Cohort Analysis Adalah: Membaca Retensi Pelanggan

Cohort analysis adalah cara mengelompokkan pelanggan berdasarkan kapan mereka pertama kali bergabung, lalu memantau berapa persen dari tiap kelompok yang masih aktif di bulan-bulan berikutnya. Dengan cara ini Anda bisa menjawab pertanyaan yang tidak bisa dijawab angka total: apakah pelanggan yang masuk bulan ini bertahan lebih baik daripada pelanggan tiga bulan lalu?

Misalnya jumlah pelanggan aktif Anda naik terus. Kelihatannya bagus. Tapi bisa saja kenaikannya hanya karena pelanggan baru masuk lebih cepat daripada pelanggan lama pergi. Cohort analysis membuka apa yang tersembunyi di balik angka total itu.

Pengertian cohort analysis

Cohort artinya kelompok orang yang punya satu kesamaan di waktu yang sama. Dalam bisnis, kesamaan yang paling sering dipakai adalah bulan akuisisi: semua pelanggan yang mendaftar atau pertama kali belanja di bulan Januari masuk cohort Januari.

Setelah kelompoknya terbentuk, Anda ikuti perjalanan tiap cohort dari waktu ke waktu. Angka yang biasanya dipantau adalah retensi: persentase anggota cohort yang masih aktif di bulan ke-1, ke-2, ke-3, dan seterusnya sejak bergabung.

Cohort analysis sangat berguna untuk:

  • Perusahaan SaaS, untuk melihat apakah pelanggan tetap berlangganan setelah masa awal.
  • E-commerce dan toko, untuk melihat apakah pembeli pertama kembali belanja.
  • Bisnis berlangganan lain, seperti klinik dengan paket perawatan, sekolah atau kursus, dan jasa laundry langganan.

Kalau Anda sudah memantau churn rate, cohort analysis adalah langkah berikutnya. Churn memberi satu angka rata-rata per bulan. Cohort memperlihatkan churn itu terjadi pada kelompok yang mana dan di bulan keberapa.

Membentuk cohort berdasarkan bulan akuisisi

Ada tiga keputusan yang perlu Anda buat sebelum menghitung.

1. Kapan seseorang dianggap bergabung. Untuk SaaS, biasanya tanggal mulai berlangganan berbayar. Untuk toko online, tanggal transaksi pertama. Pilih satu definisi dan pakai terus.

2. Apa arti “aktif”. Untuk langganan, aktif berarti masih membayar. Untuk toko, aktif bisa berarti melakukan minimal satu transaksi di bulan tersebut. Definisi yang berbeda akan menghasilkan angka yang sangat berbeda, jadi tulis definisinya di dashboard.

3. Seberapa besar satuan waktunya. Bulanan paling umum dan paling mudah dibaca. Mingguan cocok untuk aplikasi yang dipakai harian. Untuk bisnis dengan pembelian jarang, seperti furnitur, cohort per kuartal lebih masuk akal.

Setelah itu, tiap pelanggan cukup punya dua informasi: bulan bergabung dan daftar bulan di mana ia aktif. Semua tabel cohort dibangun dari dua informasi ini.

Membaca tabel cohort

Tabel cohort biasanya berbentuk segitiga. Tiap baris adalah satu cohort. Tiap kolom adalah jumlah bulan sejak bergabung: B0 adalah bulan bergabung (selalu 100%), B1 adalah bulan berikutnya, dan seterusnya. Isi sel adalah persentase anggota cohort yang masih aktif.

Contoh di bawah memakai data rekaan sebuah SaaS kecil, dengan warna yang makin gelap untuk retensi yang makin tinggi:

Contoh tabel retensi cohort bulanan Januari sampai Mei 2026: retensi turun dari 100% di bulan 0 ke sekitar 36% di bulan 6, dan cohort April serta Mei bertahan lebih baik di bulan 1

Ada tiga cara membaca tabel ini:

  • Baca per baris (ke kanan) untuk melihat perjalanan satu cohort. Cohort Januari turun tajam dari 100% ke 62% di bulan pertama, lalu melandai dan bertahan di sekitar 36%. Pola seperti ini umum: kehilangan terbesar terjadi di awal.
  • Baca per kolom (ke bawah) untuk membandingkan cohort di umur yang sama. Di kolom B1, cohort Januari sampai Maret ada di kisaran 60-63%, lalu cohort April dan Mei naik ke 74-75%. Ini sinyal ada sesuatu yang berubah mulai April.
  • Lihat di mana kurvanya mendatar. Titik di mana retensi berhenti turun tajam menunjukkan pelanggan yang benar-benar menemukan manfaat produk Anda. Makin tinggi titik datarnya, makin sehat bisnisnya.

Sel kosong di kanan bawah tidak berarti datanya hilang. Bulan-bulan itu memang belum lewat untuk cohort yang lebih baru.

Contoh insight dari cohort

Berikut contoh pertanyaan yang bisa dijawab dengan cohort analysis:

  • Apakah perubahan onboarding berhasil? Misalnya tim Anda memperbaiki panduan awal pengguna di bulan April. Kalau retensi B1 cohort April ke atas lebih tinggi dari cohort sebelumnya, seperti contoh di atas, itu indikasi perubahan tersebut membantu. Tetap cek faktor lain, misalnya perubahan harga atau sumber pelanggan.
  • Apakah pelanggan dari promo diskon bertahan? Contoh di toko online: cohort bulan kampanye besar sering lebih besar jumlahnya, tapi retensinya bisa lebih rendah karena banyak yang hanya datang untuk diskon.
  • Di bulan keberapa pelanggan paling banyak pergi? Kalau penurunan terbesar selalu di B1, fokuskan perbaikan di minggu-minggu pertama. Kalau penurunan besar di B12, mungkin masalahnya di momen perpanjangan kontrak tahunan.
  • Kanal mana yang membawa pelanggan terbaik? Pecah cohort berdasarkan sumber: iklan, referral, atau tim sales. Sering kali kanal dengan biaya per pelanggan paling murah justru memberi pelanggan yang cepat pergi.

Untuk bisnis berlangganan, cohort juga bisa dihitung dengan nilai uang, bukan hanya jumlah pelanggan. Misalnya berapa persen pendapatan cohort Januari yang masih tersisa di bulan ke-6. Angka ini berhubungan erat dengan MRR, karena upgrade paket bisa membuat retensi pendapatan lebih tinggi daripada retensi jumlah pelanggan.

Membuat cohort di SQL atau tools BI

Kalau data transaksi atau langganan Anda sudah ada di database, tabel cohort bisa dibuat dengan satu query. Contoh di bawah memakai sintaks PostgreSQL untuk tabel transaksi yang punya kolom id_pelanggan dan tanggal:

WITH aktivitas AS (
  SELECT DISTINCT id_pelanggan, DATE_TRUNC('month', tanggal) AS bulan
  FROM transaksi
),
cohort AS (
  SELECT id_pelanggan, MIN(bulan) AS bulan_cohort
  FROM aktivitas
  GROUP BY id_pelanggan
)
SELECT
  c.bulan_cohort,
  (EXTRACT(YEAR FROM a.bulan) - EXTRACT(YEAR FROM c.bulan_cohort)) * 12
    + (EXTRACT(MONTH FROM a.bulan) - EXTRACT(MONTH FROM c.bulan_cohort)) AS bulan_ke,
  COUNT(DISTINCT a.id_pelanggan) AS pelanggan_aktif
FROM aktivitas a
JOIN cohort c USING (id_pelanggan)
GROUP BY 1, 2
ORDER BY 1, 2;

Hasil query ini berupa daftar panjang: cohort, bulan ke berapa, dan jumlah pelanggan aktif. Bagi jumlah di tiap baris dengan jumlah di bulan ke-0 untuk mendapat persentase, lalu tampilkan sebagai tabel pivot. Di BigQuery atau MySQL, fungsi tanggalnya sedikit berbeda, tapi logikanya sama. Kalau Anda baru mulai belajar query, dasar-dasarnya ada di artikel SQL adalah.

Di tools BI, langkahnya kurang lebih:

  1. Siapkan tabel dengan kolom bulan_cohort, bulan_ke, dan pelanggan_aktif dari query di atas.
  2. Buat tabel pivot dengan bulan_cohort sebagai baris dan bulan_ke sebagai kolom.
  3. Tambahkan pewarnaan bersyarat (heatmap) supaya polanya langsung terlihat.

Power BI, Metabase, dan Looker Studio (yang sejak April 2026 berganti nama menjadi Data Studio) sama-sama bisa menampilkan tabel pivot dengan pewarnaan. Untuk tim kecil, Google Sheets dengan pivot table dan conditional formatting juga cukup, selama datanya tidak terlalu besar.

Yang paling penting adalah tabel ini diperbarui otomatis. Cohort analysis baru terasa manfaatnya kalau Anda melihatnya tiap bulan dan bisa membandingkan cohort baru dengan cohort lama tanpa menghitung ulang manual.

Kalau data pelanggan Anda masih tersebar di beberapa aplikasi dan menyusun tabel cohort terasa ribet, Aqilatic bisa membantu menyusun alur datanya sampai dashboard lewat audit proses gratis. Contoh proyek data dan dashboard yang biasa kami kerjakan ada di bagian layanan kami.

Pertanyaan yang sering muncul

Apa bedanya cohort analysis dengan churn rate?

Churn rate adalah satu angka: berapa persen pelanggan yang berhenti dalam satu periode. Cohort analysis memecah angka itu per kelompok bergabung, jadi Anda tahu kelompok mana yang bermasalah dan di bulan keberapa.

Berapa banyak data yang dibutuhkan?

Minimal beberapa bulan data dengan jumlah pelanggan per cohort yang cukup. Kalau satu cohort hanya berisi lima pelanggan, satu orang pergi sudah membuat retensi turun 20%, jadi angkanya mudah menyesatkan.

Apakah cohort analysis hanya untuk SaaS?

Tidak. Toko online, klinik, kursus, dan bisnis apa pun yang punya pelanggan berulang bisa memakainya. Yang dibutuhkan hanya data tanggal pertama bergabung dan data aktivitas pelanggan setelahnya.