コホート分析
コホート分析とは、顧客を共通の起点（最も一般的には初回購入の月または週）でグループ化し、そのグループの行動が時間の経過とともに他のコホートと比較してどのように変化するかを追跡する手法です。すべての顧客を平均化した単一の集計指標では隠れてしまう、維持率、支出、離脱に関するトレンドを明らかにします。
コホート分析の定義
コホート分析とは、顧客を時間的な共通の起点（最も一般的には初回購入の月または週）でグループ化し、各グループがその後の月にどのように行動するかを追跡することで、顧客行動を理解する手法です。顧客ベース全体の単一の合成された維持率や支出額を見るのではなく、コホート分析は顧客を「コホート」に分けることで、経時的なトレンドを可視化します。最近獲得した顧客は1年前に獲得した顧客よりも長く留まっているのか、それとも総収益が成長を続けている裏で、新規顧客の獲得が減少を隠蔽しているために維持率が静かに悪化しているのか？コホート分析はサブスクリプションビジネスでは標準的な手法ですが、Eコマースにも同様に適用できます。Eコマースでは、関連する行動は通常、サブスクリプションの更新ではなく、再購入、維持率、または累計支出額です。
コホート分析の仕組み
コホート分析の構築は、コホートのグループ化（最も一般的には顧客が初回注文を行った暦月）を定義することから始まります。各顧客は、その初回購入日に基づいて正確に1つのコホートに割り当てられます。そこから、獲得後の各月について、そのコホートの何パーセントが再購入したか、またはそのコホートがどれだけの収益を生み出したかを計算し、コホートを行とし、「獲得からの経過月数」を列とするグリッドを形成します。
具体例：あるストアが1月に1,000人の新規顧客を獲得したとします。そのうち280人が獲得後1か月以内（1か月目）に2回目の購入を行い、190人が3か月目までに依然としてアクティブであり、140人が6か月目までアクティブであり続けました。ストアはこの同じ追跡を2月のコホート、3月のコホートなどでも繰り返します。2月のコホートが1月の280人ではなく320人が1か月目までにアクティブであることを示した場合、それは重要なシグナルです。つまり、維持率が改善しており、1月と2月の間で何が変わったのか——新しい獲得チャネル、オンボーディングメールシーケンス、価格変更など——を調査する価値があります。
Eコマースブランドにとってコホート分析が重要な理由
単一の合成された維持率や平均顧客生涯価値のような集計指標は、非常に異なる時期に、非常に異なる条件下で獲得された顧客の行動を平均化するため、重要なトレンドを隠してしまう可能性があります。全体的な維持率が安定しているように見えるストアでも、実際には新規コホートの維持率が改善している一方で、離脱する古いコホートの維持率が低下している可能性があり、その区別は戦略的に非常に異なる意味を持ちます。コホート分析により、特定の変更の影響を可視化し、原因を特定できます。ブランドが3月にオンボーディングメールシーケンスを変更した場合、3月コホートの1か月目の再購入率を2月コホートと比較することで、その特定の変更の影響を、新旧の顧客が混在する合成された月次維持率を見るよりもはるかに明確に特定できます。
比較表：コホート分析 vs. 他の顧客分析アプローチ
| アプローチ | 測定内容 | 時間的側面 | 最適な用途 |
|---|---|---|---|
| コホート分析 | 異なる時期に獲得したグループの経時的行動 | 明示的、獲得期間別 | 獲得方法や製品変更の影響の特定 |
| RFM分析 | 特定時点の最新性、頻度、金額 | スナップショット、時系列ではない | ターゲティングのための現在の顧客ベースのセグメント化 |
| チャーンレート | 一定期間に失われた顧客の割合 | 全顧客の集計 | 高レベルの健全性チェック |
| 生涯価値（LTV） | 顧客1人あたりの総期待収益 | コホートベースまたは合成値 | 獲得支出の正当化 |
| カスタマーセグメンテーション | 行動的または人口統計学的特性を共有するグループ | スナップショットまたは継続的 | メッセージングとオファーのターゲティング |
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
コホート分析とAI駆動型コマース
コホート分析は主に内部的な分析手法であり、AIショッピングアシスタントが直接対話するものではありませんが、ブランドがそれらのアシスタントがもたらす顧客を評価する上で役割を果たします。ChatGPT Shopping、Perplexity Shopping、またはAI駆動型の製品レコメンデーションを通じたAI仲介型ディスカバリーからの購入量が増えるにつれて、ブランドはそれらのチャネルを通じて獲得した顧客が、従来の検索や有料ソーシャルを通じて獲得した顧客と比較して、維持率や支出が異なるかどうかを知りたいと考えるようになっています。AI経由のトラフィックを含む獲得ソースを中心にコホートを構築することで、ブランドは単一の合成された維持率から推測するのではなく、その質問に直接答えることができます。
AmICitedのeshop_get_retentionおよびeshop_get_ltvツールは、どちらも設計上、獲得コホートを中心に構成されており、各月の新規顧客の維持率と累積価値を経時的に追跡します。この構造により、例えばAI可視性キャンペーンが主要だった月に獲得した顧客が、前月に獲得した顧客と異なる維持曲線を示すかどうかを、生の注文データから手動でコホートロジックを構築することなく、簡単に比較できます。
コホート分析のベストプラクティス
- 一貫性のある意味のあるイベント（最も一般的には初回購入月）でコホートを定義し、レポート期間を通じてその定義を安定させ、コホート間の比較可能性を維持する
- 可能な場合はコホートごとに複数の指標（再購入率と累計支出額など）を追跡する。コホートは維持率が良くても支出が少ない場合や、その逆の場合があるため
- 特定の既知の変更（新しい獲得チャネル、価格変更、オンボーディングの更新）と照らし合わせてコホートを比較する。仮説なしに曲線が変化するのをただ観察するだけでは不十分
- 新しいコホートが成熟するのに十分な時間を与えてから結論を導き出す。コホートの最初の月の行動が必ずしもその後のパターンを予測するとは限らない
- 獲得月のみのビューで差異を説明できない場合は、獲得チャネルまたは初回購入製品によってコホートをさらにセグメント化する
コホート分析のよくある間違い
よくある間違いは、成熟するにはまだ新しすぎるコホートから結論を引き出すことです。生後2か月のコホートの初期の数値と、1年前のコホートの全軌跡を比較し、初期のリードまたはラグを永続的なトレンドと誤認することです。もう一つの一般的な問題は、時間の経過とともにコホートの定義を一貫させないことです。例えば、レポート期間の途中で獲得イベントを「初回購入」から「サインアップ日」に切り替えると、変更前後に構築されたコホート間の比較可能性が損なわれます。また、一部のチームは維持率のパーセンテージのみに注目し、コホートあたりの収益と組み合わせないため、コホートが同程度の維持率を示しながらも、注文あたりの支出が有意に少ないケースを見逃します。これは生涯価値の予測に実際の影響を及ぼす違いです。さらなる落とし穴は、単一のコホートの低下を永続的なトレンドとして扱い、外的要因——例えば、季節的な獲得スパイクにより、社内の変更に関係なく典型的なコホートほどには維持されない低意図の顧客が流入したこと——を確認しないことです。最後に、コホートテーブルを作成しても、それを獲得支出に結びつけないブランドもあります。これにより、最も直接的なユースケース、すなわち、実際の維持率と支出パターンが判明した上で、チャネルの顧客がその獲得コストに見合う価値があるかどうかを確認することを見逃しています。