Case study: jak analiza kohort ujawniła źródło spadku retencji — krok po kroku

Spadek retencji w e-commerce to prawdziwy koszmar dla właścicieli sklepów internetowych. Kiedy klienci przestają wracać, standardowe statystyki często maskują rzeczywiste przyczyny problemu. Analiza kohortowa grupuje klientów według wspólnych cech i śledzi ich zachowania w czasie, ujawniając ukryte wzorce, które prowadzą do utraty lojalności (YourCX.io). Pokażę Ci historię fikcyjnego, ale realistycznego polskiego sklepu, który rozwiązał dramat 15% spadku retencji w ciągu zaledwie jednego kwartału.

Punkt wyjścia: dramat ModneUbrania.pl

ModneUbrania.pl to średniej wielkości polski e-sklep z odzieżą, obsługujący 50 tysięcy klientów rocznie przy obrotach 5 mln zł. W pierwszym kwartale 2026 roku retencja (mierzona jako powtarzalne zakupy w ciągu 30 dni) spadła dramatycznie z 28% do 13%. Alarm najwyższej kategorii, zwłaszcza że pozyskiwanie nowych klientów kosztuje pięciokrotnie więcej niż utrzymanie obecnych.

Zespół e-commerce analizował standardowe raporty, ale ogólne wskaźniki pokazywały tylko sam spadek, nie jego przyczynę. Przełom nastąpił dopiero po decyzji o przeprowadzeniu szczegółowej analizy kohortowej w Google Analytics 4.

Protip: Zacznij od prostych kohort akwizycyjnych (według daty pierwszego zakupu) — najszybciej pokażą Ci trendy retencji bez skomplikowanych narzędzi i zaawansowanej konfiguracji (Prosperstack).

Czym właściwie jest analiza kohortowa?

Analiza kohortowa dzieli klientów na grupy o podobnych cechach, a następnie śledzi metryki jak retencja czy LTV w określonych przedziałach czasowych. W e-commerce oddziela rzeczywiste trendy od ogólnych danych zagregowanych (WebEngage). Odpowiada na kluczowe pytania:

• czy nowi klienci zachowują się inaczej niż ci sprzed miesiąca?
• który kanał pozyskania generuje najbardziej lojalnych kupujących?
• kiedy dokładnie następuje największy spadek aktywności?

Wyróżniamy trzy główne typy:

• kohorty akwizycyjne — według daty pierwszego zakupu, idealne do analizy retencji,
• kohorty behawioralne — według konkretnych działań, np. porzuconych koszyków,
• kohorty cyklu życia — dzielące na nowych vs lojalnych klientów (YourCX.io).

Średnia roczna retencja w e-commerce wynosi zaledwie 25-30%, co oznacza, że churn (utrata klientów) sięga nawet 70-75% (FinSi.ai). Polskie sklepy internetowe notują wskaźnik CRR (Customer Retention Rate) na poziomie 20-30% (Strix.net).

Krok 1: Definiowanie problemu i wybór kohort

Każda skuteczna analiza wymaga precyzji już na starcie. Zespół ModneUbrania.pl wybrał konkretną metrykę — retencję mierzoną jako procent klientów dokonujących powtórnego zakupu w D+7 i D+30 (7 i 30 dni po pierwszym zamówieniu). Zdecydowano się na grupowanie miesięczne według daty pierwszego zakupu, co eliminowało dzienne wahania statystyczne.

Początkowa tabela wyglądała tak:

Kohorta (miesiąc nabycia)	Retencja D+30	Poprzedni wynik	Zmiana
Grudzień 2025	28%	28%	0%
Styczeń 2026	13%	27%	-14%
Luty 2026	11%	26%	-15%

Tabela natychmiast uwidoczniła pionowy spadek w nowych kohortach — to nie była sezonowość, ale fundamentalna zmiana, która pojawiła się w 2026 roku (Bloom Analytics).

Krok 2: Budowa tabeli kohortowej i wizualizacja wzorców

W Google Analytics 4 zespół wszedł do sekcji Odbiorcy > Analiza kohortowa, ustawiając typ jako “data akwizycji”, a metrykę jako “aktywni użytkownicy z zakupem”. Kluczowe jest rozumienie trzech wymiarów:

• odczyt poziomy pokazuje, jak dana grupa zachowuje się w czasie,
• odczyt pionowy porównuje różne kohorty w tym samym okresie,
• odczyt diagonalny obrazuje całkowitą aktywność w danym momencie.

Wizualizacja ujawniła niepokojące “pionowe paski” — wszystkie nowe kohorty traciły połowę klientów już między D+7 a D+14, podczas gdy starsze grupy (sprzed stycznia) utrzymywały stabilną lojalność.

Protip: Korzystaj z heatmaps (map cieplnych) w narzędziach jak Amplitude lub YourCX — kolory automatycznie podświetlają strefy krytyczne bez żmudnej analizy procent po procencie (YourCX.io).

Gotowy prompt AI do analizy Twoich kohort

Skopiuj poniższy prompt i wklej go do ChatGPT, Gemini lub Perplexity, aby szybko zdiagnozować problemy z retencją:

Jestem właścicielem sklepu e-commerce [BRANŻA]. Moja retencja w ciągu 30 dni spadła z [STARY_PROCENT]% do [NOWY_PROCENT]% między [MIESIĄC_1] a [MIESIĄC_2]. 

Przeprowadź analizę kohortową:
1. Jakie mogą być 5 głównych przyczyn tego spadku w e-commerce?
2. Jak powinienem posegmentować kohorty, by znaleźć źródło problemu?
3. Jakie konkretne kroki diagnostyczne powinienem podjąć w kolejności?
4. Jakie szybkie działania naprawcze zasugerujesz dla branży [BRANŻA]?

Zmienne do wypełnienia:

• [BRANŻA] — np. odzież, kosmetyki, elektronika,
• [STARY_PROCENT] — poprzedni poziom retencji,
• [NOWY_PROCENT] — obecny poziom retencji,
• [MIESIĄC_1] i [MIESIĄC_2] — okres spadku.

Możesz też skorzystać z naszych autorskich generatorów biznesowych dostępnych na stronie narzędzia lub kalkulatorów branżowych kalkulatory.

Krok 3: Segmentacja głęboka — tu kryje się prawda

Prawdziwa moc analizy ujawnia się przy dodatkowej segmentacji. Zespół ModneUbrania.pl podzielił kohorty według:

• kanału pozyskania (Google Ads vs email marketing),
• urządzenia (mobile vs desktop),
• danych customer experience z YourCX (oceny NPS, zgłoszenia problemów).

Wyniki zaskoczyły wszystkich:

• kohorta mobile styczeń: zaledwie 8% retencji (vs 18% desktop) — wyraźny sygnał problemów z UX mobilnym,
• kohorta z email marketingu: stabilne 22% — wciąż działa dobrze,
• dane CX: aż 40% kohorty styczeń-luty zgłaszało opóźnienia w dostawie.

Zagadka została rozwiązana: w styczniu sklep zmienił firmę kurierską na tańszą, co spowodowało 20-30% opóźnień w dostawach (YourCX.io). Terminowa dostawa zwiększa retencję nawet dwukrotnie według analiz customer experience (YourCX.io).

Krok 4: Walidacja hipotezy przez testy

Znalezienie korelacji to dopiero początek — trzeba ją potwierdzić. Zespół stworzył kohorty testowe, porównując klientów z opóźnioną dostawą z tymi, których paczki dotarły na czas:

• klienci z opóźnioną dostawą: 9% retencji,
• klienci z terminową dostawą: 25% retencji.

Hipoteza potwierdzona w stu procentach. Dodatkowo sprawdzono korelację z NPS: klienci oceniający sklep poniżej 7 praktycznie nie wracali (0% powrotów) (YourCX.io).

Protip: Integruj dane customer experience (NPS, problemy z dostawą, reklamacje) z kohortami behawioralnymi — badania pokazują, że taka integracja zwiększa wartość insights o 20% (YourCX.io).

Krok 5: Działania naprawcze i monitoring efektów

Z jasną diagnozą przyszedł czas na konkretne kroki. ModneUbrania.pl ruszyło do akcji:

Działania natychmiastowe:

• powrót do poprzedniej firmy kurierskiej dla wszystkich nowych zamówień,
• wysłanie emaili “przepraszamy za opóźnienie” z kodem 10% zniżki do kohorty “opóźnieni”,
• zwiększenie częstotliwości komunikacji o statusie przesyłki.

Działania długoterminowe:

• personalizowane oferty dla kohorty dotkniętej problemem,
• cotygodniowy monitoring kohort w dashboardzie GA4,
• automatyczne alerty na spadki retencji przekraczające 10%.

Efekty po dwóch miesiącach przerosły oczekiwania: retencja kohort z marca wzrosła do 24%, a wartość życiowa klienta (LTV) poszła w górę o 15-20% — zgodnie z podobnymi międzynarodowymi case studies (Rebenagesta).

Narzędzia i najlepsze praktyki

Google Analytics 4 oferuje bezpłatną analizę kohortową, wystarczającą dla większości sklepów. Dla bardziej zaawansowanych analiz sprawdzą się narzędzia jak Amplitude, Mixpanel czy polskie YourCX, które łączą dane behawioralne z customer experience (YourCX.io).

Inspirujące przykłady ze świata:

• Amazon wykorzystuje kohorty do personalizacji rekomendacji, zwiększając sprzedaż o 25% (Rebenagesta),
• Zalando optymalizuje kampanie marketingowe przez kohorty, podnosząc konwersję o 15%.

Zacznij od:

• zbierania danych z co najmniej 3-6 miesięcy,
• testowania zmian na 10% ruchu,
• łączenia analizy z AI do predykcji churnu.