コホート分析とは？PdMが使いこなすための基礎から実践まで

コホート分析とは何か――30秒でわかる定義と目的

コホート分析とは、共通の属性や行動タイミングでユーザーをグループ化し、そのグループの行動変化を時系列で追跡する分析手法です。単に「今月のアクティブユーザーは何人か」を見るのではなく、「同じ月に登録したユーザーが1か月後・3か月後にどれだけ残っているか」を可視化することで、プロダクトの健全性を深く理解できます。

コホートの定義：共通属性で区切ったユーザーグループ

コホート（Cohort）とは、「同じ時期に特定の行動をとったユーザーの集合」を指します。最も典型的な例は「同月に登録したユーザー群」ですが、「同じキャンペーン経由で獲得したユーザー」や「特定機能を初めて使った日が同じユーザー」なども立派なコホートです。通常のセグメント分析との最大の違いは時間軸にあります。セグメント分析が「今この瞬間の断面」を切り取るのに対し、コホート分析は「あるグループがどのように変化していったか」という経時変化を追跡できる点が本質的な強みです。

なぜPdMがコホート分析を使うのか

プロダクト全体の平均リテンション率が70%だとしても、その数字の裏には「新規ユーザーが急速に離脱している」「古参ユーザーが支えている」という構造が隠れている場合があります。コホート分析はこうした平均値の罠を回避し、ユーザー体験の経時変化を正確に可視化します。また、施策を実施した月の前後でコホートを比較することで、「この改善がリテンションに効いたのか」という因果関係の検証にも活用できます。PdMが意思決定の質を高めるうえで、コホート分析は欠かせないツールのひとつです。

コホート分析の種類と使い分け

コホート分析には大きく3種類があり、分析の目的に応じて使い分けることが重要です。それぞれの特徴を理解することで、「何を知りたいか」に最適な手法を選べるようになります。

取得コホート（Acquisition Cohort）

取得コホートは、ユーザーを「獲得したタイミング」でグループ化する最も一般的な手法です。登録日・初回購入日・アプリインストール日などを基準にコホートを定義します。チャネル別（オーガニック検索・SNS広告・紹介など）やキャンペーン別に切ることで、どの獲得経路がLTV（顧客生涯価値）の高いユーザーをもたらしているかを比較できます。たとえば「Google広告経由の2025年10月コホート」と「SEO経由の同月コホート」を並べると、チャネルごとのリテンション差が一目瞭然になります。

行動コホート（Behavioral Cohort）

行動コホートは、「特定の行動をとったかどうか」でユーザーをグループ化する手法です。たとえば「登録後7日以内にコア機能を3回使ったユーザー」と「使わなかったユーザー」に分けて残存率を比較します。この手法の典型的な活用例がAha Moment（ユーザーがプロダクトの価値を実感する瞬間）の検証です。Aha Momentに到達したコホートのリテンションが明らかに高ければ、そこへユーザーを誘導するオンボーディング設計が最優先施策と判断できます。Facebookが「10日以内に7人の友達と繋がったユーザーは定着する」という知見を得たのも、行動コホート分析の成果として広く知られています。

予測コホート（Predictive Cohort）

予測コホートは、機械学習モデルを用いてチャーン（解約・離脱）リスクを予測し、ユーザーを「高リスク群」「低リスク群」などにグループ化する発展的な手法です。過去の行動ログから離脱パターンを学習させ、まだ離脱していないユーザーのリスクスコアを算出します。このスコアをもとに、高リスクユーザーへの優先的な介入施策（プッシュ通知・カスタマーサクセスの接触など）を設計することで、チャーン削減の費用対効果を高められます。データ基盤と機械学習の知識が必要なため、取得・行動コホートを使いこなした後のステップとして位置づけるのが現実的です。

データドリブンなプロダクト改善に取り組むPdMのキャリア相談は、Granty のPdM特化転職エージェントにお気軽にどうぞ。

コホート分析の読み方――リテンションテーブルの解釈

コホート分析の結果は一般的に「リテンションテーブル」と呼ばれる表形式で表現されます。この表の読み方を習得することが、分析を実務に活かすための第一歩です。

リテンションテーブルの構造

リテンションテーブルは、行がコホート（例：登録月）、列が経過期間（Week 0、Week 1、Week 2…）、各セルが残存率（%）という構造になっています。たとえば「2026年1月コホート × Week 4」のセルが40%であれば、1月に登録したユーザーのうち40%が4週間後もアクティブだったことを意味します。また、表の対角線上に並ぶセルは同一カレンダー期間（例：すべて3月のデータ）に対応するため、対角線を比較することで季節性の影響を除去した純粋なコホート間比較が可能になります。

「フラット化」と「スマイルカーブ」の意味

リテンションテーブルを読む際に注目すべきパターンが2つあります。ひとつはフラット化です。残存率が一定の値（例：20%）に収束して横ばいになる場合、それはコアユーザー層が形成されている証拠です。この「底値」が高いほどプロダクトの粘着性が強く、LTVも高くなる傾向があります。もうひとつはスマイルカーブです。残存率が一時的に下がった後に回復するU字型のパターンで、プッシュ通知・メールリマインダー・季節性イベントなどの施策が休眠ユーザーを呼び戻している可能性を示します。ただしスマイルカーブは施策の効果である場合もあれば、データ集計の誤りである場合もあるため、原因の精査が必要です。

コホート分析の実施手順――データ取得から可視化まで

コホート分析を実務で実施するには、目的設定・データ集計・可視化という3つのステップを順番に踏むことが重要です。各ステップで意識すべきポイントを具体的に解説します。

Step 1：分析目的とコホート定義を決める

最初に「何を改善したいか」を明確にし、そこから逆算してコホートの切り口を選びます。たとえば「Day 30のリテンション率を改善したい」という目的であれば、登録日ベースの取得コホートが適切です。「特定機能の価値を検証したい」なら行動コホートを選びます。あわせて、追跡するKPIを事前に決めておくことが重要です。リテンション率・DAU/MAU比・チャーン率・LTVのどれを主指標とするかによって、集計クエリの設計が変わります。目的とKPIが曖昧なまま分析を始めると、「表は作れたが何も決められなかった」という事態に陥りがちです。

Step 2：イベントログを集計しコホートテーブルを作成

データ基盤（BigQuery・Redshift・Snowflakeなど）にイベントログが蓄積されている前提で、SQLを使ってコホートテーブルを作成します。基本的なパターンは、まずユーザーごとの初回登録日を取得し、次に各ユーザーのN日後のログイン有無をCASE文で集計するというものです。たとえばBigQueryであれば、DATE_DIFF関数で登録日からの経過日数を算出し、COUNT(DISTINCT user_id)で残存ユーザー数を集計するクエリが典型的です。集計結果をピボットテーブル形式に変換することで、リテンションテーブルの原型が完成します。SQLに不慣れなPdMは、AmplitudeやMixpanelなどのプロダクトアナリティクスツールのGUI機能を活用するのも現実的な選択肢です。

Step 3：BIツールで可視化・チームに共有

集計したデータをBIツールでヒートマップ形式のリテンションテーブルとして可視化し、チームに共有します。Looker Studio（旧Google Data Studio）は無料で使えるため、コスト面での導入障壁が低いです。Tableauはカスタマイズ性が高く、複雑なコホート可視化にも対応できます。Metabaseはオープンソースで自社サーバーにホスティングでき、SQLを書けるエンジニアとPdMが協力しやすい環境を作れます。ヒートマップでは残存率の高低を色の濃淡で表現するため、テーブルを一目見るだけで改善が必要な時期やコホートを直感的に把握できます。可視化したダッシュボードを週次レビューに組み込むことで、チーム全体がリテンション指標を継続的に意識する文化が醸成されます。

コホート分析の活用事例――リテンション改善・チャーン削減

コホート分析は概念として理解するだけでなく、実際の意思決定に結びつけることで初めて価値を発揮します。ここでは実務でよく見られる2つの活用パターンを紹介します。

事例①：オンボーディング改善でDay 7リテンションを向上

SaaSプロダクトでよくある課題が、登録直後の離脱です。この課題に対してコホート分析を活用する典型的なアプローチは、「登録後7日以内にコア機能を3回以上使ったユーザー」と「使わなかったユーザー」という2つの行動コホートを定義し、それぞれのDay 30残存率を比較することです。仮に前者が60%、後者が15%だとすれば、コア機能への早期到達がリテンションに強く相関していると判断できます。この知見をもとに、オンボーディングフローを「コア機能を3回使うまで誘導するチュートリアル」に改善することが最優先施策として正当化されます。改善後のコホートで残存率が向上すれば、施策の有効性を定量的に検証できます。

事例②：価格改定前後のコホート比較でチャーン要因を特定

サブスクリプションプロダクトで価格改定を実施した場合、その影響を定量的に把握するためにコホート分析が有効です。価格改定月を境に「改定前コホート」と「改定後コホート」を定義し、チャーン率の変化を比較します。改定後コホートのチャーン率が明らかに高ければ、価格感度の高いユーザー層が離脱していると判断できます。さらに、チャーンしたユーザーのプランや利用頻度でコホートを細分化することで、「どのセグメントが価格改定に最も敏感だったか」を特定し、割引オファーや機能追加による価値向上など、セグメント別の対策を設計できます。

コホート分析の落とし穴と注意点

コホート分析は強力な手法ですが、誤った使い方をすると誤った結論を導くリスクがあります。実務で頻出する落とし穴を事前に把握しておくことが重要です。

サンプルサイズと統計的有意性

コホートのサンプルサイズが小さいと、残存率の変動が大きくなり、偶然の揺れを「施策の効果」と誤認しやすくなります。一般的な目安として、コホートあたり200〜500ユーザー以上を確保することが推奨されます。特に新機能のリリース直後や小規模なA/Bテストでは、コホートが細分化されすぎてサンプルサイズが不足しがちです。統計的有意性を確認するためにp値や信頼区間を計算する習慣をつけるか、サンプルが十分に集まるまで判断を保留する判断力も、データドリブンなPdMには求められます。

生存バイアスと選択バイアス

長期間のコホートを分析する際には生存バイアスに注意が必要です。時間が経つほど、残っているユーザーは「もともと定着しやすい特性を持つユーザー」に偏っていきます。そのため、長期コホートの残存率が高いからといって、プロダクトが改善されたとは限りません。また、コホート定義の変更も時系列比較を無効化する落とし穴です。たとえば「登録」の定義をメール認証完了からSNSログインに変更した場合、前後のコホートは異なる母集団を指すことになり、単純な比較はできなくなります。コホート定義の変更履歴を記録・管理することが、長期的な分析の信頼性を保つうえで不可欠です。

コホート分析をキャリアに活かす――PdMとしての差別化ポイント

コホート分析のスキルは、PdMとしての市場価値を高める重要な要素のひとつです。分析を「できる」だけでなく、「意思決定に活かした経験」として語れるかどうかが、転職市場での差別化につながります。

面接でコホート分析の経験をどう語るか

面接でコホート分析の経験を効果的に伝えるには、STAR形式（Situation・Task・Action・Result）で整理することが有効です。「どのプロダクトで、何を改善するために、どのコホートを定義し、どんな意思決定をしたか」という流れで話すと、分析の目的意識と実行力が伝わります。特に重要なのは結果の数値化です。「Day 30リテンション率が12ポイント改善した」「チャーン率を前四半期比で15%削減した」のように具体的な改善幅を示すことで、分析が実際のビジネス成果に結びついたことを証明できます。数値がない場合でも、「どのような仮説を立て、どう検証したか」というプロセスを丁寧に説明することで、思考の質を示せます。

データドリブンPdMとして評価される企業の特徴

コホート分析のスキルを活かせる環境かどうかを見極めるには、企業のデータ基盤と文化を確認することが重要です。具体的には、DWH（BigQuery・Redshift・Snowflakeなど）やBIツール（Looker・Tableau・Metabaseなど）が整備されているか、PdMがSQLを書く文化があるか、プロダクトアナリティクスツール（Amplitude・Mixpanelなど）が導入されているかを面接や企業調査で確認しましょう。これらの基盤が整っている企業では、コホート分析の知見をすぐに実務に活かせます。逆に基盤が未整備の企業でも、「分析環境を整備した経験」があるPdMは高く評価される場合があります。

コホート分析をはじめとするデータドリブンなプロダクトマネジメントのスキルを活かせる求人をお探しの方は、Granty のPdM特化転職エージェントに無料でご相談いただけます。