リテンションコホート分析

英語名 Retention Cohort Analysis
読み方 リテンション コホート ブンセキ
難易度
所要時間 1〜2週間(データ整備・分析・施策設計)
提唱者 SaaS/アプリ分析
目次

ひとことで言うと
#

ユーザーを登録時期(コホート)ごとにグループ分けし、その後の継続率を時系列で追跡する分析手法。「いつ登録した人が、いつ離脱しているか」を可視化することで、プロダクト改善の打ち手が見えてくる。

押さえておきたい用語
#

押さえておきたい用語
コホート(Cohort)
同じ時期にある行動をとったユーザーの集団のこと。リテンション分析では「同じ週/月に登録したユーザー群」を1コホートとして扱う。
リテンションレート(Retention Rate)
ある期間後にプロダクトを継続利用している割合を指す。Day 7 リテンション40%なら、登録7日後に10人中4人が戻ってきている状態。
コホートテーブル
縦軸にコホート(登録月)、横軸に経過期間を並べたマトリクス形式の表のこと。セルに継続率を記入し、ヒートマップで色分けすると傾向が一目でわかる。
フラットニングカーブ
リテンション曲線が下がり切って水平に近づく部分を指す。ここに到達したユーザーはプロダクトに定着したと判断できる。
N日リテンション(Day N Retention)
登録からN日後にプロダクトを利用したユーザーの割合を示す時点指標。Day 1、Day 7、Day 30が代表的である。

リテンションコホート分析の全体像
#

リテンションコホート分析:コホート別にリテンション曲線を比較する
リテンション率経過期間(Day 1 → Day 30 → Day 90)定着ライン1月コホート2月コホート3月コホート(改善後)Step 1 コホート定義登録週/月でユーザーをグループに分けるStep 2 テーブル作成縦=コホート 横=経過期間セルにリテンション率を記入Step 3 曲線を比較コホート間の差から改善・悪化を読み取るStep 4 離脱ポイントに施策急落する時期に合わせてオンボーディング・通知を最適化
リテンションコホート分析の進め方フロー
1
コホート定義
登録週・月でユーザーをグループ化
2
テーブル作成
コホート×経過期間のマトリクスに継続率を記入
3
曲線比較
コホート間の差分から改善・悪化を特定
施策実行
離脱ポイントに合わせたオンボーディング・通知を投入

こんな悩みに効く
#

  • ユーザー数は増えているのに、月間アクティブが伸びない
  • どのタイミングで離脱しているのか、感覚でしか把握できていない
  • 施策を打ったが、本当にリテンションが改善したのか証明できない

基本の使い方
#

コホートを定義してグループ化する

まず「どの単位でユーザーを区切るか」を決める。一般的には登録月が使いやすいが、施策の頻度が高いなら週単位にする。

  • 時間軸: 週次 or 月次(プロダクトの利用頻度に合わせる)
  • 基準イベント: 新規登録、初回購入、アプリインストールなど
  • 対象期間: 直近6〜12か月分を取ると傾向が見える
コホートテーブルを作成する

縦軸にコホート、横軸に経過期間を並べたマトリクスを作る。

コホートDay 1Day 7Day 14Day 30Day 60Day 90
1月45%22%15%10%7%6%
2月48%26%19%14%10%8%
3月52%30%24%18%14%12%

セルの数値が急落するポイント(例: Day 1→Day 7で半減)が「離脱の崖」にあたる。スプレッドシートやBIツールでヒートマップにすると一目で判別できる。

コホート間の差分を読む

テーブルを縦に比較して「月ごとにリテンションが上がっているか下がっているか」を確認する。

  • 改善: 新しいコホートほどDay 30リテンションが高い → 直近の施策が効いている
  • 悪化: 新しいコホートほど低下 → 最近の変更がユーザー体験を損なっている可能性
  • 変わらない: プロダクト改善が定着に影響していない → 根本的な課題が別にある
離脱ポイントに合わせて施策を投入する

急落が起きるタイミングに施策をぶつける。Day 1で大きく落ちるならオンボーディングの改善、Day 30で落ちるなら習慣化の仕掛けが必要になる。

  • Day 1 離脱が多い → 初回体験の簡素化、ウェルカムメール改善
  • Day 7 離脱が多い → 機能発見を促すプッシュ通知、チュートリアル追加
  • Day 30 離脱が多い → 利用習慣を定着させるリマインダー、コミュニティ参加誘導

具体例
#

例1:料理レシピアプリがDay 7の離脱を改善する

ユーザー数20万人の料理レシピアプリ。月間ダウンロードは順調に伸びているが、MAUが頭打ちになっていた。

コホート分析を実施すると、全コホート共通で**Day 1→Day 7の間にリテンションが52%→18%**へ急落していた。Day 7を超えたユーザーのDay 30リテンションは62%と高く、最初の1週間が分水嶺だと判明。

離脱ユーザーの行動ログを調べると、登録後に「お気に入りレシピ」を3件以上保存したユーザーのDay 7リテンションは41%、0件のユーザーは9%。そこでオンボーディングに「今夜作りたいレシピを3つ選ぼう」ステップを追加した。

翌月コホートのDay 7リテンションは**18%→29%**に改善。たった1つの導線変更で、月間アクティブユーザーが1.4万人増えた計算になる。

例2:BtoB SaaS企業が契約更新率を上げる

従業員管理SaaSを提供するスタートアップ(ARR 2.4億円、顧客数380社)。年間契約の更新率が78%で、投資家から「85%以上に」と求められていた。

月次コホートで「最終ログインからの経過日数」を追跡したところ、契約から3か月目にログイン頻度が急落するパターンが見つかった。3か月目の週次アクティブ率は導入直後の35%まで低下。さらに掘り下げると、初期設定で「評価テンプレート」をカスタマイズした企業の3か月目アクティブ率は71%、デフォルトのまま使っている企業は**28%**だった。

カスタマーサクセスチームが導入2週間後に「テンプレートカスタマイズワークショップ」を実施する運用に切り替えたところ、6か月後の更新率が**78%→87%**に到達。ワークショップ参加企業の更新率は92%だった。

例3:地方の温泉旅館がリピーター率を可視化する

群馬県の温泉旅館(客室18室、年間宿泊者数約4,800人)。「常連さんが減った気がする」というオーナーの感覚を、予約データで検証することにした。

過去3年分の予約データを四半期コホートに分けて分析。初回宿泊から12か月以内の再訪率を比較すると、2023年Q1コホートは再訪率22%、2024年Q1コホートは14%に落ちていた。

コホート3か月6か月12か月
2023 Q18%15%22%
2023 Q37%12%18%
2024 Q15%9%14%

2023年秋に料理長が交代したタイミングと悪化が重なっていた。宿泊後アンケートを見直すと「料理の満足度」が4.3→3.6に低下。料理長と相談して看板メニューの復活と季節限定コースを追加したところ、2024年Q3コホートの6か月再訪率は**16%**まで回復した。数字で見えたからこそ、感覚ではなく根拠を持って改善に踏み切れた。

やりがちな失敗パターン
#

  1. 全ユーザー平均だけを見る — 平均リテンション率だけ追うと、コホートごとの改善・悪化が相殺されて見えなくなる。必ずコホート単位で分解すること
  2. コホートの粒度が合っていない — 週次で施策を回しているのに月次コホートで分析すると、変化を検知できない。施策のサイクルに合わせて粒度を決める
  3. 数字の変化を見て「なぜ」を調べない — リテンションが上がった・下がったという事実だけでは施策につながらない。行動ログやインタビューで原因を特定するステップが不可欠
  4. 小さすぎるコホートで判断する — コホート内のユーザー数が少ないと統計的なブレが大きい。最低でも1コホート100人以上を目安にする

まとめ
#

リテンションコホート分析は、ユーザーを登録時期ごとに分け、継続率の推移をコホート間で比較する手法。「いつの時期に登録した人が、いつ離脱しているか」を可視化できるため、施策の効果検証にも直結する。離脱が集中するポイントを特定したら、そのタイミングに合わせた体験改善を投入するのが基本の流れ。平均値ではなくコホート単位で見る習慣が、プロダクトの定着率を着実に押し上げる。