· 16 Min. · Samet Durgun · Plattformangaben geprüft am

Welche Kohorten aus der App-Akquise amortisieren sich tatsächlich? Vergleichen Sie sie bei gleichem Alter, auf Basis der Proceeds.

Ich bin Samet Durgun, Fractional Head of UA. Ich verantworte Paid UA für Subscription-Apps und Mobile Games und schreibe hier auf, was ich in meinen Accounts sehe. Dieser Beitrag gehört zum Thema Signal Engineering; mehr über mich.

Nehmen Sie zwei Install-Wochen aus derselben Kampagne, je 10.000 $ Spend und 2.000 Installs. Die ältere Woche zeigt bis heute 78% ROAS, die jüngere 57%. Ein Dashboard, das dort aufhört, liest die jüngere Woche als die, die man kürzen sollte. In jedem Alter, das beide Wochen erreicht haben, liegt die jüngere etwa 30% vorn. Der Umsatz bis heute hat Ihnen gesagt, wie alt jede Kohorte war. Welche besser war, hat er Ihnen nicht gesagt.

Ich lese bezahlte Kohorten auf drei Arten. Bei gleichem Alter. Auf Basis der Proceeds, nach Store-Provision, Steuer und Rückerstattungen. In Zellen mit genug Käufen, damit sie etwas aussagen. Die Account-Zahlen unten stammen aus Studien, die ich veröffentlicht habe, jeweils aus einem Account. Jede Zahl im durchgerechneten Beispiel ist eine Rechnung auf Basis einer gekennzeichneten Annahme.

Warum führt der Umsatz bis heute in die Irre?

Umsatz sammelt sich mit der Zeit an. Eine Kohorte, die vor 56 Tagen installiert hat, hatte 56 Tage Zeit, zu zahlen, zu verlängern und Werbung zu sehen. Eine, die vor 14 Tagen installiert hat, hatte 14. Wer ihre Summen vergleicht, addiert das Alter zur Leistung. Die Lösung ist, jede Kohorte nach Tagen seit dem Install zu indizieren und nur an den Tagen zu vergleichen, die beide schon erreicht haben.

Die Tools arbeiten schon so, weshalb ich jedem Report misstraue, der es nicht tut. Apples App Store Connect Analytics weist für jede Download-Kohorte Tag 1, Tag 7 und Tag 35 von Download zu Paid aus. Das Kohorten-Dashboard von AppsFlyer gruppiert Nutzer nach Akquisedatum, zählt dieses Datum als Tag 0 und legt die Kohortentage nach Kalendertagen fest, nicht nach dem Install-Zeitstempel. Ein Nutzer, der um 23:50 installiert, hat deshalb zehn Minuten Tag 0. Zwei Tools können allein aus diesem Grund beim D0-Umsatz voneinander abweichen.

Die Messpunkte sind Konventionen. Apple hat 35 Tage gewählt, SKAN endet bei 35, viele Teams nehmen 28. Die Regel dahinter ist keine Konvention. Gleiches Alter oder kein Vergleich. Meine eigene Routine ist D0 und D7 für die frühe Lesart und D28 für die Entscheidung, im MMP-Kohortenreport. D28 ist das Alter, gegen das ich Tag 0 in der Studie über 606K $ geprüft habe. Dort hat der Day-0-ROAS 38 Meta-Kampagnen fast genauso gerankt wie der Day-28-ROAS, mit einer Rangkorrelation von +0,96, von der ein Teil eingebaut ist, weil der Day-0-Umsatz Teil des Day-28-Umsatzes ist. Deshalb vertraue ich D0 beim Ranken der Kohorten gegeneinander und warte für die absolute Zahl, die ich gegen das Ziel halte, auf D28.

Wie sieht ein Vergleich bei gleichem Alter aus?

Bei gleichem Alter liegt die jüngere Install-Woche an jedem Messpunkt, den sie erreicht hat, etwa 30% vorn, obwohl ihr Umsatz bis heute schlechter aussieht. Jede Zahl in diesem Abschnitt ist illustrativ. Zwei Install-Wochen aus derselben Kampagne, je 10.000 $ Spend und 2.000 Installs, also ein CPI von 5,00 $. Woche A ist heute 56 Tage alt und Woche B 14 Tage. Die Zellen enthalten kumulierte Proceeds pro Install, nach Store-Provision, Steuer und Rückerstattungen.

Install-Woche D0 D7 D14 D28 D56 Bis heute
Woche A, 56 Tage alt 0,90 $ 1,60 $ 2,20 $ 3,00 $ 3,90 $ 7.800 $, 78% ROAS
Woche B, 14 Tage alt 1,20 $ 2,10 $ 2,85 $ 5.700 $, 57% ROAS

Die falsche Lesart ist die letzte Spalte. Woche A hat 7.800 $ zurückgebracht, Woche B 5.700 $. Also sieht Woche A nach dem besseren Targeting oder dem besseren Creative aus, und Woche B nach einem Kandidaten für eine Kürzung. Woche A hatte viermal so viel Zeit, zu verdienen.

Die richtige Lesart ist jede Spalte, die beide Wochen gefüllt haben. Bei D0 liegt B 33% vorn. Bei D7 31%. Bei D14 sind es 2,85 $ gegen 2,20 $, 30% vorn, das sind 57% ROAS gegen 44%. Woche B ist in jedem Alter, das sie erreicht hat, die bessere Kohorte, und die naive Lesart hat das Urteil auf den Kopf gestellt.

Illustrative Kohorten aus der Tabelle oben, 5,00 $ CPI. Das linke Diagramm addiert das Alter zur Leistung. Das rechte Diagramm vergleicht nur die Leistung.

Woche B ist 14 Tage alt und mein Entscheidungsalter ist 28, also stellt sich eine zweite Frage. Was mache ich zwei Wochen lang mit ihrem Spend? Ich rechne die Woche aus älteren Kohorten hoch. Woche A ist von 2,20 $ an D14 auf 3,00 $ an D28 gewachsen, ein Multiplikator von 1,36. Auf die 2,85 $ von Woche B angewendet, ergibt das etwa 3,89 $ pro Install an D28, also 78% ROAS. Eine einzelne ältere Kohorte ist eine Vermutung, deshalb nehme ich die Spanne dieses Multiplikators von D14 zu D28 über mehrere ältere Kohorten. Nehmen Sie Kohorten mit ähnlichem Länder- und Creative-Mix. Angenommen, die Spanne reicht von 1,25 bis 1,45. Woche B landet dann zwischen 3,56 $ und 4,13 $, zwischen 71% und 83% ROAS an D28.

Ob dieses Band etwas entscheidet, hängt vom Ziel ab. Liegt das D28-Ziel bei 70%, liegen beide Enden darüber, und Woche B kann jetzt skalieren. Liegt es bei 75%, liegt das Band auf beiden Seiten der Linie, Woche B bleibt bei gleichbleibendem Spend auf der Watchlist, und ich lese sie an D28 erneut. Die Multiplikatoren gelten nur, solange Produkt, Preise, Paywall und Kanal-Mix den älteren Kohorten nahe bleiben. Nach einem Paywall-Test oder in einem neuen Markt ermitteln Sie die Spanne von vorn.

Welcher Umsatz ist das Geld?

Messen Sie Kohorten für jede Entscheidung über Profitabilität oder Payback anhand der Proceeds, also dessen, was nach Store-Provision, Steuer und Rückerstattungen bei Ihnen ankommt. Für das Geld nutze ich RevenueCat-Proceeds. Für die Aufteilung nach Kampagne nutze ich den MMP-Umsatz und behandle ihn als Bruttozahl zum Ranken, nie als Cash.

Apple definiert Sales als den Gesamtbetrag, der Kunden in Rechnung gestellt wird, und Proceeds als den Betrag, den Sie erhalten, warnt, dass die Proceeds in Sales and Trends nicht endgültig sind, und schätzt US-Dollar-Beträge anhand der Wechselkurse des Vormonats. Die Lücke zwischen beiden besteht aus der Provision und der Steuer, wo der Preis sie enthält, und Rückerstattungen gehen von beidem ab. Im Beitrag zur CPA-Obergrenze habe ich dargelegt, wie Store-Provision, Steuer und Rückerstattungen die Proceeds jeweils verschieben. Die Provision beträgt 30%, 26%, 15% oder 10% plus einer Abrechnungsgebühr von 5%, je nach Store, Programm, Region und bisheriger Abodauer, und die Gebührentabelle von Google Play für 2026 hat die Streuung noch vergrößert.

RevenueCat hält die Ebenen auseinander. Sein Revenue Chart zieht zuerst die Rückerstattungen ab und schätzt dann Steuer und Provision, um bei den Proceeds anzukommen, und sein Leitfaden zum Abgleich ordnet Apples Kundenpreis seiner Umsatzzahl zu und Apples Partneranteil seinen Proceeds. Zwei Vorbehalte. Steuer und Provision sind Schätzungen von RevenueCat, nicht die Abrechnung des Stores. Und Charts v3 zieht eine Rückerstattung an dem Tag ab, an dem sie eintritt, während eine Kohortenauswertung sie dem Kauf zuordnen muss, den sie rückgängig gemacht hat. Buchen Sie Rückerstattungen deshalb auf ihre ursprüngliche Kohorte zurück, bevor Sie Wochen vergleichen.

Die MMP-Zahl ist etwas anderes. Adjust und AppsFlyer melden den Umsatz, den das SDK oder der Server gesendet hat, brutto oder netto je nach Setup, und ich behandle ihn als brutto. Sie melden ihn innerhalb ihrer eigenen Attributionsregeln und Fenster. Wer einen RevenueCat-LTV mit einem Adjust-ROAS vergleicht, vergleicht zwei Basen auf einmal. Ich habe die drei Vergleiche zwischen Meta, RevenueCat und Adjust und die Prüfungen aufgeschrieben, die eine Lücke vertrauenswürdig machen. Die Regel für diesen Artikel ist eine Basis, eine Währung und ein Kalender, auf jeder Ebene der Analyse.

Wie klein darf eine Zelle sein, bevor die Zahl nichts mehr bedeutet?

Eine Zelle braucht 50 Käufe, bevor ich sie lese, denn jede weitere Aufschlüsselung vervielfacht die Zellen und verkleinert die Zahl der Nutzer in jeder einzelnen. Eine Kampagne mit 2.000 Installs über 10 Länder, 2 Stores und 5 Creatives ergibt 100 Zellen mit je 20 Installs. Bei einer Zahlerrate von 3% sind das weniger als ein Zahler pro Zelle.

Die Zahl stammt aus einem Account, den ich gemessen habe, 1,2 Mio. $ über 22 Wochen, wo der ROAS einer Anzeige in einer Woche den ROAS der Folgewoche am besten vorhersagte, sobald die Anzeige in dieser Woche 50 oder mehr Käufe hatte, und selbst dann lag die Korrelation bei 0,44. Unter 50 lese ich die Zelle nicht. Ich fasse sie zusammen, indem ich Wochen zusammenlege oder Länder zu Tiers bündle, bis sie die Linie erreicht.

Die Statistik sagt dasselbe in einer anderen Sprache. Eine Zahlerrate ist ein Anteil, und die Standardformel für ihre Fehlermarge verhält sich bei kleinen Zahlen schlecht, weshalb Brown, Cai und DasGupta stattdessen das Wilson-Intervall empfehlen. Eine Zahlerrate von 3% bei 1.000 Installs, 30 Zahlern, hat ein 95%-Wilson-Intervall von etwa 2,1% bis 4,3%. Dieselben 3% bei 100 Installs, 3 Zahlern, reichen von etwa 1,0% bis 8,5%. Die zweite Zelle kann ein starkes Land nicht von einem schwachen unterscheiden, und daran ändert auch noch so langes Anstarren nichts.

Zwei weitere Gewohnheiten verhindern, dass kleine Zellen Sie anlügen. Legen Sie das Entscheidungsalter fest, bevor Sie hinsehen, denn täglich zu prüfen und zu handeln, sobald eine Kohorte zum ersten Mal die Linie überschreitet, ist das Problem des optionalen Stoppens, das A/B-Tester schon kennen. Und behandeln Sie einen überraschenden Gewinner in einer kleinen Zelle als Hypothese. Gelman und Loken nennen das Problem den Garden of Forking Paths. Bei genug Aufschlüsselungen sieht irgendeine Zelle zufällig stark aus, und ein anderer Datensatz hätte eine andere Zelle stark aussehen lassen. Ein Ergebnis für eine Untergruppe zählt, wenn es sich in der nächsten unabhängigen Kohortenwoche wiederholt.

Wie führe ich eine Kohortenanalyse richtig durch?

Beginnen Sie mit dem gesamten Geschäft nach Install-Woche und gehen Sie dann nur so tief, wie die Zelle noch 50 oder mehr Käufe hat.

  1. Das gesamte Geschäft, Proceeds nach Install-Woche, gleiches Alter. Gleichen Sie zuerst mit den Summen des Stores und von RevenueCat ab.
  2. Nach Store. Gebührenstaffeln, Attributionsregime und Rückerstattungsregeln unterscheiden sich, lesen Sie also iOS und Android getrennt, bevor Sie sie mischen.
  3. Nach Kanal, auf MMP-Basis, wobei Sie das Verhältnis der Plattformzahl zur MMP-Zahl als Kalibrierungsfaktor verfolgen.
  4. Nach Kampagne innerhalb des Kanals.
  5. Nach Land innerhalb der Kampagne, nur dort, wo das Land das Gate erreicht.
  6. Nach Creative, die verrauschteste Ebene. Lesen Sie sie als Richtung und fassen Sie über Wochen zusammen.

Wie vergleiche ich den ROAS zwischen Ländern fair?

Vergleichen Sie Länder bei gleichem Kohortenalter, anhand der Proceeds pro Install, innerhalb eines Stores, mit der Zahlerrate und ihrem Intervall daneben, denn Länder unterscheiden sich darin, was ein Zahler wert ist, schon bevor ein Unterschied darin ins Spiel kommt, wie gut die Anzeigen funktionieren. Apple legt vergleichbare Preise in 175 Storefronts fest, Steuern und Wechselkurse eingerechnet, und Entwickler können jeden dieser Preise von Hand überschreiben. Wo der Preis die Mehrwertsteuer enthält, berechnet der Store die Provision nach Abzug der Steuer. Die Store-Gebühr kann je nach Region abweichen. Der Plan-Mix unterscheidet sich, deshalb unterscheiden sich die Proceeds pro Zahler selbst bei gleichem Preis.

Dazu kommt der Mix. Zwei Kampagnen können innerhalb jedes Landes in die eine Richtung ranken und blended in die andere. Das ist das Simpson-Paradoxon, nach Edward Simpsons Aufsatz von 1951, angewendet auf einen Mediaplan. Illustrativ: Kampagne X läuft in Tier 1 bei 70% ROAS mit 8.000 $ Spend und in Tier 3 bei 130% mit 2.000 $, gemischt ergibt das 82%. Kampagne Y läuft in Tier 1 bei 60% mit 2.000 $ und in Tier 3 bei 120% mit 8.000 $, gemischt 108%. X schlägt Y in jedem Tier und verliert blended, allein wegen der Verteilung des Spends. Der richtige Vergleich hängt davon ab, welchen Mix Sie tatsächlich in großem Umfang einkaufen können, und das erfahren Sie nur, wenn Sie hineinsehen.

In meinem Audit von 383K $ Meta-tROAS-Spend lief ein Land drei Monate lang bei 28% ROAS, innerhalb einer Kampagne, die einen Blended ROAS von 70% auswies, und auf Kampagnenebene hat sich nichts bewegt. Ich habe jedes Land auf D0 und auf All ROAS gegen das eigene Ziel der Kampagne bewertet, drei Monate gewartet, bevor ich etwas ausgeschlossen habe, und zuerst eine Spend-Untergrenze gesetzt, denn ein Land mit 80 $ dahinter hat einen verrauschten ROAS, kein Urteil. Dieses Audit zeigt das Mix-Problem auf Länderebene. Dieser Artikel ergänzt die Regel zum gleichen Alter und das Gate.

Was ist mit dem Umsatz, den der MMP als organisch ausweist?

Ein Teil davon ist bezahlter Umsatz, den der MMP nicht nachverfolgen konnte. Unter ATT hat ein Teil des bezahlten iOS-Umsatzes keinen Klick, der sich nachverfolgen lässt, landet also in Organic, und eine Kohortentabelle zeigt nur den Umsatz, den Sie zuordnen konnten. In den organischen und bezahlten iOS-Installs eines Accounts über 103 Tage tauchten an Tagen mit 100 zusätzlichen bezahlten iOS-Installs etwa 28 zusätzliche organische iOS-Installs auf, eine Steigung von 0,277 auf iOS gegen 0,059 auf Android, wo der Install Referrer noch funktioniert. Bezahlte iOS-Kohorten in diesem Account sahen wie eine Untergrenze aus, und die Lücke zwischen den beiden Steigungen ist der Teil, den Sie mit einem Holdout beziffern sollten.

SKAN macht die Untergrenze niedriger und später. Unter SKAN 4 bekommt eine Kampagne höchstens drei Postbacks, die Tag 0 bis 2, 3 bis 7 und 8 bis 35 abdecken, der feine Conversion Value kommt nur im ersten an, und bei der niedrigsten Crowd-Anonymity-Stufe kommt gar kein Wert an. Jeder Umsatz nach Tag 35, den ein Dashboard einer iOS-Kampagne zuordnet, ist modelliert. Metas Reporting arbeitet mit eigenen Fenstern, und laut seiner Entwicklerdokumentation hat Facebook im Allgemeinen ein größeres Attributionsfenster als die meisten Mobile Measurement Partner. Halten Sie deshalb drei Ebenen auseinander, statt sie zu einem ROAS zusammenzuziehen. Deterministisch attribuierte Proceeds, die Untergrenze für Paid. Modellierte oder probabilistische Proceeds, mit der Methode gekennzeichnet. Nicht attribuierte Proceeds, für sich ausgewiesen und Paid nur über eine ausdrücklich genannte Annahme zugeordnet, etwa einen gemessenen Halo oder ein Holdout-Ergebnis.

Auch die Richtung des Zusammenspiels mit Organic ist nicht geklärt, und ich würde nicht annehmen, dass sie zu Ihren Gunsten ausfällt. Bei eBay fanden Blake, Nosko und Tadelis Erträge aus Paid Search, die nur einen Bruchteil dessen betrugen, was die Attribution auswies, wobei Anzeigen auf Brand-Keywords kurzfristig keinen messbaren Nutzen zeigten. Bei einem großen US-Entwickler von Mobile Games fanden Ju, Zhao und Aral das umgekehrte Vorzeichen. Das weltweite Abschalten seiner Anzeigen senkte die organischen Installs um 20% bis 30%, und auf je 100 $ Spend kamen etwa 32 bezahlte und 2 organische Installs, was sie darauf zurückführen, dass bezahlte Installs die Store-Rankings anheben. Es ist ein Preprint zu einem einzelnen Unternehmen, im Juli 2026 überarbeitet, und die Zahlen haben sich zwischen den Versionen verschoben. Anderer Kanal, anderes Produkt, andere Antwort. Ihr Account hat seine eigene Zahl, und mit den beiden Reports in meinem Artikel zu iOS-Organic beginne ich die Suche danach.

Wann ist eine Kohorte alt genug, um sie zu beurteilen?

Drei Tests, und eine Kohorte muss alle bestehen.

Die Fenster sind geschlossen. Das SKAN-Fenster von 35 Tagen plus Postback-Verzögerung, das Attributionsfenster der Plattform, die Hauptphase der Rückerstattungen und die endgültige Abrechnung der Proceeds durch den Store. Vorher trifft ein Teil der Zahl noch ein.

Die Umsatz-Events hatten Zeit, einzutreten. Ein Jahresplan ist lesbar, kurz nachdem der Trial konvertiert hat, und die nächste Unbekannte ist die Verlängerung in einem Jahr. Ein Monatsplan hat bis D28 nicht verlängert, deshalb nehme ich diesen Umsatz aus der Kurve älterer Kohorten und lasse das Band unten entscheiden. Games mit Käufen und Werbung verdienen weiter, Reife ist also ein Urteil, und im dritten Test unten fälle ich es. Wie lange Sie warten können, ist die Aufgabe der Obergrenze, und die Obergrenze steht fest, bevor die Kohorte existiert.

Späterer Umsatz würde die Entscheidung nicht ändern. Das Band aus dem durchgerechneten Beispiel. Bringen der niedrige und der hohe Multiplikator aus älteren Kohorten die junge Kohorte beide auf dieselbe Seite des Ziels, ist die Entscheidung gefallen, und weiteres Warten macht ein Urteil, das sich nicht mehr ändert, nur noch genauer. Fallen sie auf verschiedene Seiten, bleibt die Kohorte auf der Watchlist.

Was kann Ihnen eine Kohortentabelle nicht sagen?

Sie kann Ihnen nicht sagen, was der Spend verursacht hat. Attribution ist ein Hauptbuch darüber, wer wem zugeordnet wurde, nach den Regeln eines einzelnen Systems. Gordon, Zettelmeyer, Bhargava und Chapsky verglichen 15 Facebook-Werbeexperimente mit 1,6 Milliarden Impressions mit den Beobachtungsmethoden, die Teams jeden Tag nutzen, und stellten fest, dass diese Methoden oft nicht reproduzieren konnten, was die Experimente gemessen hatten, selbst bei umfangreicher statistischer Kontrolle. Zwei der Autoren arbeiteten bei Facebook, die Daten stammen von Facebook, und die Experimente waren Facebook-Kampagnen von 2015 in den USA, keine App-Installs. Das ist ein Grund, die Studie sorgfältig zu lesen, kein Grund, sie abzutun. Nur ein Holdout oder ein Geo-Experiment beantwortet die kausale Frage, und selbst die sind verrauscht. Lewis und Rao zeigten in 25 Feldexperimenten, dass einzelne Käufe im Verhältnis zu den Werbekosten so volatil sind, dass aussagekräftige Intervalle enorme Stichproben brauchen. Wie ich den Test für ein Netzwerk durchführen würde, habe ich im Beitrag zur AppLovin-Inkrementalität beschrieben.

Sie kann Ihnen nicht sagen, woher der SKAN-Umsatz nach Tag 35 oder unterhalb der Anonymitätsschwelle stammt. Sie kann Ihnen nicht sagen, was eine Kohorte nach einer Preisänderung, einer neuen Paywall, einem neuen Markt oder einer neuen Gebührentabelle tun wird, denn die Multiplikatoren nehmen an, dass die Zukunft wie die älteren Kohorten aussieht. Und der Abgleich zwischen Systemen erklärt die Lücken zwischen ihnen, ohne zu sagen, welche Attribution richtig ist. Jedes System ist für eine andere Frage richtig: der Store für Cash, RevenueCat für den Subscription-Status, der MMP für Credit über Netzwerke hinweg, die Ad-Plattform für ihr eigenes Optimierungssignal. Und wenn die Frage lautet, warum eine Kohorte schlechter wurde, und nicht, welche Kohorte besser ist, dann ist das meine Diagnose für steigenden CPI und stagnierenden ROAS, und sie beginnt beim Änderungsprotokoll, nicht bei der Kohortentabelle.

Was sollten Sie prüfen, bevor Sie eine Kohorte profitabel nennen?

  1. Gleiches Alter. Jeder Vergleich an einem Tag, den beide Kohorten erreicht haben, D0 und D7 zum Ranken, D28 zum Entscheiden.
  2. Proceeds. Nach Provision, Steuer und Rückerstattungen, die auf die Kohorte zurückgebucht sind, aus der sie stammen, in einer Währung und einem Kalender.
  3. Das Gate. 50 Käufe in der Zelle, oder fassen Sie sie zusammen.
  4. Store vor Blend. iOS und Android getrennt lesen, bevor es eine gemeinsame Zahl gibt.
  5. Der Mix-Check. Gewinnt der Gewinner auch innerhalb jedes Länder-Tiers noch?
  6. Replikation. Eine überraschende Zelle muss sich in der nächsten Kohortenwoche wiederholen.
  7. Das Band. Bei jungen Kohorten ein niedriger und ein hoher Multiplikator aus älteren Kohorten, und eine Entscheidung nur, wenn beide auf derselben Seite des Ziels landen.
  8. Die Organic-Ebene. Deterministische, modellierte und nicht attribuierte Proceeds getrennt gehalten.

Wenn Sie diese acht Zeilen für Ihren Account nicht ausfüllen können, lese ich im Growth Audit die Kohorten und wende die Gates für einen Account an. Den können Sie einzeln buchen, bei jedem Spend-Level.

Quellen und Geltungsbereich

Alle am 5. Oktober 2026 geprüft. Plattformdokumentation ändert sich ohne Ankündigung, prüfen Sie also das Datum, bevor Sie ein Fenster oder eine Gebühr zitieren. Das durchgerechnete Beispiel, die Illustration zum Simpson-Paradoxon und die Wilson-Intervalle sind Rechnungen auf Basis gekennzeichneter Annahmen, kein Account. Die Account-Zahlen, die ich verlinke, stammen jeweils aus einem Account und sind Beobachtungen, keine Experimente.

Häufige Fragen

Wie erkenne ich, welche meiner Kohorten aus bezahlten App-Installs sich tatsächlich amortisieren?

Richten Sie jede Kohorte nach Tagen seit dem Install aus und vergleichen Sie sie nur an Tagen, die beide erreicht haben, auf Basis der Proceeds nach Store-Provision, Steuer und Rückerstattungen. Der Umsatz bis heute belohnt die ältere Kohorte dafür, dass sie älter ist. Ich lese D0 und D7 früh, entscheide an D28 und nur in Zellen mit 50 oder mehr Käufen. Darunter lege ich Wochen zusammen oder bündle Länder zu Tiers.

Wie führe ich eine Kohortenanalyse für bezahlte User Acquisition richtig durch?

Beginnen Sie mit dem gesamten Geschäft nach Install-Woche, teilen Sie dann nach Store auf, danach nach Kanal, danach nach Kampagne, und gehen Sie auf Land und Creative nur dort hinunter, wo die Zelle noch 50 oder mehr Käufe hat. Vergleichen Sie Kohorten nur bei gleichem Alter, halten Sie auf jeder Ebene eine Umsatzbasis, eine Währung und einen Kalender ein, und behandeln Sie einen überraschenden Gewinner in einer kleinen Zelle als Hypothese, die Sie in der nächsten Kohortenwoche erneut testen.

Soll ich den Kohorten-ROAS am Bruttoumsatz oder an den Proceeds messen?

Messen Sie den Kohorten-ROAS für jede Entscheidung über Profitabilität oder Payback an den Proceeds. Apple und Google berechnen ihre Provision nach Abzug der Steuer, wo der Preis sie enthält, und Rückerstattungen nehmen zurück, was bei Ihnen angekommen ist. Der Umsatz von MMP und Ad-Plattform ist brutto oder netto, je nachdem, was das SDK gesendet hat. Ich behandle ihn deshalb als brutto, nehme die RevenueCat-Proceeds als das Geld und den MMP-Umsatz nur, um dieses Geld nach Kampagne aufzuteilen.

Wie messe ich ROAS über Länder hinweg, ohne mich selbst zu täuschen?

Vergleichen Sie Länder bei gleichem Kohortenalter, auf Basis der Proceeds, innerhalb eines Stores, bevor Sie über Stores hinweg mischen, und nur dort, wo das Land das Kauf-Gate erreicht. Preise, Steuer, Store-Gebühr und Plan-Mix unterscheiden sich alle, eine Blended-Zahl verbirgt also die Streuung. In meinem Audit von 383K $ lief ein Land drei Monate lang bei 28% ROAS, innerhalb einer Kampagne, die 70% auswies.

Wann ist eine Kohorte alt genug, um sie zu beurteilen?

Eine Kohorte ist alt genug, um sie zu beurteilen, wenn ihre Reporting-Fenster geschlossen sind, die Umsatz-Events, auf die es ankommt, Zeit hatten, einzutreten, und die Spanne plausibler Ergebnisse nicht mehr beide Seiten Ihres Ziels umfasst. Bei einem Jahresplan ist das kurz, nachdem der Trial konvertiert hat. Bei einem Monatsplan fällt die erste Verlängerung nach D28, dieser Umsatz stammt also aus der Kurve älterer Kohorten, und die Spanne, die sie ergibt, muss über dem Ziel liegen. Mein Entscheidungsalter ist D28, mit D0 zum Ranken, denn D0 hat in meiner Studie über 606K $ 38 Kampagnen fast genauso gerankt wie D28.