul prodotto.

Perché conta per chi decide

Una metrica aggregata stabile può convivere con un deterioramento reale che riguarda solo i clienti più recenti, e chi guarda solo il numero medio lo scopre sempre in ritardo, quando la coorte problematica è già diventata una quota rilevante della base clienti. La cohort analysis costa poco da implementare, spesso basta una query su dati già raccolti, ma richiede la disciplina di guardarla regolarmente e non solo quando qualcosa sembra andare storto. Prima di lanciare una nuova campagna, cambiare un prezzo o modificare l'onboarding, vale la pena chiedere quale coorte ne verrà tracciata separatamente: senza quel confronto, l'effetto della decisione si vedrà solo diluito in una media, mesi dopo che sarebbe stato possibile intervenire.