コホート分析とは？定義、事例、実施方法（2026年）

コホート分析（Cohort analysis）は、ユーザーを加入時期ごとにグループ化し、各グループの推移を個別に追跡する手法です。すべてのユーザーをまとめた1つの平均値ではなく、開始月ごとに1本のラインで表されます。この「切り分け」こそが重要であり、これにより、新しく使い始めたユーザーにとってプロダクトが改善しているのか、それとも悪化しているのかを明らかにできます。

本ガイドでは、コホート分析の定義、全体の平均値がなぜ誤解を招くのか、そして三角形の表の読み方を解説します。また、2つの主要なコホートタイプと、コホートレポートを誤ったものにしてしまうよくある間違いについても説明します。

コホート分析とは？

コホートとは、特定の期間内に同じ開始イベントを共有したユーザーのグループのことです。例えば、3月に登録した全員が「3月コホート」となり、第2四半期（Q2）に初めて購入した全員が「Q2コホート」となります。

コホート分析では、これらの各グループを同じ時間軸で測定します。カレンダー上の「2026年3月と2026年4月の比較」ではなく、各グループの開始日を起点とした「1ヶ月目と2ヶ月目の比較」を行います。この時間軸のズレを揃えることで、公平な比較が可能になります。

分析結果は通常、三角形の表（コホート表）として出力されます。行は開始順に並んだコホートを表し、列は開始からの経過期間（経過月数など）を表します。最新のコホートはまだ1ヶ月目にしか達していないのに対し、最も古いコホートは全期間のデータが存在するため、表が三角形の形状になります。

なぜ全体の平均値は問題を隠してしまうのか

以下は、コホート分析が捉えるべき典型的な状況の例です。

コホート	ユーザー数	1ヶ月目定着率	3ヶ月目定着率
1月	1,000	45%	28%
2月	1,600	41%	25%
3月	2,400	36%	21%
4月	3,600	30%	—

この例では、アクティブユーザーの総数は毎月増加しています。月間アクティブユーザーを追跡するダッシュボードを見れば、非常に好調に見えるでしょう。しかし、この成長の裏では、新しく入ってきたグループほど定着率が悪化しているというプロダクトの問題が隠されています。

全体の平均定着率（ブレンドされた数値）がこの問題を隠してしまうのも同じ理由です。毎月の平均値は、規模が最大のコホート（常に最新のコホート）に引っ張られます。構成比が常に変化し続ける数値からは、真のトレンドを読み取ることはできません。

コホート分析は、データを混ぜ合わせないことでこの問題を解決します。1月の1ヶ月目定着率は永久に45%のままです。そして、4月の定着率が30%に低下したとき、その悪化傾向は一目瞭然となります。

コホート表の読み方

行はコホート、列は経過期間

各行は、開始時期によって定義されたグループ（コホート）です。各列は、カレンダーの日付ではなく、開始からの経過時間を表します。「0ヶ月目」は開始期間であり、ほぼ常に100%になります。

列を縦に読んで、改善しているかを判断する

これは最も有用な読み方でありながら、多くの人が見落としがちな方向です。例えば「1ヶ月目」の列に注目し、上から下へと読んでいきます。下にいくにつれて数値が下がっている場合、新しく入ってきたグループほど定着率が悪化していることを意味します。これはプロダクトまたはユーザー獲得における問題であり、まさに今発生している課題です。

行を横に読んで、1つのグループの減衰を見る

1つの行は、特定のコホートが時間とともにどのように減少（減衰）していくかを示しています。ほとんどのプロダクトでは、最初の期間に急激に落ち込み、その後なだらかになります。この「なだらかになるポイント（平坦化する位置）」は、初期の落ち込みよりも重要です。なぜなら、それが長期的な定着率の目安となるからです。

斜めのラインはカレンダーの日付

斜めに並ぶデータはすべて、同じカレンダー月に発生した出来事を示しています。システム障害や価格改定など、特定の時期に発生したインパクトは、経過期間に関係なくすべてのコホートに同時に影響を与えます。もし悪い数値が（縦の列ではなく）斜めのラインに沿って現れている場合、その原因はコホートの質の差ではなく、その時期に発生した特定のイベントにあると考えられます。

獲得コホートと行動コホート

獲得コホート（Acquisition cohorts）は、ユーザーが加入した時期でグループ化します。一般的には「登録月」がデフォルトとして使われます。これにより、現在獲得しているユーザーが、以前に獲得したユーザーと比べて定着しやすいかどうかが分かります。

行動コホート（Behavioral cohorts）は、ユーザーが何を行ったかでグループ化します。例えば、「最初の1週間に外部連携を設定したユーザー」と「設定しなかったユーザー」を比較します。これにより、どの初期アクションがその後の定着につながるかを予測できます。

この2つは異なる役割を持っています。獲得コホートは経時的な方向性を診断し、行動コホートは具体的に何を改善すべきかを示します。前者の獲得コホートしか作成しないチームは、数値の悪化に気づくことはできても、それを解決するために何をすべきかを見出すことができません。

第3のバリエーションとして、規模やプランによるコホート（アカウントのティア別グループ化）があります。これは、エンタープライズ顧客とセルフサービス顧客の行動が全く異なり、両者を混ぜ合わせたグラフではどちらの実態も表せない場合に有用です。

手動でコホート分析を作成する

手動での作成プロセスは、将来的に自動化するとしても、一度は理解しておく価値があります。

ユーザーイベントごとに1行のデータを取得する。 ユーザー識別子（ID）、登録日または初回購入日、そしてその後のアクティビティ日が必要です。集計済みの表からコホートを作成することはできません。グループ化は行レベルのデータで行う必要があるためです。

コホート列を追加する。 登録日を「月」単位に切り捨てます。これにより、すべてのユーザーに所属するグループのラベルが付与されます。

期間インデックス列を追加する。 各アクティビティ行について、登録月とアクティビティが発生した月の差（月数）を計算します。これが最終的な表の列の位置になります。

ピボットテーブルを作成する。 行に「コホート月」、列に「期間インデックス」、値に「ユニークユーザー数」を配置します。具体的な操作手順については、Microsoftのピボットテーブルを作成してシート データを分析するページを参照してください。

数値をパーセンテージに変換する。 各セルの数値を、その行の「0ヶ月目」の数値で割ります。コホートの規模が異なる場合、絶対数（実数）のままでは比較が困難になります。

これらのステップ自体は難しくありません。しかし、新しいデータが届くたびにこれら5つの手順を繰り返す必要があり、日付フォーマットが少しでも変わると期間インデックスの計算が崩れてしまいます。

Powerdrill Bloomでコホート分析を作成する方法

ユーザーデータがすでにエクスポートされているなら、面倒なピボットテーブルの組み立て作業は不要です。

ステップ 1：ユーザーデータをアップロードする

登録データやアクティビティイベントが含まれるExcel、CSV、またはTSVのエクスポートファイルをドラッグ＆ドロップします。複数のファイルを同時に読み込めるため、ユーザーファイルとイベントファイルを一度に結合できます。アップロード時に対象列の検出と日付の解析が自動で行われるため、手動作成でよく発生するエラーを防げます。

ステップ 2：自然言語でコホートを指示する

グループ化して測定したい内容を言葉で伝えます。例えば、「ユーザーを登録月ごとにグループ化し、最初の12ヶ月間の月次定着率をパーセンテージで表示して」と指示します。AIエージェントが自動的にコホート列を作成し、期間インデックスを計算して、表を生成します。行動コホートへの変更や、週単位への変更を指示すれば、元のデータを再構成することなく、瞬時に再構築してくれます。

ステップ 3：チャート、レポート、またはスライドをエクスポートする

作成したデータをチャートとして書き出したり、テキストのサマリーにまとめたり、レビュー用のスライドに変換したりできます。Professional、Business、Fancyなどのスタイルを選択して、PowerPointやNotionにエクスポート可能です。ビジュアル作成の詳細については、コホート定着率チャートの作成方法を、同じアップロードデータから他の種類のグラフを作成する方法についてはAIグラフメーカーを参照してください。

よくある間違い

不適切な時間軸（粒度）の選択。 毎日使われるプロダクトに対して月次のコホート分析を行うと、最初の1週間に起こる重要な変化を見落としてしまいます。逆に、四半期に一度しか使われないプロダクトに対して週次や日次のコホートを作成すると、ノイズばかりになってしまいます。プロダクトの自然な利用サイクルに合わせて粒度を設定しましょう。

行ばかりを見て列を無視する。 行は特定のグループがどのように減少したかを示しますが、列はプロダクトが改善しているかを示します。具体的なアクションにつなげるために重要なのは「列」のデータです。

未完了のコホートを比較する。 最新のコホートは、まだ6ヶ月目のデータが存在するほど時間が経過していません。表の中に不完全なセルを残しておくと、数値が急落したと誤解される原因になります。

コホートの規模が小さすぎる。 ユーザー数が40人程度のコホートでは、数人の行動によって定着率が大きく変動してしまいます。集計期間を広げるか、その行のデータはあくまで大まかな傾向を示すものとして捉えてください。

コホートの規模（母数）を記載せずに報告する。 分母のないパーセンテージは、常に誤解を招きます。最初の列には必ず「0ヶ月目」のユーザー数を記載しましょう。

「定着（リテンション）」の定義が曖昧。 「アクティブ」の定義は、明確に1つに定める必要があります。「ログインしたこと」と「コア機能を実行したこと」は全く異なる定義であり、これらを期間ごとに混同して扱うと、コホート表の意味がなくなってしまいます。

まとめ

コホート分析は、ユーザーを開始時期ごとに切り分けることで、全体の成長の裏に隠れた定着率の悪化を暴き出します。列を縦に読むことで、新しいグループが以前のグループより改善しているか悪化しているかを把握できます。行を横に読むことで、特定のグループがどのように減少し、どのレベルで安定するかを確認できます。

手動での作成は、データ更新のたびに5つの機械的なステップを繰り返す必要があります。Powerdrill Bloomを無料でお試しください。エクスポートしたユーザーデータをアップロードし、自然言語でコホートを指示するだけで、表を直接スライド資料として書き出すことができます。ツールの比較については、コホート分析に最適なAIツールをご覧ください。

よくある質問

コホート分析は何に使われますか？

新しく加入したユーザーにとって、以前に加入したユーザーと比較してプロダクトが改善しているかどうかを確認するために使用されます。主な用途には、定着率の追跡、解約（チャーン）の要因分析、オンボーディング変更の効果測定、獲得チャネルの「量」ではなく「質」による比較などがあります。

コホートとセグメントの違いは何ですか？

コホートは「共通の開始時期」によって定義され、そのメンバーが途中で変わることはありません。一方、セグメントは「国」や「プラン」などの属性によって定義され、ユーザーがそのグループに出入りすることがあります。コホートは「時間の経過に伴う変化」を追跡し、セグメントは「現時点における集団の特徴」を表します。

コホートの期間はどのように選べばよいですか？

ユーザーがプロダクトを使用する頻度に合わせて選択します。利用頻度が高いプロダクトには日次または週次のコホートが適しており、サブスクリプションや定期的な購入サイクルを持つプロダクトには月次のコホートが適しています。もし最初の列（1期間目）に達する前にほとんどのユーザーが離脱している場合は、時間軸の粒度が粗すぎます。

Excelでコホート分析を行うことはできますか？

はい、可能です。イベントデータの行に「コホート月」列と「期間インデックス」列を追加します。コホートを行、期間インデックスを列に配置してユニークユーザー数をピボット集計し、各セルの数値をその行の開始時のユーザー数で割ります。計算自体はシンプルですが、毎回同じ作業を繰り返すのが面倒な点です。

目標とすべき優れた定着率（リテンションレート）はどれくらいですか？

業界やプロダクトのカテゴリによって大きく異なるため、一概に基準となる数値を挙げることは困難です。代わりに、自社のコホート同士を比較することをお勧めします。最も重要なシグナルは、定着率のグラフが下降し続けるのではなく、どこかで「平坦化（横ばい）」しているかどうかです。