フレームワーク活用ガイドひとことで言うと#
売上やCVRなどの結果指標を掛け算・足し算の構成要素に分解し、「どこを動かせば全体が最も改善するか」を特定する分析手法。
押さえておきたい用語#
- KPI（Key Performance Indicator）
- 重要業績評価指標。事業やプロジェクトの進捗を測るために設定する定量的な目標値を指す。
- 因数分解（Decomposition）
- 1つの指標を掛け算や足し算の構成要素に分けること。「売上 ＝ 客数 × 客単価」が最も基本的な形である。
- レバレッジポイント
- 分解した要素の中で、改善余地が大きく全体への影響が最も高い改善の急所を指す。
- 感度分析（Sensitivity Analysis）
- 各構成要素を同じ割合だけ改善した場合に全体がどれだけ動くかを比較する手法。レバレッジポイントの特定に使う。
メトリクス分解の全体像#
こんな悩みに効く#
- 売上が下がったが原因がどこにあるか特定できない
- KPIを改善したいが何から手をつければいいかわからない
- 施策の効果見込みを定量的に示して上司を説得したい
基本の使い方#
売上、CVR、LTV、解約率など、いま最も改善したい指標を1つ決める。
- 複数の指標を同時に分解しない。まず1つに集中する
- 「なぜこの指標を改善したいのか」の目的を明確にしておく
選んだ指標を算数レベルの式に分ける。
- 掛け算型: 売上 ＝ 客数 × 客単価、CVR ＝ クリック率 × フォーム完了率
- 足し算型: 客数 ＝ 新規客 + 既存客、売上 ＝ 商品A売上 + 商品B売上
- 分解は2〜3階層が目安。深すぎると施策に落ちない
各構成要素を10%改善した場合に全体がどれだけ動くかをシミュレーションする。
- 改善余地が大きい: 業界平均やベンチマークとの乖離が大きい要素
- コントロール可能: 自チームの施策で動かせる要素
- 改善余地×影響度×コントロール可能性の3軸で優先順位をつける
具体例#
月商180万円の美容室（スタッフ3名）。売上が伸び悩んでいるが、何から手をつけるか迷っていた。
売上を分解すると以下の通り。
| 構成要素 | 現状値 | 業界中央値 |
|---|---|---|
| 月間来店客数 | 240人 | 250人 |
| 客単価 | 7,500円 | 7,200円 |
| リピート率（3ヶ月以内） | 48% | 65% |
客数も客単価も業界並みだが、リピート率が 48% と大きく乖離。ここがレバレッジポイント。リピート率を65%に引き上げると月間来店数は約280人になり、月商は 210万円（+17%）に届く。
施策として次回予約の声かけと、来店後3週間でのLINEリマインドを導入。3ヶ月後にリピート率は 61% まで改善し、月商は198万円に到達した。
月間訪問者120万人、CVR 1.2% のファッションEC（従業員200名）。CVRを1.5%に引き上げるため因数分解した。
CVR ＝ 商品詳細到達率 × カート追加率 × 決済完了率
| 要素 | 現状 | 競合平均 | 乖離 |
|---|---|---|---|
| 商品詳細到達率 | 42% | 45% | -3pt |
| カート追加率 | 12% | 11% | +1pt |
| 決済完了率 | 24% | 33% | -9pt |
決済完了率の乖離 -9pt が最大のボトルネック。決済画面のUXを調査すると、クレジットカード入力フォームでエラーが頻発していた。入力補助の追加とAmazon Pay対応で決済完了率を24%から 31% に改善。全体CVRは 1.5% に到達し、月間売上で約2,700万円の上積みとなった。
15教室を展開する学習塾（生徒数1,800名）。年間退塾率 25% を20%以下に下げるために分解を行った。
退塾率を「退塾理由」で足し算分解し、さらに「タイミング」で掛け算分解した。
| 退塾理由 | 割合 | 主なタイミング |
|---|---|---|
| 成績が上がらない | 42% | 入塾後3〜6ヶ月 |
| 通塾の負担 | 23% | 部活との両立が厳しくなる夏以降 |
| 費用面 | 18% | 進級時の料金改定 |
| その他（転居等） | 17% | 通年 |
最大要因の「成績が上がらない」をさらに分解すると、入塾後3ヶ月以内に小テストで成功体験を得られなかった生徒の退塾率が 38% と突出。入塾直後の3ヶ月間に基礎問題の個別フォローを週1回追加し、「最初のテストで伸びを実感させる」プログラムを導入した。
翌年度の退塾率は 19.2% に改善。特に入塾3〜6ヶ月の退塾が42%から 26% に減少した。
やりがちな失敗パターン#
- 分解が浅すぎる — 「売上 ＝ 客数 × 客単価」で止めてしまうと施策に落とせない。客数をさらに新規/既存、流入元別に分けることで初めて打ち手が見える
- 分解が深すぎる — 逆に5階層も6階層も分解すると、各要素の数値が小さくなりすぎて感度分析が意味をなさなくなる。2〜3階層が適正
- 全要素を同時に改善しようとする — レバレッジポイントを特定したのに「全部やりましょう」では分解した意味がない。最もインパクトが大きい1〜2要素に集中する
- 数式の整合性を確認しない — 分解式の各要素を掛けた結果が元の数値と一致しないケースがある。データの定義がずれていないか、分解後に必ず検算する
まとめ#
メトリクス分解は、大きな結果指標を算数の式に分けることで「どこを直せば全体が最も動くか」を見つける手法。分解自体はシンプルだが、レバレッジポイントの特定ができれば施策の説得力がまるで変わる。「なんとなく全部頑張る」から「ここに集中する」へ切り替えるための、データ分析の基本動作といえる。