コホート分析・リテンション・LTV｜SaaS・EC・メディアで『定着率』と『顧客価値』を測る

「来期 CAC を 1.5 倍に上げて新規獲得を加速して良いのか？」「いま割引で集めた顧客は黒字化するのか？」「メディアの新規読者は何ヶ月後にサービス導入してくれるのか？」。これらの問いに答えるのが コホート分析・リテンション・LTV（顧客生涯価値） です。獲得数だけを追うと、新規を集めただけなのか定着まで作れたのかが切り分けられません。月次セッションが伸びても、解約・離脱が同じペースで進めば、事業の土台は太くなりません。

たとえば 月額 3,000 円の BtoB SaaS で、新規契約が毎月 100 社あっても、平均継続月数が 3 ヶ月しか持たないなら、1 社あたり積み上がる売上は約 9,000 円です。CAC（顧客獲得費用、後述）が 1 社 20,000 円かかっていれば、契約が増えるほど赤字が膨らみます。一方、平均継続が 24 ヶ月なら 1 社あたり約 72,000 円積み上がり、CAC を回収して利益が残る計算になります。獲得数の裏にある継続の挙動を見ない判断は危険です。

BtoB オウンドメディアでも構造は同じです。月 1 万人の新規訪問が集まっても、1 ヶ月以内に再訪する人が 5% しかいなければ、サービスへの認知導線として機能しているのは月 500 人だけ。記事制作費を新規訪問数で割って「1 訪問あたり 100 円」と評価しても、定着した読者を見ると「1 定着読者あたり 2,000 円」になります。ECでも、初回購入のキャンペーンで集めた顧客が 90 日以内に再購入しなければ、購入回数を期待した広告ターゲティングは赤字に振れます。獲得時点の数字だけで判断すると、メディアでも EC でも投資判断を誤ります。

01.まず結論：コホート分析は『獲得時期で集団を切る』ことで定着を見る

コホート分析の出発点は、ユーザー全員を 1 つの塊として扱うのをやめて、獲得時期で集団に切り分けることです。同じ「2026 年 1 月時点のアクティブユーザー」でも、2025 年から使い続けている人と、その月に登録したばかりの人では行動がまったく違います。獲得時期で揃えれば、施策ごとの「育ち方の違い」が初めて比較できます。

コホート分析が威力を発揮するのは、施策の前後比較です。「2 月にオンボーディング動画を入れたら、3 月以降のコホートで M1 残存が改善したか」を見ると、施策の効果が定着率に効いたかを判定できます。逆に、全体平均だけ追っていると、新規流入が増えたぶん見かけ上の数字が伸びても、定着率は悪化していた、という見落としが起きます。

02.コホート分析の作り方｜週次・月次の切り出し方

コホート分析の最初のステップは、ユーザーごとの獲得日を決め、それを週次または月次の単位で丸めることです。基準日の選び方とコホートの粒度で、後段の解釈が変わります。

# pandas で月次コホート × リテンションマトリクスを作る
import pandas as pd

# events: user_id, event_date（DatetimeIndex でも列でも可）, event_type の3列
# まず、ユーザーごとの獲得月（最初のイベントが起きた月）を決める
events["cohort_month"] = events.groupby("user_id")["event_date"] \
    .transform("min").dt.to_period("M")

# 各イベントの月（観測月）
events["event_month"] = events["event_date"].dt.to_period("M")

# コホート開始からの経過月数（Period の差は MonthEnd オフセットを返すので .n で月数を取り出す）
events["period_index"] = (
    events["event_month"] - events["cohort_month"]
).apply(lambda x: x.n)

# コホート × 経過月で uniqueユーザー数を集計
cohort_counts = (
    events.groupby(["cohort_month", "period_index"])["user_id"]
    .nunique()
    .reset_index()
)

# pivot_table でマトリクス化
cohort_matrix = cohort_counts.pivot_table(
    index="cohort_month",
    columns="period_index",
    values="user_id",
)

# M0 を 100% としたリテンション率に変換
retention = cohort_matrix.div(cohort_matrix[0], axis=0) * 100

03.リテンション曲線の読み方｜ヒートマップとカーブ

コホート × 経過月のリテンション率は、ヒートマップとカーブの 2 つの読み方を組み合わせるのが定番です。ヒートマップで全体傾向と異常コホートを目で見つけ、カーブで個別の減衰形を確認します。

04.生存時間分析の発想｜Kaplan-Meier 曲線

リテンション率の単純集計では、観測期間が短いコホートが「まだ解約していないだけ」なのか「本当に定着している」のかを区別できません。生存時間分析は、医療統計で発展した手法で、「ある時点までの生存（解約していない状態）」と「途中で観測が終わった（打ち切り）」を分けて扱う考え方です。

# lifelines で Kaplan-Meier 生存曲線を描く
from lifelines import KaplanMeierFitter
import pandas as pd

# users: user_id, duration（観測日数）, event（1=解約, 0=打ち切り）
kmf = KaplanMeierFitter()
kmf.fit(
    durations=users["duration"],
    event_observed=users["event"],
    label="全体",
)

# 6 ヶ月後の生存率（解約率 = 1 - 生存率）
print(kmf.predict(180))

# プラン別に層別して比較したい場合
import matplotlib.pyplot as plt
fig, ax = plt.subplots()
for plan, group in users.groupby("plan"):
    kmf.fit(group["duration"], group["event"], label=plan)
    kmf.plot_survival_function(ax=ax)

05.LTV の計算方法｜簡易法と確率モデル（BG/NBD + Gamma-Gamma）

LTV の計算は、ビジネスモデルで適した手法が分かれます。契約型（サブスクリプション SaaS や有料購読メディア）は簡易法で十分なケースが多く、非契約型（EC や広告売上のメディアなど、購入や訪問のタイミングがユーザーの自由）は確率モデルや別の式が力を発揮します。

# lifetimes で BG/NBD + Gamma-Gamma による LTV 推定
from lifetimes import BetaGeoFitter, GammaGammaFitter
from lifetimes.utils import summary_data_from_transaction_data

# transactions: customer_id, date, amount
summary = summary_data_from_transaction_data(
    transactions,
    customer_id_col="customer_id",
    datetime_col="date",
    monetary_value_col="amount",
    observation_period_end=transactions["date"].max(),
    freq="D",
)
# summary には frequency / recency / T / monetary_value が入る

# 1) 購入回数：BG/NBD
bgf = BetaGeoFitter(penalizer_coef=0.001)
bgf.fit(summary["frequency"], summary["recency"], summary["T"])

# 2) 購入単価：Gamma-Gamma（frequency >= 1 のユーザーのみ）
returning = summary[summary["frequency"] > 0]
ggf = GammaGammaFitter(penalizer_coef=0.001)
ggf.fit(returning["frequency"], returning["monetary_value"])

# 3) 12 ヶ月先までの期待 LTV を割引率込みで算出
ltv = ggf.customer_lifetime_value(
    bgf,
    returning["frequency"],
    returning["recency"],
    returning["T"],
    returning["monetary_value"],
    time=12,        # 12 ヶ月先まで
    freq="D",
    discount_rate=0.01,  # 月次の割引率
)

06.LTV/CAC とペイバック期間｜ユニットエコノミクス

LTV と CAC は単独で見ても判断材料になりません。LTV/CAC（顧客生涯価値 ÷ 顧客獲得費用）とペイバック期間（CAC を粗利で回収するまでの月数）の 2 つを並べて読むと、ユニットエコノミクス（顧客 1 人単位の採算性）が初めて判定できます。

# LTV/CAC とペイバック期間の計算例（簡易法）
arpu_monthly = 3000        # 円 / 月
gross_margin = 0.70
avg_months   = 12

ltv = arpu_monthly * gross_margin * avg_months   # 25,200 円
cac = 8000                                        # 円 / 1 顧客

ltv_cac        = ltv / cac                                  # 3.15
payback_months = cac / (arpu_monthly * gross_margin)        # 3.81 ヶ月

print(f"LTV: {ltv:,.0f} 円 / CAC: {cac:,.0f} 円")
print(f"LTV/CAC: {ltv_cac:.2f} 倍 / Payback: {payback_months:.1f} ヶ月")

手計算で確認すると、ARPU 3,000 円 × 粗利率 0.7 = 月次粗利 2,100 円。これに 12 ヶ月を掛けて LTV は 25,200 円。CAC 8,000 円なら、LTV/CAC は 25,200 ÷ 8,000 = 3.15 倍、ペイバックは 8,000 ÷ 2,100 = 約 3.81 ヶ月、という構造になります。CAC を 1 万 5,000 円まで上げると LTV/CAC は 1.68 倍に落ち、3 倍ラインを下回ります。

07.実務でつまずく落とし穴と対処

コホート分析と LTV の運用で、多くのチームが共通してつまずく点を整理します。

08.よくある質問（FAQ）

09.まとめ

コホート分析は、ユーザー全員を 1 つの塊で見ていた状態から、獲得時期で集団に切り分けて時間軸で追う視点に切り替えるための道具です。ヒートマップで全体傾向を、リテンションカーブで減衰形を、Kaplan-Meier で打ち切りを補正した生存率を、それぞれ役割分担で見ていくと、施策効果と定着の良し悪しを切り分けて議論できます。

LTV は契約型 SaaS なら簡易法（ARPU × 粗利率 × 平均継続月数）で十分なケースが多く、非契約型 EC では BG/NBD + Gamma-Gamma の確率モデルが個別ユーザー単位の推定を出します。オウンドメディアは収益化モデルで式を切り替え、広告売上中心なら「生涯 PV × 広告 RPM」、後段サービスへの送客中心なら「生涯訪問数 × CV 率 × CV 単価」で読みます。LTV/CAC とペイバック期間でユニットエコノミクスを確認し、3 倍・12〜18 ヶ月（メディアは 12〜24 ヶ月）の目安を自社の資金繰りと突き合わせる。この一連の流れを社内ダッシュボードに載せておくと、獲得施策と定着施策の優先順位が定量的に決まるようになります。