Cohort Analysis untuk Marketer Indonesia: Cara Mengukur Retensi yang Tidak Bohong

TL;DR: Cohort Analysis membagi pelanggan berdasarkan periode akuisisi (mingguan, bulanan) lalu melihat perilaku tiap kelompok dari waktu ke waktu. Berbeda dengan metrik agregat, cohort menjawab pertanyaan "apakah pelanggan yang masuk April 2026 lebih retentif daripada Januari?". Per April 2026, cohort wajib dipakai sebelum mengambil keputusan tentang CLV, pricing, atau saluran akuisisi.

Ada angka yang sering menipu di dashboard: total pengguna aktif bulanan. Angka ini bisa naik karena akuisisi baru, padahal retention pelanggan lama justru bocor. Saat saya membantu satu marketplace lokal mengaudit funnel-nya, dashboard menunjukkan MAU naik 18 persen dalam tiga bulan, tapi cohort analysis mengungkap retention bulan ke-2 turun dari 34 persen menjadi 21 persen. Akuisisi sedang menutupi kebocoran retensi.

Tulisan ini menunjukkan cara membaca dan membangun cohort analysis untuk tim marketing Indonesia, tanpa perlu data scientist khusus.

Kenapa Metrik Agregat Bohong

Total pengguna aktif, total revenue, dan rata-rata frekuensi belanja semuanya angka agregat. Mereka mencampur cohort baru dan lama. Saat akuisisi sedang agresif, cohort baru mendominasi dan menyembunyikan masalah cohort lama. Cohort analysis memisahkan ini dengan menanyakan: "untuk pelanggan yang pertama bertransaksi di Januari 2026, berapa persen masih aktif di bulan ke-3?".

Pendekatan ini melengkapi RFM Analysis, funnel analysis, dan first-party data yang sudah Anda kumpulkan. RFM melihat status sekarang, funnel melihat konversi per langkah, cohort melihat retention dari waktu ke waktu.

Cara Membangun Cohort Analysis

Untuk SQL sederhana di Supabase atau BigQuery, struktur query-nya: ambil minggu akuisisi pertama tiap user, gabung dengan minggu transaksi berikutnya, hitung jumlah user aktif per cohort per minggu. Hasil ditampilkan sebagai tabel triangular dengan baris cohort dan kolom periode-N.

Studi Kasus: Marketplace Lokal yang Salah Baca Pertumbuhan

Saat kami audit klien marketplace lokal awal 2026, dashboard menunjukkan pertumbuhan sehat. Setelah cohort analysis disusun, terlihat tiga hal:

1. Cohort Q4 2025 retention bulan ke-3 di angka 31 persen
2. Cohort Q1 2026 retention bulan ke-3 di angka 19 persen
3. Akuisisi Q1 2026 hampir dua kali lipat Q4 2025

Kombinasi ini menjelaskan kenapa MAU naik tapi revenue per user turun. Akar masalah: campaign akuisisi memakai diskon agresif yang menarik price-sensitive shoppers tanpa intent retention. Solusi: ganti creative ke value-based, lalu ukur ulang cohort April 2026.

Cohort Analysis untuk Konten dan SEO

Cohort tidak hanya untuk e-commerce. Tim konten bisa menyusun cohort artikel berdasarkan bulan publish, lalu melihat traffic per artikel di bulan ke-1, ke-3, ke-6. Pola yang sehat: traffic terus naik atau stabil. Pola masalah: traffic puncak di minggu pertama lalu turun ke nol. Pola kedua menandakan konten tidak punya intent search yang tahan waktu, bukan masalah promosi.

Bandingkan praktik ini dengan rekomendasi resmi di Google Search Central dan riset Nielsen Norman Group tentang user behavior yang konsisten.

Pertanyaan Umum

Berapa lama cohort harus diobservasi?

Untuk e-commerce, minimal 6 bulan untuk melihat pola retention nyata. Untuk SaaS bulanan, 12 bulan. Lebih pendek dari itu, kesimpulan terlalu rentan terhadap musim.

Berapa ukuran cohort minimal?

Idealnya 200-500 user per cohort agar persentase tidak goyang. Untuk dataset lebih kecil, gabungkan ke cohort kuartalan.

Apakah perlu tools mahal?

Tidak. Looker Studio dengan koneksi BigQuery atau Supabase sudah cukup. Mixpanel dan Amplitude membantu untuk tim yang event-driven, tapi bukan prasyarat.

Bagaimana kalau data akuisisi tidak lengkap?

Mulai dari titik data terbersih yang Anda miliki, jangan tunggu ideal. Cohort yang tidak sempurna lebih informatif daripada agregat yang menipu.

Penutup: Hentikan Optimasi Berdasarkan Angka Agregat

Marketer yang membaca cohort lebih jujur kepada dirinya sendiri. Angka agregat memuaskan secara emosional ketika naik, padahal sering menutupi kebocoran. Sebelum keputusan besar tentang harga, channel mix, atau campaign baru, jalankan cohort analysis. Anda akan menemukan masalah yang dashboard summary sembunyikan.