Der Cohort Retention Analyzer: Finden Sie heraus, wo und warum Nutzer abspringen
Why this prompt matters
Diagnosing a retention dip the ad-hoc way — pulling SQL, building a slide, guessing at causes in a meeting — typically takes a product team 2-3 weeks. By the time the root cause surfaces, the cohort that triggered the alarm has often already fully churned, and the next 2-3 cohorts have gone through the same broken experience unnoticed. A structured retention prompt compresses that diagnostic cycle from weeks to minutes, catching a broken onboarding flow or a bad acquisition channel before it silently degrades the next several thousand signups.
What we use it for
You're a growth PM at a 40-person B2B SaaS company. In Monday's leadership meeting, your CEO asks why the April cohort of new signups is retaining 12 percentage points worse than March's cohort at the Week 4 mark, and you have 20 minutes before your next meeting to come back with an answer that isn't 'we're not sure yet.'
Prompt
Act as a senior product analytics consultant who specializes in retention and cohort analysis for SaaS and consumer products. CONTEXT: [PASTE YOUR COHORT RETENTION DATA HERE — a table of cohort start month/week vs. % of users retained at Week 1, Week 4, and Week 12 or equivalent intervals] Product name: [YOUR PRODUCT NAME] Target user segment: [E.G., SMB FINANCE TEAMS, INDIVIDUAL DEVELOPERS, ENTERPRISE IT ADMINS] Known changes during this period: [LIST ANY PRODUCT CHANGES, ONBOARDING REDESIGNS, PRICING CHANGES, OR MARKETING CAMPAIGNS THAT OVERLAP WITH THE COHORT WINDOWS] TASK: Analyze the retention curves across cohorts to identify: 1. Which cohorts retain significantly better or worse than the others, and by how many percentage points 2. The specific week or month where drop-off accelerates most sharply across cohorts 3. Plausible causes tied to the product changes, onboarding friction, seasonality, or marketing source quality provided above 4. A ranked list of hypotheses for the single biggest retention risk, each with a confidence level and a concrete way to validate it CONSTRAINTS: - Do not just describe the data back to me — provide causal hypotheses grounded specifically in the product changes and context I gave you - Rank hypotheses by likely business impact, not alphabetically or by how confident you are - Flag any data quality issues you notice (e.g., sample size too small to trust, non-monotonic retention that suggests a tracking bug, or missing cohorts) - Limit the ranked hypotheses list to a maximum of 5 — do not pad with low-confidence guesses just to fill space - If the data doesn't support a strong conclusion, say so explicitly rather than forcing a narrative OUTPUT FORMAT: 1. Headline Finding — one to two sentences stating the single most important retention insight 2. Cohort Comparison Table — cohorts ranked best-to-worst with retention % at each measured interval 3. Drop-off Point — where retention falls off most sharply, and by how many percentage points 4. Ranked Hypotheses (up to 5) — cause, confidence level (High/Medium/Low), and how to validate it 5. Recommended Next Action — the single most valuable thing to test or fix first, and why it's the highest-leverage move
Result
Headline Finding
The April cohort's Week 4 retention (58%) is 12 points below March's (70%), and nearly the entire gap opens in the first 7 days — this looks like an onboarding regression, not a slow organic decline.
Cohort Comparison Table
| Cohort | Week 1 | Week 4 | Week 12 |
|---|---|---|---|
| February | 81% | 68% | 52% |
| March | 84% | 70% | 54% |
| April | 69% | 58% | — |
April's Week 1 retention alone is 12-15 points below both prior cohorts, and that gap persists rather than narrowing by Week 4 — the damage is happening immediately after signup, not accumulating gradually.
Drop-off Point
The steepest break is Days 1-3 post-signup. February and March cohorts lose about 6-8 points of retention in this window; April loses 19 points. Every cohort loses users in the first three days — April is losing roughly three times as many.
Ranked Hypotheses
1. Onboarding flow change shipped March 28 (Confidence: High). The new 5-step guided setup replaced a 2-step quick-start exactly 3 days before the April cohort's signup window opens. Early-days drop-off cliffs immediately after an onboarding redesign are one of the most common and well-documented causes of this exact pattern. Validate by: pulling funnel completion rates for the new 5-step flow — if completion rate is below 60%, this is very likely the primary cause.
2. Paid channel mix shift (Confidence: Medium). Marketing notes indicate an increased spend shift toward a new paid social channel starting April 2. Lower-intent traffic from a new acquisition channel commonly produces exactly this kind of front-loaded drop-off. Validate by: segmenting April's Week 1 retention by acquisition source — if the new channel's cohort retains dramatically worse than organic/existing channels, this compounds with hypothesis 1 rather than replacing it.
3. Pricing page A/B test bleed-through (Confidence: Low). A pricing experiment launched April 10 for a different user segment; possible but unlikely cross-contamination into this cohort given the targeting rules described. Validate by: confirming experiment targeting logs excluded new signups during this window.
Data Quality Note
April's Week 12 figure is missing because the cohort hasn't reached that age yet — do not treat this as a data gap requiring investigation.
Recommended Next Action
Pull the new 5-step onboarding funnel's step-by-step completion data before your next meeting. If there's a specific step with an unusually high abandonment rate, you'll likely have a concrete, fixable culprit — not just a correlation — within the hour.
Retention-Dashboards sind in allen Produktanalysetools allgegenwärtig, aber ein Dashboard zeigt Ihnen nur, dass sich eine Zahl verändert hat – es sagt Ihnen nie, warum. Die meisten Teams reagieren auf eine schlechte Retention-Kurve, indem sie die Daten in eine Tabelle exportieren, sie anstarren und in einem Meeting laut spekulieren. Dieser Prozess ist langsam, unstrukturiert und stark von der Theorie beeinflusst, die der ranghöchste Mitarbeiter im Raum zufällig zuerst favorisiert.
Dieser Prompt wurde entwickelt, um dieses Rätselraten durch eine strukturierte Kausalanalyse zu ersetzen, die denselben Denkschritten folgt, die ein erfahrener Growth-Analyst durchführen würde – aber komprimiert in eine einzige Anfrage.
Warum der Prompt so aufgebaut ist
Die Role-Anweisung – „Senior Product Analytics Consultant" – ist wichtiger, als sie aussieht. Ohne sie neigen Allzweckmodelle dazu, die Daten zu beschreiben („Kohorte A hatte eine bessere Retention als Kohorte B"), anstatt sie zu diagnostizieren. Wenn man das Modell als Consultant einrahmt, der Empfehlungen gegenüber einem Kunden rechtfertigen muss, drängt es zu kausalem Denken, anstatt Zahlen, die Sie bereits vor sich haben, neu zu formulieren.
Der Context-Abschnitt verlangt bewusst mehr als nur die Retention-Zahlen. Die Einbeziehung bekannter Produktänderungen, Onboarding-Redesigns und Marketingkampagnen im selben Zeitraum macht aus dieser Übung eine echte Diagnose – das Modell kann nur fundierte Hypothesen aufstellen, wenn es etwas hat, worauf es sie stützen kann. Ein Retention-Prompt, der nur Zahlen liefert, wird generische Erklärungen produzieren („Nutzer könnten das Interesse verlieren"), die auf jedes SaaS-Produkt zutreffen und für konkrete Maßnahmen nutzlos sind.
Der Constraints-Block übernimmt drei spezifische Aufgaben. Erstens erzwingt er eine Rangordnung nach geschäftlicher Auswirkung, nicht nach alphabetischer oder konfidenzbasierter Reihenfolge – wichtig, weil die Hypothese mit der höchsten Konfidenz nicht immer die mit der größten Auswirkung ist. Zweitens begrenzt er die Hypothesenliste auf maximal fünf – ohne diese Begrenzung neigen Modelle dazu, minderwertige Vermutungen zu überproduzieren, um gründlich zu wirken, was die ein oder zwei wirklich umsetzbaren Ideen untergräbt. Drittens fängt die explizite Anweisung, Datenqualitätsprobleme zu markieren, einen für Retention-Daten spezifischen Fehlermodus ein: nicht-monotone Kurven (bei denen Woche-4-Retention höher ist als Woche-1, was für eine korrekte Retention-Kurve mathematisch unmöglich ist) deuten fast immer auf einen Tracking-Bug hin, nicht auf ein reales Verhaltensmuster – und ein Analyst, der dies nicht prüft, baut eine ganze Erzählung auf kaputten Daten auf.
Wie gute Ergebnisse aussehen
Ein sinnvoller Durchlauf dieses Prompts sollte etwas liefern, das Sie direkt in eine Slack-Nachricht vor einem Führungskräftemeeting einfügen könnten: eine zusammenfassende Erkenntnis als Behauptung formuliert (keine Beschreibung), eine kleine Vergleichstabelle, den spezifischen Punkt, an dem die Kurve bricht, und – entscheidend – eine nächste Aktion, nicht nur weitere Analyse. Wenn die Ausgabe des Modells wie eine längere Version der Eingabedaten klingt, hat der Prompt versagt und braucht wahrscheinlich eine stärkere Einschränkung, die das Wiederholen verbietet.
Wo dieses Muster über Retention hinausgeht
Dieselbe Struktur aus Role + fundiertem Context + Hypothesenranking mit Constraints funktioniert für jedes „Warum hat sich diese Metrik bewegt"-Problem – Churn-Spitzen, Conversion-Rate-Einbrüche, Support-Ticket-Anstiege. Die spezifischen Felder ändern sich, aber die Form – kausales Denken erzwingen, auf bekannte Ereignisse stützen, die Hypothesenanzahl begrenzen, Datenqualität markieren – ist jedes Mal wiederverwendbar, wenn Sie einem Modell eine Zeitreihe übergeben und fragen „warum".