コホート分析とは？やり方と実務での使いどころを整理する

2026年10月8日にGoogle Analyticsのコホート探索本文を再確認した。コホートは共通の所属条件、起点、戻り条件、粒度、分母を先に定義して時間ごとに追う集団であり、標準・ローリング・累積の計算は同じ意味ではない。GA4の端末単位、User-ID、しきい値、最大コホート数などの制約を確認し、群間の差をそのまま施策の因果効果とせず、観測窓・欠測・比較方法を記録する。

30秒で要点：コホート分析の始め方

コホート分析は、登録時期や特定の行動など、共通条件でまとめた集団を比較する方法です。プロダクトの継続率を見るなら、誰を一つの集団とし、いつから、どの行動を、何人を分母に数えるかを先に決めます。色の濃い表を作るだけでは、差の理由までは分かりません。

表が収まらない場合は、横にスクロールできます

以降の100人・80人・120人の表は、集計を学ぶために作った架空データです。実在するサービスの継続率や施策効果ではありません。旧来の事例紹介とは分けて読みます。

登録コホート、行動コホート、年齢・時代・世代を分ける

Amplitudeの解説は、共通の特徴を持つ利用者をコホートとし、特定の行動を取った集団を比べる使い方を紹介しています。登録月で分ければ登録コホート、初回にある機能を使ったかで分ければ行動コホートです。

セグメント分析は、地域などの属性を含めて利用者を区切る比較の広い呼び方です。時間経過を追いたいときは、単に「今月の有料会員」を集め直すのではなく、「1月に初めて登録した人」という所属を固定すると、同じ集団がどう変わったかを追えます。行動コホートでは、行動の判定期間も固定しないと、後の結果を見てから都合よく集団を分けてしまいます。

一方、年齢・時代・出生世代を扱うAge-Period-Cohort（APC）分析は別の問いです。米国国立がん研究所のAPCツールは、年齢層と暦年ごとの件数・人口を使い、年齢、時代、出生コホートと率の関係をモデル化します。登録後の利用率を作る前提として、このモデルや「標準コホート表」「ベイズ型コホートモデル」を一通り学ぶ必要はありません。両者を同じ手順の難易度違いとして並べず、調べたい問いで選びます。

分母を固定して、継続率表を一度作る

架空の学習サービスで、1月100人、2月80人、3月120人が初めて登録したとします。集計は日本時間の3月31日終了時点です。M1は登録の翌暦月、M2は翌々暦月とします。各月の学習完了イベントは、同じ人が何回実行しても一人です。登録日から30日間ずつ区切る方法とは違います。Amplitudeの時間の説明も、経過時間の窓と暦にそろえる方法を区別しています。

表が収まらない場合は、横にスクロールできます

M0だけは登録イベントを数えているため100%です。 M1・M2と同じ学習完了を測った数字ではなく、登録時の母数を示す列です。M0の100%を、学習が完全に定着した根拠には使いません。

分子、分母、未観測を混ぜない

M1の率は「翌暦月に学習を1回以上完了した登録者数 ÷ その登録月の人数」です。1月のM2は45/100です。直前の60人を分母にした45/60＝75%に置き換えると、別の指標になります。しかもこの表だけでは、3月に戻った45人が2月の60人に全員含まれるか分かりません。連続して継続した人の率を出すなら、利用者IDを月の間で突き合わせる必要があります。

2月登録者のM2は4月なので、3月末には結果が存在しません。空欄を0で埋めると、新しい登録者ほど継続していないように見えてしまいます。AmplitudeのFAQも、観測期間を終えていない値を集計から区別する考え方を説明しています。これは観測できる期間の問題であり、実際にイベントが0件だったこととは異なります。

ここでは全員を同じ方法で追跡でき、計測障害もない架空条件を置いています。実務で退会者を分母から除外したり、追跡不能を「行動なし」に含めたりすると指標の意味が変わります。欠測があるなら理由と人数を別に記録し、観測できた人だけの率に変えた場合は、その分母も明示します。

平均は、比較したい人数に戻って計算する

M1まで観測できるのは1月・2月の180人で、そのうち学習を完了したのは100人です。利用者単位で合算するなら (60＋40) / (100＋80) = 100/180 ≒ 55.56% です。60%と50%を単純平均した55%とは重みが違います。

まだM1を迎えていない3月の120人を分母に足すと100/300≒33.33%になりますが、未観測を非継続と扱うため、この問いの答えではありません。一人が複数コホートに属する集計では、単純に人数を足す前に重複の定義も確認します。この例では初回登録月が一つなので、1月・2月の人数は重複しません。

表の縦と横で、答えている問いが違う

同じ行を横に読むと、1月登録者は翌月60%、翌々月45%でした。同じM1列を縦に読むと、1月60%、2月50%でした。後者は同じ経過月の比較ですが、集客経路や利用目的、季節、サービス変更までそろった比較ではありません。

母数が違うだけで率を比べられなくなるわけではありません。ただし少人数の率ほど一人の増減の影響が大きく、母集団の構成差も残ります。「2月が悪い」と決める前に、同じ登録定義・学習イベント・観測窓なのかを確認し、その上で流入経路別の人数と率、計測変更、問い合わせなどを見ます。平均をさらに細かく分けるときは、各セルの人数も一緒に残します。

行動した人の率が高くても、その行動の効果とは限らない

機能を使った人は、使わなかった人と元々の意欲や経験が違うかもしれません。行動を選ぶ過程が違う以上、利用者同士の差はそのまま機能の効果になりません。

次の表は別の架空例です。案内対象群と比較群を各100人に固定し、同じ人について施策前後の各月に学習を完了したかを数えた、と仮定します。

表が収まらない場合は、横にスクロールできます

施策後だけなら70%−50%＝20ポイントの差です。しかし前から20ポイント違い、前後差の差は (70−80)−(50−60)=0ポイント です。この計算から「効果は必ず0」とまでは言えません。Scott Cunninghamによる差の差の解説が扱うように、介入がなければ両群が同じ傾向で変化したという平行トレンド、介入前への先取り効果がないこと、群間への影響などの条件が必要です。施策前を一時点加えただけで、その条件を証明したことにはなりません。

案内そのものの効果を知りたいなら、実施可能な範囲で案内を出す相手を無作為に割り当て、割当群で比べる設計が候補です。それでも、案内を受けて機能を実際に使った人だけを抜き出せば、再び自己選択が入ります。「案内を出す効果」と「機能を使う効果」は同じ問いではありません。

事例は、問いと実際の比較群をそろえて読む

2020年8月7日公開のAmplitudeの事例記事は、Calm、ABA English、Flippの活用を紹介しています。提供企業による紹介として読む範囲を明確にします。

• Calm：元々熱心な人がリマインダーを設定しているだけか、機能が利用を促すのか、という問いです。記事は一部の利用者に設定を促したと説明しますが、示された比較は「設定した人」と「全アクティブ利用者」です。無作為な案内割当群どうしの比較とは読み替えられません。
• ABA English：初回コース後の停滞を調べ、レベル選択とオンボーディングの問題を見つけた事例です。課題を探す使い方として読めますが、改善効果の数値はこの記述から再計算できません。
• Flipp：記事はパーソナライズした施策でCTRが2倍になったと述べます。ただし、その箇所には元のクリック数・表示数、対象期間、比較条件がそろっていません。他社で再現する効果量や因果効果の確定値には使いません。

このように、事例から借りるのは調べる問いや比較の工夫です。掲載された数字を、自分の集計表の架空例と合算したり、そのまま改善見込みにしたりしません。

次の集計は、条件を一文にしてから始める

「日本時間の1月に初登録した100人を固定し、2月中に学習完了を1回以上行った人数を数える」のように、まず集団・期間・分子・分母を書きます。その上で、同じ経過月を比べるのか、同じ集団を追うのかを決めます。差が出たら、計測漏れ、構成差、機能や案内の変更を順に調べ、施策効果の判断に進むには比較設計を追加します。

操作画面での作り方はGA4のコホート分析、分析の出発点はデータ分析初心者向けガイド、差を因果と取り違えないための整理は相関と因果を参照してください。