analytics-metrics-kpi

分析・指標スキル

データドリブンなアプローチを実現しましょう。意味のある指標を定義し、ダッシュボードを構築し、実験を行い、直感ではなくデータに基づいて意思決定します。

指標フレームワーク（獲得 → 収益）

ノーススターメトリック

定義： プロダクトが提供する価値を最もよく捉える単一の指標です。

特徴：

• ビジネスの成功に直接結びついている
• プロダクトの改善によって伸ばせる
• 収益の先行指標となる
• 会社全体で理解しやすい

例：

• Slack：デイリーアクティブユーザー数（DAU）
• Airbnb：宿泊予約数
• YouTube：視聴時間
• Uber：完了した乗車数
• Stripe：処理した決済額

ファネル指標（獲得）

Total Visitors: 100,000/month
↓ 20% conversion
Free Signups: 20,000
↓ 10% free-to-paid
Paid Customers: 2,000

CAC: $50 (marketing + sales spend / customers acquired)
LTCAC: $100 (all customer acquisition costs)

追跡する指標：

• トラフィック - ウェブサイト／アプリへの訪問者総数
• サインアップ率 - サインアップした人の割合（目標：10～15％）
• 無料から有料へのコンバージョン率 - 無料ユーザーのうち有料ユーザーになった割合（目標：2～5％）
• CAC - 顧客獲得単価
• CAC回収期間 - 収益でCACを回収するまでの月数（目標：12か月未満）

アクティベーション指標

目標： 新規ユーザーをアクティブユーザーにする

Free Signups: 2,000
↓ 30% onboard successfully
Activated: 600
↓ 60% remain active Day 7
Day 7 Active: 360

追跡する指標：

• オンボーディング完了率 - セットアップを完了した人の割合（目標：50～80％）
• 初回価値到達時間 - 初めて正常に利用するまでの時間
• 機能の採用率 - 主要機能を試した人の割合
• 1日目／7日目／30日目の継続率 - 該当日にアクティブなユーザーの割合（目標：40／25／15％）

エンゲージメント指標

目標： ユーザーがプロダクトを定期的に利用する

日次／月次指標：

• DAU／MAU - デイリー／マンスリーアクティブユーザー数
• DAU／MAU比率 - 定着度（目標：20～30％）
• 機能の利用状況 - 主要機能を利用している人の割合
• セッション時間 - 1セッションあたりの分数
• セッション頻度 - 週あたりの利用回数

コホート分析の例：

Jan Cohort (1,000 signups):
- Day 1: 600 active (60%)
- Day 7: 360 active (36%)
- Day 30: 180 active (18%)
- Month 3: 90 active (9%)

Feb Cohort (1,500 signups):
- Day 1: 1050 active (70%) ← Improving!
- Day 7: 630 active (42%)
- Day 30: 300 active (20%)

リテンション指標

目標： ユーザーが継続して利用し、支払いを続ける

Month 1: 1,000 customers
Month 2: 900 active (90% retained)
Month 3: 810 active (90% of month 2)
Month 12: 314 active (31% annual retention)

解約率： 各期間に失われた顧客の割合

• 月次解約率：(失った顧客数／月初の顧客数) × 100
• 年次解約率：1 - (期末の顧客数／期初の顧客数)
• SaaSの目標：月次解約率5％未満

NPS（ネットプロモータースコア）

• 質問：「どの程度、他の人に薦めたいと思いますか（0～10）？」
• スコア = 推奨者（9～10）の割合 - 批判者（0～6）の割合
• 範囲：-100～+100
• 目標：50以上（世界トップクラス）

収益指標

月次経常収益（MRR）

MRR = (Total paid customers) × (average subscription price)
Growth MRR = New MRR + Expansion MRR - Churn MRR

年間ランレート（ARR）

ARR = MRR × 12

ユーザーあたり平均収益（ARPU）

ARPU = MRR / Total Users

顧客生涯価値（LTV）

LTV = (ARPU × Gross Margin %) / Monthly Churn %

Example:
ARPU: $100
Gross Margin: 80%
Monthly Churn: 5%
LTV = ($100 × 80%) / 5% = $1,600

If CAC = $400: LTV/CAC = 4x ✓ (target: 3x+)

ダッシュボードの構成

経営ダッシュボード（経営幹部向け）

週次更新：

• MRR／ARR（目標比、前月比）
• 新規顧客数（週次、月次）
• 解約率（％）
• NPSスコア
• エンゲージメント（DAU、MAU）
• 主要施策の状況

頻度： 週次

プロダクトダッシュボード（プロダクトチーム向け）

日次／週次：

• ファネル指標（サインアップ → 有料化）
• 機能の採用率
• エンゲージメント指標
• ユーザーフィードバックのスコア
• A/Bテストの結果
• サポートチケット数

頻度： 日次更新

財務ダッシュボード（財務／運用向け）

月次：

• MRR／ARR
• 顧客獲得単価
• 顧客生涯価値
• 粗利益率
• CAC回収期間
• セグメント別収益
• コホート別解約率

頻度： 月次

ヘルスダッシュボード（運用向け）

リアルタイム：

• システム稼働率（％）
• エラー率（％）
• 応答時間（p95）
• データベースのパフォーマンス
• サポートチケットへの応答時間
• サポートの未処理件数

頻度： リアルタイム／毎時

A/Bテスト（実験）

テスト計画

仮説： 「Xを変更すれば、Zという理由でYが改善する」

例： 「サインアップボタンをファーストビュー内に移動すれば、ユーザーがスクロールせずに済むため、コンバージョン率が15％向上する」

テストの構成

実験設計：

• 対照群： 現行バージョンを維持する
• 処置群： 新しいバージョンを適用する
• サンプルサイズ： 統計的な分析に十分なユーザー数を確保する
• 期間： 最低2～4週間
• 指標： 成功を明確に判断できる指標を定める

統計的有意性

信頼水準： 95％（業界標準）

• 偽陽性となる確率が5％であることを意味します
• 十分なサンプル数が必要です（通常、各バリアントあたり1,000～10,000人）
• 正確なサンプルサイズの算出には計算ツールを使用します

P値： 結果が偶然によるものである確率

• P < 0.05：統計的に有意
• P > 0.05：有意ではなく、結論は出せません

A/B テストの例

仮説： サインアップボタンをファーストビューに移動すると、コンバージョン率が15％向上します

設定：

• コントロール：現在のデザイン
• テスト対象：ボタンをファーストビューに移動
• 成功指標：コンバージョン率（サインアップ数／訪問数）
• サンプルサイズ：各バリアントにつきユーザー10,000人
• 期間：2週間
• 信頼度：95％

結果：

• コントロール：コンバージョン率2.0％（訪問者10K人からサインアップ200件）
• テスト対象：コンバージョン率2.8％（訪問者10K人からサインアップ280件）
• 改善：40％増（0.8％／2％＝40％）
• P値：0.02（統計的に有意です！）
• 判断：リリース — 100％に展開

優先度別のテスト案

優先度：高（ここから開始）：

• サインアップフローの最適化（最大のファネル）
• オンボーディング体験
• 料金ページの明確さ
• 機能の見つけやすさ

優先度：中：

• UI 文言の最適化
• CTA ボタンの色
• メールの件名
• 通知のトリガー

優先度：低：

• マイクロコピーの微調整
• アニメーション効果
• 配色の変更

避けるべき指標の落とし穴

見栄えだけの指標

❌ 「ページビューが100万件あります！」 ✓ 「日間アクティブユーザーが5万人おり、月間10％成長しています」

実行可能な指標と実行不可能な指標

❌ 「ユーザー満足度が向上しました」（何が変わったのでしょうか？） ✓ 「オンボーディング完了率が65％から78％に上昇（↑20％）」（明確なアクション）

相関関係と因果関係

❌ 「アイスクリームの売上は溺水事故と相関しています」 ✓ 相関関係だけでなく、実際の因果関係を理解する

似た指標

❌ MRRを追跡するが、顧客LTVは追跡しない（顧客獲得への支出を増やせば、MRRを伸ばせます） ✓ 顧客獲得効率と顧客維持の両方を追跡する

指標のレビュー頻度

毎日：

• システム稼働時間
• エラー率
• サポートの応答時間

毎週：

• ファネル指標
• 機能の採用状況
• 主要なエンゲージメント指標
• テスト結果

毎月：

• 収益指標
• コホート分析
• 解約の内訳
• LTV／CACの推移

四半期ごと：

• 戦略的な指標のレビュー
• 長期的なトレンド分析
• 必要な指標の変更

トラブルシューティング

よくあるエラーと解決策

エラー	考えられる原因	解決策
見栄えだけの指標に注目	KPIの選定ミス	North Starとの整合
A/Bテストで結論が出ない	サンプルサイズが小さい	期間を延長
データの不整合	データソースが複数ある	信頼できる唯一の情報源
ダッシュボードが使われない	複雑すぎる	KPIを5～7個に絞る

デバッグチェックリスト

[ ] North Star metric defined mi?
[ ] Metrics business goals'a aligned mi?
[ ] Data collection accurate mi?
[ ] Dashboard refreshed mi?
[ ] A/B test sample sufficient mi?
[ ] Statistical significance achieved mi?

復旧手順

1. データ品質の問題 → 影響を受けた指標にフラグを付け、除外する
2. A/Bテストで結論が出ない → テスト期間を延長する
3. 誤解を招く指標 → コンテキストやセグメンテーションを追加する

---

データに基づく意思決定を習得し、より速く成長しましょう！