# Kohorten-, RFM- und Trichter-Analysator Füge eine Bestell- oder Ereignis-CSV ein und erhalte den Growth-Stack auf einer Seite: Retention-Dreieck mit Heatmap, RFM-Quintilen auf die zehn Standard-Lebenszyklussegmente und ein Trichter in strenger Reihenfolge. > Kanonische Seite: https://elysiatools.com/de/tools/cohort-retention-rfm-funnel-analyzer - **Kategorie:** Data Visualization - **Schlagwörter:** kohortenanalyse, retention, rfm, churn, trichter, kundensegmentierung, growth ## Überblick Eine semantische Schicht über deinem Transaktionslog, nicht noch ein generisches Diagramm. Kohorten bilden sich nach Monat (oder ISO-Woche) der ersten Bestellung; Retention ist der Anteil, der in jeder Folgekategorie erneut bestellt — klassisches Dreiecks-Heatmap mit Nutzerzahlen je Zelle, größengewichtete Durchschnittsretention je Index sowie beste/schlechteste Kohorte. RFM nach Standardmethode: Quintilen 1–5 für Recency, Frequency, Monetary, der dreistellige Code wird auf zehn Segmente abgebildet (Champions, Treue, Potenziell treu, Neu, Vielversprechend, Aufmerksamkeit nötig, Risikiert, Unverzichtbar, Ruht, Verloren) mit Basisanteil, Durchschnittsausgabe und empfohlener Maßnahme. Der Trichter zählt Nutzer nur für einen Schritt, wenn sie den vorherigen früher erreicht haben. Flexible Header: user/customer, date/timestamp, amount/revenue, event/action. ## Eingaben - **CSV de pedidos / eventos** (textarea): user_id,date,amount u1,2026-01-05,120 u1,2026-02-03,80 u2,2026-01-08,200 - **Período de coorte** (select) - **Períodos a exibir** (number) - **Data de análise** (text): defaults to the newest date in the CSV - **Etapas do funil (opcional)** (text): signup, cart, checkout, purchase — needs an event column ## Wann verwenden - Wenn monatliche oder wöchentliche Wiederkaufraten über ein klassisches Kohorten-Dreieck visualisiert werden sollen. - Wenn Kunden anhand von Recency, Frequency und Monetary Value in standardisierte Segmente wie Champions oder Abwanderungsgefährdete unterteilt werden müssen. - Wenn mehrstufige Conversion-Pfade wie Registrierung, Warenkorb und Checkout in chronologischer Reihenfolge gemessen werden sollen. ## Funktionsweise - Fügen Sie eine CSV-Tabelle mit Transaktions- oder Ereignisdaten ein, die Standardspalten für Nutzer, Datum, Betrag und optional Events enthält. - Wählen Sie das Kohortenintervall nach Monat oder ISO-Woche, die Anzahl der Anzeigeperioden sowie optional ein Stichtagsdatum oder Trichter-Schritte. - Das Tool generiert sofort das Retention-Dreieck mit Heatmap, ordnet RFM-Quintile den zehn Standardsegmenten zu und berechnet die Trichter-Konversionsraten. ## Anwendungsfälle - E-Commerce-Kundenbindung: Erkennen von Churn-Zeitpunkten und Messung der Wiederkaufsrate nach der ersten Bestellung. - Gezieltes CRM-Marketing: Identifikation von ruhenden oder abwanderungsgefährdeten Kunden für Reaktivierungskampagnen. - Produkt-Onboarding-Analyse: Überprüfung von Funnel-Drop-offs vom ersten Website-Besuch bis zum finalen Kaufabschluss. ## Häufig gestellte Fragen ### Welche Spaltennamen werden in der CSV-Datei unterstützt? Das Tool erkennt gängige englische und deutsche Spaltennamen für Nutzer (user, customer), Datum (date, timestamp), Betrag (amount, revenue) und Ereignisse (event, action) automatisch. ### Wie wird die Reihenfolge im Conversion-Trichter geprüft? Ein Nutzer wird bei einem Trichterschritt nur gezählt, wenn er die vorherigen Schritte bereits zu einem früheren Zeitpunkt abgeschlossen hat. ### Wie erfolgt die Zuteilung der RFM-Segmente? Kunden werden in Quintilen von 1 bis 5 für Aktualität, Häufigkeit und Umsatzwert bewertet und anhand dieses Scores einem von zehn Standard-Lebenszyklussegmenten zugeordnet. ### Welches Datum wird als Stichtag genutzt, wenn keines angegeben ist? Wird kein Analysedatum hinterlegt, verwendet das Tool automatisch das neueste in den CSV-Daten gefundene Datum. ### Werden meine Kundendaten an einen Server übertragen? Nein, die gesamte Berechnung und Visualisierung erfolgt vollständig lokal in Ihrem Browser. ## Ähnliche Tools - [Stryd Critical-Power- und W′bal-Rekonstruktor fürs Laufen](https://elysiatools.com/de/tools/stryd-running-power-critical-power-and-w-prime-bal-reconstructor): Leiten Sie CP und W′ aus einem 3-Minuten-All-out-Test, Leistung–Zeit-Paaren oder Distanz–Zeit-Läufen ab und geben Sie eine Stryd-Sitzung (.fit/.tcx/CSV) wieder: W′bal nach dem Integralmodell von Skiba 2012 und dem Differentialmodell von Froncioni/Skiba/Clarke, Erschöpfungsprognose, Stryd-Zonen und Doppelpanel-Diagramm. - [Zeitreihen-Prognose- und Saisonalitaetsanalyse](https://elysiatools.com/de/tools/time-series-forecast-seasonality-analyzer): Prognostiziert kuenftige Perioden aus CSV- oder JSON-Zeitreihen und zeigt Trend, Saison und Residuen in einem Bericht - [Variationskoeffizient-Rechner](https://elysiatools.com/de/tools/coefficient-of-variation): Variationskoeffizient (CV) für numerische Spalten berechnen, um die relative Variabilität zu messen - [Korrelationsanalyse](https://elysiatools.com/de/tools/correlation-analyzer): Fortschrittetes Korrelationsanalyse-Werkzeug zur Berechnung von Korrelationskoeffizienten zwischen Variablen zur Messung der Stärke und Richtung ihrer linearen Beziehungen. - [CSV-Diagrammstudio: Histogramm, Streudiagramm und Boxplot](https://elysiatools.com/de/tools/csv-histogram-scatter-box-plot-chart-studio): CSV hochladen oder einfügen und sofort zeichnen: Histogramme nach Sturges / Freedman-Diaconis / Scott, Streudiagramme mit Pearson-r und Ausgleichsgerade sowie Tukey-Boxplots — jedes Diagramm als PNG und SVG herunterladbar. - [Daten-Grenzverarbeiter](https://elysiatools.com/de/tools/data-boundary-processor): Erweitertes Grenzwertverarbeitungswerkzeug zur Identifizierung und Handhabung von Minimum- und Maximumwerten in numerischen Daten. Perfekt für Datenvalidierung, Bereichsprüfung, statistische Analyse und Datenvorverarbeitung. - [CSV-Deduplizierer](https://elysiatools.com/de/tools/data-deduplicator): Entfernt doppelte Zeilen basierend auf Spaltenkombinationen - [Min-Max Normalisierer](https://elysiatools.com/de/tools/data-normalizer-minmax): Normalisieren numerischer Daten mit Min-Max-Skalierung, um Werte in einen 0-1 Bereich zu transformieren. Perfekt für Machine Learning Vorverarbeitung, Datenanalyse und Feature-Skalierung. ## Beispiele - [Windows Zeichenkettenverarbeitung - C# Beispiele](https://elysiatools.com/de/samples/windows-string-processing-csharp): Umfassende C# Zeichenkettenverarbeitungsbeispiele für Windows-Plattform einschließlich Manipulation, Aufteilung, Verknüpfung, reguläre Ausdrücke und Textanalyse - [CSV Beispiele](https://elysiatools.com/de/samples/csv-samples): CSV-Beispieldateien mit verschiedenen Datentypen, Größen und Komplexitätsstufen - [Python Beispiele](https://elysiatools.com/de/samples/python): Python Code-Beispiele und Hello World Demonstrationen - [Pfad-Analyzer-Beispiele](https://elysiatools.com/de/samples/path-analyzer): Umfassende Sammlung von Dateisystempfaden aus Windows, Linux und macOS für Pfadanalyse und -tests