Je draait dit jaar ytd minder bestellingen of boekingen dan anders. Je kijkt naar je analytics dashboard: het verkeer is vergelijkbaar, de conversieratio is misschien iets gedaald, maar je campagnes lijken te doen wat ze altijd deden. Dan maar meer budget steken in de lopende marketingcampagnes om het gat in de omzet op te vangen zeker?
Wat je misschien mist: de oorzaak van het gebrek aan omzet ytd is niet een gebrek aan acquisitie. Het ligt aan retentie. En dat is iets dat je in het verleden makkelijker kon fixen dan vandaag.
Nieuwe klanten aantrekken is duurder dan bestaande klanten behouden. Maar hoe kan je eigenlijk weten en meten hoe goed je retentie in elkaar zit? En als het niet goed in elkaar zit, waarom?
Al meerdere keren heb ik ondervonden dat, als het minder gaat, er in paniek ingezet wordt om snel budget op te trekken en op meer nieuwe klanten te mikken, terwijl het antwoord eigenlijk eenvoudiger kan zijn.
Wat je rapport je vertelt, en wat het verzwijgt
De meeste tools die ik ben tegengekomen tonen je een momentopname. Je kijkt naar de afgelopen week, maand of dag en bekijkt wat er dan is gebeurd. Het toont je sessies, conversies en omzet over verschillende periodes. Nuttig om bij te sturen, maar het vertelt je in de meeste gevallen niet waarom klanten die vorig jaar bij je kwamen dit jaar niet terugkomen.
GA4 heeft een cohortrapport, maar het is beperkt en wordt zelden correct gebruikt. En zelfs de standaard metrics die je er wél uit haalt, verdienen een kritische blik. Wat er in de praktijk gebeurt: bedrijven kijken naar het totaalplaatje, zien een daling, en zoeken de oorzaak in het huidige jaar. Ze optimaliseren campagnes, verbeteren de landingspagina en testen nieuwe kanalen. Terwijl de echte oorzaak al veel eerder is ontstaan.
Repeat share versus repeat rate: een verschil dat enorme gevolgen heeft
Hier wil ik even bij stilstaan, want dit is de fout die ik al vaker ben tegengekomen dan je zou denken. Ook bij bedrijven die denken dat ze hun retentie goed opvolgen.
Repeat share is het aandeel van je bestellingen of boekingen dat vandaag van terugkerende klanten komt. Als 35% van je boekingen dit jaar van repeaters komt, klinkt dat als een gezond teken van loyaliteit.
Maar repeat share zegt alleen iets over de samenstelling van je huidige boekingen. Niet over hoe loyaal je klanten werkelijk zijn. Dat cijfer betekent dus dat je voor 35% afhankelijk bent van herhalingen. Niet dat 35% van je klanten opnieuw boeken of bestellen.
Stel dat je minder nieuwe klanten hebt geworven. Dan daalt het totaal, maar het aantal herhalende bestellingen blijft gelijk. Je repeat share stijgt, terwijl je retentie eigenlijk is verslechterd of gelijk is gebleven. De conclusie die je trekt: klanten worden trouwer. De werkelijkheid: je hebt gewoon minder nieuwe klanten aangetrokken.
Repeat rate is het cijfer dat belangrijker is. Van alle klanten die je hebt gewonnen, hoeveel zijn er ooit teruggekomen? Dat gaat over de kwaliteit van een acquisitieperiode. Niet over de samenstelling van je huidige omzet.
Ik heb het al bij verschillende klanten gemerkt dat ze naar het eerste cijfer keken ipv het tweede. In één van de cases bleek na een cohortanalyse dat de repeat rate van de laatste twee acquisitiejaren merkbaar lager lag dan die van eerdere cohorten. De klanten waren niet per se minder tevreden. De oorzaak lag elders. Dat patroon was jarenlang onzichtbaar gebleven. Iedereen keek naar repeat share. De conclusie was telkens: "het gaat goed, meer dan een derde van onze boekingen komt van terugkerende klanten." Iedereen negeerde onbewust cohorten en keek naar andere signalen voor herhaalbestellingen.
"Repeat share vertelt je hoe afhankelijk je omzet vandaag is van herhaalbestellingen. Repeat rate vertelt je hoe goed je nieuwe klanten hebt gereactiveerd."
Wat dat verschil betekent voor je acquisitiebudget beschrijf ik in het artikel over CLTV en ROAS-doelstellingen.
Wat een cohortanalyse toont
Een cohort is een groep klanten die je in dezelfde periode hebt gewonnen, typisch hetzelfde jaar of seizoen. Volg die groepen apart in de jaren daarna, en je ziet iets wat in totaalcijfers volledig verdwijnt.
Bij het bedrijf waar ik over schrijf zag de retentieheatmap er zo uit: klanten gewonnen in 2018 en 2019 kwamen terug aan een rate van rond de 25%. Klanten gewonnen in 2022 en 2023 zaten na één jaar op 18 à 19%. Niet dramatisch lager, maar consistent. En het was geen toeval.
Betrouw hiervoor aub niet op een cohort uit GA4 want die zal allerminst betrouwbaar zijn. Probeer dit uit de data van het bedrijf zelf te halen. Kijk naar je klanten, wanneer ze voor het eerst bestelden en hoe vaak ze nogmaals bestelden.
De vraag was: wat is er anders aan die recentere cohorten? De strategie leek dezelfde als alle andere jaren, maar de markt is ook competitiever geworden.
Hetzelfde patroon is zichtbaar in de demo-dataset, waar meerdere jaren aan vervolgdata beschikbaar zijn. De absolute cijfers liggen anders dan in de case hierboven, maar de gradient is identiek: oudere cohorten houden duidelijk beter stand dan recente, en de retentie kalft jaar na jaar verder af.
Wat ik vond bij dit bedrijf
Bij een ander bedrijf waar ik voor werkte, bestaat er een loyaliteitspromo die klanten aanmoedigt om bij checkout hun volgende verblijf vast te leggen. In seizoenen waar die promo goed werd ingezet, was de mediane tijd tussen checkout en herboeking kort. In het seizoen waar pricing laat beschikbaar was, werd de promo veel minder gebruikt en lag de mediane herboekingstijd beduidend hoger.
De hypothese die daaruit volgde: terugkerende klanten waren klaar om te boeken, maar konden niet. Ze stonden met de portefeuille in de hand, maar de prijzen stonden er nog niet in. Elk moment dat je deze groep laat wachten is een kans dat ze churnen.
Dat verlies zie je pas een jaar later in je retentiecijfers. Dan is het te laat.
Dat is wat de data uit mijn dashboards toonde bij dit specifieke bedrijf. Of hetzelfde mechanisme speelt bij jouw business hangt af van je product, je aankoopcyclus, en of er een moment is waarop je klant klaarstaat om opnieuw te kopen en jij er niet bent. De vraag is universeel. Het antwoord is dat niet.
"Je trouwste klanten vertrekken niet per se na een slechte ervaring. Vaak heb je gewoon het moment gemist om ze te reactiveren."
Elke business heeft een omlooptijd
Het voorbeeld hierboven gaat over hospitality, waar de jaarlijkse cyclus goed zichtbaar is in boekingsdata. Maar dezelfde vraag geldt voor elke business met terugkerende klanten.
Een B2B-dienstverlener wiens klanten jaarlijks hun contract verlengen. Een accountantskantoor in het voorjaar. Een tuincentrum dat weet dat klanten elke maart terugkomen. De kernvraag is steeds dezelfde: weet je wanneer jouw klant klaar is om opnieuw te kopen? En ben je er op dat moment?
In andere sectoren moet je die omlooptijd zelf reconstrueren uit aankoophistorie. Maar als je hem kent, weet je wanneer je beschikbaar en zichtbaar moet zijn.
Drie vragen die elke business zou moeten kunnen beantwoorden
Je hebt hier geen complex dashboardsysteem voor nodig. Drie vragen volstaan.
- Wat is de aankoopcyclus van je herhalende klanten, wat is hun lifetime? Als je dit weet, weet je hoe je je acquisitieperiodes moet indelen. In dit artikel spreken we over acquisitiejaren maar voor een andere business kan dat een acquisitieweek zijn.
- Wat is de repeat rate per acquisitieperiode? Niet de repeat share van vandaag, maar het percentage klanten gewonnen in periode X dat ooit is teruggekomen. Daalt dat percentage, dan kan het nog seizoensgebonden zijn. Als je het over meerdere jaren bekijkt krijg je wel een beter beeld.
- Op welk moment bereiken terugkerende klanten je aankooppagina? Zorg dat een bestaande klant direct een herhaalaankoop kan maken.
Wat je nog meer kan zien als de data er ligt
De kern van dit verhaal is het verschil tussen repeat share en repeat rate. Het timing-mechanisme is wat ik vond bij dit specifieke bedrijf. Maar een volwaardige cohortanalyse levert nog een reeks andere inzichten op.
Bij een ander bedrijf waar ik voor werk, bekeek ik onder meer welk type product de meeste loyaliteit creëert. Niet elk product trekt even trouwe klanten aan, en dat heeft gevolgen voor hoe je marketing en pricing inricht. Daarnaast viel op hoe de tijd tussen boekingen evolueert naarmate een klant vaker terugkomt, en of recentere cohorten een ander terugkeerritme vertonen. Churn analyseren per seizoen werd ook mogelijk: systematisch of gebonden aan specifieke jaren? En voor bedrijven met meerdere locaties of productlijnen kon je repeat rate per categorie vergelijken om te zien waar de sterkste loyaliteit ontstaat. Je wil toch een zo hoog mogelijke klantwaarde per klant?
Elk van die inzichten begint bij dezelfde vraag: van de klanten die je hebt gewonnen, hoeveel zijn er teruggekomen, wanneer, en waarom wel of niet.
In een volgend artikel ga ik dieper in op hoe je die omlooptijd precies meet, welke signalen wijzen op nakend churn, en hoe je dat operationeel vertaalt naar actie op het juiste moment.
Als je bestellingen of boekingen dit jaar lager zijn, begin niet meteen bij acquisitie of campagnes. Begin bij de basisvraag: zijn er minder acquisities of herhalingen dan verwacht? Of allebei? Kijk niet alleen naar de verhouding maar ook naar het absolute aantal repeaters. Daalt dat terwijl je totaal gelijk blijft of stijgt, dan speelt er een retentieprobleem.
Pas dan heeft het zin om te kijken welke acquisitieperiode underperformt in repeat rate, en wat er is gebeurd op het moment dat die klanten klaar waren om terug te komen. Er zijn genoeg manieren om te zien welke klanten meer potentie hadden om te herhalen en middelen om die te activeren. Soms heeft reactivatie ook geen zin. Ik heb ook gewerkt voor een business die kachels verkoopt. Daar verwachten ze in de eerste 20 jaar geen nieuwe aankoop. Maar goed, dat is een ander verhaal.