Cohort Analysis: Cara Membaca Retensi Tanpa Menipu Diri

Kalau laporan bulanan Anda hanya menampilkan satu angka retensi, misalnya "retensi 38 persen", angka itu sebenarnya campuran dari banyak kelompok pengguna yang perilakunya berbeda-beda. Pengguna yang mendaftar Januari lewat kampanye diskon bisa punya pola bertahan yang jauh berbeda dari pengguna yang datang organik di Maret. Menyatukan semuanya jadi satu rata-rata membuat Anda kehilangan informasi paling berguna: kelompok mana yang benar-benar bertahan, dan setelah berapa lama mereka mulai pergi.

Kenapa Satu Angka Retensi Tidak Cukup

Bayangkan Anda punya 1.000 pengguna baru di Januari dan 1.000 pengguna baru di Februari. Di bulan Maret, total pengguna aktif Anda 1.450. Terlihat sehat. Tapi angka itu tidak memberi tahu apakah pengguna Januari masih bertahan atau sudah habis dan yang tersisa hanya pengguna Februari. Dua skenario ini butuh respons yang sangat berbeda: yang pertama soal memperbaiki produk, yang kedua soal memperbaiki saluran akuisisi.

Cohort analysis menyelesaikan masalah ini dengan mengelompokkan pengguna berdasarkan waktu mereka pertama kali melakukan aksi penting, biasanya registrasi atau pembelian pertama. Setiap kelompok lalu dilacak secara terpisah dari bulan ke bulan. Hasilnya bukan satu angka, melainkan sebuah tabel yang menunjukkan bagaimana tiap kelompok menua.

Menyusun Tabel Kohort Pertama Anda

Anda tidak perlu alat mahal untuk memulai. Kebutuhan minimalnya tiga kolom di tabel transaksi atau event: identitas pengguna, tanggal aksi pertama, dan tanggal aktivitas berikutnya. Dari sana, langkahnya sebagai berikut.

• Tentukan definisi aktif yang jelas. Apakah aktif berarti membuka aplikasi, menyelesaikan satu transaksi, atau mengirim pesan? Pilih satu dan pakai secara konsisten.
• Hitung selisih bulan antara aktivitas dan bulan pertama pengguna. Kalau pengguna pertama aktif Januari dan kembali Maret, selisihnya dua bulan.
• Susun tabel dengan baris sebagai kohort bulan pendaftaran dan kolom sebagai bulan ke-0, ke-1, ke-2, dan seterusnya.
• Isi setiap sel dengan persentase pengguna dari kohort itu yang masih aktif di bulan tersebut.

Contoh hasilnya bisa terlihat seperti ini. Kohort Januari berisi 1.000 pengguna, bulan ke-0 selalu 100 persen, bulan ke-1 turun ke 42 persen, bulan ke-2 ke 33 persen, dan bulan ke-3 ke 29 persen. Kohort Februari berisi 1.000 pengguna dengan pola 100 persen, 51 persen, 44 persen, dan 41 persen. Dari tabel ini langsung terlihat bahwa kohort Februari bertahan lebih baik, dan pertanyaannya berubah dari "kenapa retensi rendah" menjadi "apa yang berbeda pada Februari".

Tiga Pola Kurva yang Sering Muncul

Setelah beberapa bulan, tabel kohort biasanya membentuk salah satu dari tiga pola.

Pola pertama adalah kurva yang terus melandai ke bawah hingga mendekati nol. Ini tanda bahwa produk Anda pada dasarnya dipakai sekali lalu ditinggalkan, misalnya alat yang hanya dibutuhkan saat ada acara tertentu. Solusinya bukan mendorong retensi paksa, tapi mungkin mencari segmen pengguna yang memakai berulang.

Pola kedua adalah kurva yang turun tajam lalu mendatar di angka tertentu, misalnya berhenti di 25 persen. Ini pola yang paling sehat untuk banyak produk. Artinya ada kelompok kecil pengguna yang benar-benar cocok dengan produk Anda, dan tugas berikutnya adalah memperbesar kelompok itu.

Pola ketiga adalah kurva bergerigi, naik-turun tanpa arah jelas. Biasanya ini gejala masalah pengukuran, bukan masalah produk. Bisa jadi definisi aktif berubah di tengah jalan, ada event yang gagal tercatat, atau ada kampanye yang mendatangkan pengguna yang tidak relevan.

Dari Tabel ke Keputusan Nyata

Tabel kohort baru berguna kalau berujung pada tindakan. Beberapa cara memakainya secara praktis.

Pertama, bandingkan kohort sebelum dan sesudah sebuah perubahan produk. Kalau Anda merombak alur onboarding di awal Maret, lihat apakah kohort Maret dan April menunjukkan kurva bulan ke-1 yang lebih tinggi dibanding kohort Januari dan Februari. Perbedaannya biasanya tidak langsung terlihat di total pengguna aktif.

Kedua, pisahkan kohort berdasarkan saluran akuisisi. Pengguna dari pencarian organik sering punya retensi lebih stabil dibanding pengguna dari iklan berdiskon besar, karena motif kedatangannya berbeda. Kalau ternyata saluran mahal menghasilkan retensi rendah, biaya akuisisi efektifnya sebenarnya jauh lebih tinggi dari yang terlihat di dasbor.

Ketiga, gunakan kohort untuk menentukan target yang realistis. Kalau kurva mendatar di 30 persen, jangan pasang target retensi 60 persen bulan depan. Target yang lebih masuk akal adalah menaikkan titik datar itu sedikit demi sedikit, misalnya dari 30 ke 33 persen dalam satu kuartal, sambil menjaga jumlah pengguna baru tetap tumbuh.

Jebakan yang Sering Terjadi

Ada beberapa kesalahan yang membuat analisis kohort jadi menyesatkan. Kohort yang terlalu kecil, misalnya hanya 20 pengguna, membuat persentase melompat-lompat tanpa makna. Sebaiknya gabungkan beberapa minggu atau bulan sampai tiap kelompok punya minimal beberapa ratus pengguna.

Jebakan lain adalah mendefinisikan aktif terlalu longgar. Kalau "aktif" berarti sekadar membuka aplikasi, hampir semua orang akan terlihat bertahan, padahal mereka tidak mendapat nilai apa pun. Definisi yang lebih ketat tapi relevan dengan nilai produk biasanya lebih jujur.

Terakhir, jangan hanya melihat tabelnya sekali. Retensi adalah ukuran yang bergerak lambat. Periksa tabel yang sama setiap bulan, catat perubahan titik datarnya, dan hubungkan dengan keputusan yang Anda ambil. Dengan begitu, tabel kohort berubah dari laporan yang jarang dibuka menjadi alat navigasi yang benar-benar memandu arah produk.