GA4コホート分析とは何か――なぜ「平均値」では見えない課題があるのか

Webサイトの分析でセッション数やPV数の推移を眺めていると、全体の数字は上がっているのに、なぜか売上やお問い合わせが伸びない。そんな経験はないだろうか。

この「全体の平均値では見えない課題」を明らかにするのが、コホート分析という手法だ。コホートとは「同じ時期に同じ行動をとったユーザーの集団」を指す。たとえば「3月第1週に初めてサイトを訪問したユーザー」をひとつのコホートとして捉え、その集団が2週目、3週目、4週目にどれだけ再訪問したかを追跡する。

GA4（Google Analytics 4）にはこのコホート分析を「探索レポート」として実行できる機能が標準搭載されている。従来のユニバーサルアナリティクスでは限定的だったこの分析が、GA4ではイベントトラッキングベースのデータモデルと組み合わせることで格段に柔軟になった。GA4の計測モデルについては「GA4 デベロッパーガイド」に技術的な詳細が記載されている。

京谷商会では18のSEOナレッジベース（専門ポータルサイト）を運用しており、全サイト合計で1日10,000クリック（GSC基準）を目標に掲げている。この目標を追う過程で分かったのは、新規ユーザーの獲得だけでなく「一度来たユーザーがどれだけ戻ってくるか」が、検索順位の安定とコンテンツ評価の両面で決定的に重要だということだ。

この記事では、GA4のコホート分析機能を使って、ユーザーの定着率を可視化し、具体的な改善アクションに落とし込むまでの実践手法を解説する。データドリブンな意思決定の基盤として、コホート分析がどう機能するかを、実運用の知見とともにお伝えしたい。

コホート分析が中小企業のサイト運営に効く3つの理由

コホート分析は大企業やSaaSプロダクト専用の手法だと思われがちだが、実はコンテンツサイトやコーポレートサイトの改善にこそ威力を発揮する。

理由1：コンテンツの「賞味期限」が分かる

ブログ記事やコラムを公開した週に訪問したユーザーが、翌週以降どの程度戻ってくるかを見ると、そのコンテンツが一時的な話題で終わったのか、繰り返し参照される「資産型コンテンツ」なのかが判別できる。京谷商会のデータ分析部では、各ポータルの記事公開後4週間のリテンション率を定点観測している。リテンション率が高い記事のパターン（用語解説系、チェックリスト系など）を特定し、新規記事の企画に反映している。

理由2：流入チャネルごとの質の差が明確になる

「自然検索から来たユーザー」と「SNSから来たユーザー」を別々のコホートとして追跡すると、どのチャネルが「定着するユーザー」を連れてくるかが分かる。PV数だけ見ると同じ1,000人でも、再訪率が5%と20%では、サイトの成長への寄与がまるで違う。この視点はアトリビューション分析とも深く関連しており、チャネル評価の精度を高める重要な手がかりになる。

理由3：施策の効果を時間軸で評価できる

サイトリニューアルや導線の変更を行った際、その前後でコホートの定着率がどう変わったかを比較すれば、施策の本当の効果が分かる。単月の数字の上下に一喜一憂するのではなく、「同じ条件で入ってきたユーザーの行動パターンが改善したか」を評価基準にできる。

GA4でコホート分析を設定する手順

GA4の「探索」機能を使ってコホート分析を設定する手順を、実際の画面操作に沿って説明する。

GA4の「探索」画面を開く

GA4の左メニューから「探索」を選択し、「コホートデータ探索」テンプレートをクリックする。テンプレートが見つからない場合は、「空白」から新規作成し、手法として「コホートデータ探索」を選べばよい。

コホートの条件を定義する

設定パネルで以下の4つを決める。

  • コホートの組み入れ条件（Inclusion criteria）：どのイベントをもってユーザーをコホートに含めるか。初回訪問（first_visit）が基本だが、特定のページ閲覧や会員登録をトリガーにすることもできる。イベント設計の考え方は別記事で詳しく解説している
  • リターン条件（Return criteria）：再訪問とみなすイベント。通常はany_eventで問題ない
  • コホートの粒度：日次・週次・月次から選ぶ。週次が最もバランスが良い
  • 計算方法：「標準」は各期間ごとのリターン率、「ローリング」は累積のリターン率を表示する

ディメンションとセグメントを追加する

ここが分析の深さを決めるポイントだ。たとえば「デバイスカテゴリ」をディメンションに追加すれば、デスクトップとモバイルでリテンション率がどう違うかが分かる。「セッションのデフォルトチャネルグループ」を追加すれば、流入経路別の定着率が可視化できる。

京谷商会では18ポータルをGA4の1プロパティで管理しており、カスタムディメンション「portal_code」でポータル別にセグメントを切っている。これにより「SEOナレッジベースのユーザーは定着率が高いが、広告系ポータルのユーザーは初回で離脱しやすい」といった傾向が横断的に見える化された。

コホート分析のデータをどう読むか――3つの着眼点

コホートの表が出来上がったら、次はデータの読み方だ。数字が並んだヒートマップを漫然と眺めても意味がない。以下の3つの着眼点で読み解く。

着眼点1：Week 1のドロップ率

コホートの最初の週から翌週にかけてのドロップ率（離脱率）は、サイトの「第一印象」の指標になる。京谷商会のポータル群では、Week 0からWeek 1への平均リテンション率は12〜18%の範囲に分布している。この数字が10%を下回るポータルは、コンテンツの網羅性やナビゲーションに改善余地があると判断している。

着眼点2：安定期への到達タイミング

リテンション率は最初の数週間で急落し、その後あるレベルで安定する傾向がある。この「安定期」に到達するのがWeek 2なのかWeek 6なのかで、ユーザーの定着までに必要な「接触回数」の目安が分かる。SEOコンテンツの場合、検索意図に合致した記事を複数持つポータルほど安定期への到達が早い。

着眼点3：コホート間の傾向変化

3月のコホートと6月のコホートでリテンション率を比較すると、サイト全体の改善がユーザー行動に反映されているかが分かる。京谷商会では2026年Q1にSEOナレッジベースの内部リンク構造を大幅に見直したが、その前後のコホートを比較したところ、Week 2以降のリテンション率が平均3ポイント改善していた。施策の効果が「数字で語れる」のがコホート分析の最大の価値だ。

実践事例：18ポータル運用から見えたリテンション改善の具体策

京谷商会では18の専門ポータルを運用する中で、コホート分析から得られたインサイトをもとに以下の施策を実行してきた。

用語集ページの充実がリテンションを押し上げた

各ポータルには用語集（グロッサリー）を設置しており、記事中の専門用語から用語集へのリンクを張っている。コホート分析で「用語集ページを閲覧したユーザーのコホート」と「閲覧しなかったユーザーのコホート」を比較したところ、Week 2のリテンション率に約2倍の差があった。用語集は単なる補助コンテンツではなく、ユーザーの定着を促す「ハブ」として機能していることが数字で裏付けられた。

記事公開の曜日と時間帯による差

記事を月曜朝に公開したコホートと金曜夕方に公開したコホートでは、Week 1のリテンション率に明確な差が出た。平日の業務時間帯に検索してたどり着いたユーザーは、翌週も同じ文脈で再検索する確率が高い。この知見をもとに、B2B向けポータルの記事公開を火曜〜木曜の午前中に集中させるルールを設けた。

KPIダッシュボードとの連携

コホート分析のデータは単独で見ても有用だが、他のKPIと組み合わせることで真価を発揮する。京谷商会ではGSC（Google Search Console）の検索クリック数・表示回数と、GA4のコホートリテンション率を同じダッシュボードで並べて表示している。「検索流入が増えた週のコホートのリテンション率が高いか低いか」を即座に判断できる体制だ。全サイト合計1日10,000クリックという目標に対し、クリック数だけでなく「そのクリックが定着に繋がっているか」をセットで監視している。KPIダッシュボードの設計手法については「営業パイプラインの見える化を始める」でも具体的に解説している。

コホート分析でありがちな落とし穴と対処法

コホート分析は強力な手法だが、誤った使い方をすると判断を誤るリスクもある。

サンプルサイズが小さすぎる問題

月間1,000PV程度のサイトでは、週次コホートに分割するとコホートあたりの人数が数十人にしかならない。この規模では、1人の行動が数ポイントのリテンション率変動を引き起こすため、傾向として信頼できない。対処法としては、コホートの粒度を「月次」にするか、複数月のデータを統合して分析する方法がある。

季節変動を施策効果と混同する問題

年末年始や夏季休暇の時期はほとんどのサイトでリテンション率が変動する。12月のコホートのリテンション率が低いからといって、12月の施策が失敗したとは限らない。前年同月のコホートと比較するか、季節変動のパターンを把握した上で評価する必要がある。

コンバージョンとリテンションを混同する問題

リテンション率が高い＝良いサイト、とは限らない。ECサイトであれば、一度の訪問で購入が完結するユーザーのリテンション率は低くなるが、それはサイトの問題ではない。コンバージョン率とリテンション率は別の指標として管理し、サイトの種類に応じてどちらを重視するかを明確にしておくことが重要だ。GA4でのコンバージョン設定の具体的な手順は「GA4コンバージョン設定方法の完全ガイド」を参照してほしい。

GA4コホート分析をLooker Studioで定点観測する方法

GA4の探索レポートは分析には便利だが、チームで定期的に確認するには不向きだ。Looker Studio（旧Googleデータポータル）と連携すれば、コホート分析の結果を自動更新されるダッシュボードとして共有できる。

GA4コネクタでLooker Studioに接続する

Looker Studioの「データを追加」からGA4コネクタを選択し、該当のプロパティを接続する。この段階では通常のGA4ディメンションと指標が使える。

コホート指標を計算フィールドで再現する

Looker StudioにはGA4のコホート探索レポートをそのまま表示する機能はない。そのため、以下のアプローチで再現する。

  1. GA4のユーザー初回訪問日（first_session_date）をディメンションに設定
  2. 週番号に変換する計算フィールドを作成
  3. ピボットテーブルで初回訪問週×再訪問週のマトリクスを構築
  4. 条件付き書式で視覚的なヒートマップに仕上げる

この方法で構築したダッシュボードは、毎朝自動でデータが更新されるため、チームメンバーがURLを開くだけで最新のリテンション状況を把握できる。週次マーケティングレポートの自動化手法と組み合わせれば、レポート業務全体を大幅に効率化できる。

京谷商会では、Looker Studioのダッシュボードに各ポータルのコホートリテンション率を表示し、データ分析部が毎週のレビューで使用している。18ポータルを横断で比較できるため、「今週はどのポータルのリテンション率が下がったか」を即座に特定し、コンテンツ施策のPDCAを回している。

参考として、Googleの公式ドキュメント「GA4の探索レポートについて」に探索レポートの基本操作が詳しく記載されている。また、Looker Studioとの連携については「Looker StudioでGA4データを可視化する」が参考になる。

BigQueryエクスポートを活用した高度なコホート分析

GA4の標準機能だけでは分析の粒度に限界がある。より柔軟な分析を行いたい場合は、GA4のBigQueryエクスポート機能を活用する方法がある。

BigQueryエクスポートの設定

GA4の管理画面から「BigQueryのリンク」を設定すると、イベントデータが日次でBigQueryに蓄積される。無料のBigQuery Sandbox（毎月1TBの処理と10GBのストレージ）で十分対応可能なため、中小企業でもコストをかけずに導入できる。

SQLでコホート分析を実行する

BigQueryに蓄積されたデータに対してSQLクエリを実行することで、GA4の画面では不可能な分析ができる。たとえば「特定の記事を読んだユーザーが、その後30日以内にコンバージョンに至った割合をコホート別に比較する」といった複合的な分析だ。

WITH cohort AS (
  SELECT
    user_pseudo_id,
    DATE_TRUNC(
      PARSE_DATE('%Y%m%d', event_date), WEEK
    ) AS cohort_week,
    MIN(PARSE_DATE('%Y%m%d', event_date)) AS first_visit
  FROM `project.dataset.events_*`
  WHERE event_name = 'first_visit'
  GROUP BY user_pseudo_id, cohort_week
)
SELECT
  cohort_week,
  COUNT(DISTINCT user_pseudo_id) AS cohort_size,
  -- Week 1 retention
  COUNT(DISTINCT CASE
    WHEN DATE_DIFF(return_date, first_visit, WEEK) = 1
    THEN user_pseudo_id END) AS week1_retained
FROM cohort
LEFT JOIN (
  SELECT user_pseudo_id,
    PARSE_DATE('%Y%m%d', event_date) AS return_date
  FROM `project.dataset.events_*`
) USING (user_pseudo_id)
GROUP BY cohort_week
ORDER BY cohort_week

この種のSQLクエリをLooker Studioのカスタムクエリとして接続すれば、GA4標準では作れない高度なコホートダッシュボードが完成する。

Googleが提供する「BigQuery Export のスキーマ」のドキュメントに、エクスポートされるデータの構造が詳しく記載されているので、クエリ作成の参考にしてほしい。

ABテストとコホート分析を組み合わせる

ABテストの結果をコホート分析と組み合わせることで、短期的なコンバージョン率の差だけでなく、中長期的なユーザー定着への影響まで評価できる。

たとえば、記事ページのCTA（行動喚起）ボタンの位置をAパターンとBパターンでテストしたとする。短期的にはBパターンのクリック率が高かったとしても、Bパターンから流入したユーザーのコホートリテンション率が低ければ、その導線が「質の低い行動」を誘発している可能性がある。

京谷商会では、ランディングページのABテスト結果を判定する際、従来はコンバージョン率のみを基準としていたが、コホート分析を導入してからは「CVR × Week 2リテンション率」を複合指標として採用するようになった。この変更により、短期的なCVR向上だけを追い求めて長期的な顧客価値を損なうリスクを回避できるようになった。ABテストの具体的な進め方については「ランディングページのA/Bテスト実践ガイド」で詳しく解説している。

なお、2023年にGoogle Optimizeが提供終了となったため、現在のGA4環境でABテストを実施するには、サードパーティツール（VWO、Optimizelyなど）との連携か、GA4のオーディエンス機能を活用した簡易的な比較テストが主な選択肢となる。モバイルアプリの場合は「Firebase A/B Testing」も引き続き利用できる。

来週から始められるコホート分析の第一歩

コホート分析は高度な手法に思えるかもしれないが、GA4の「探索」機能を使えば、追加のツール導入なしで今日から始められる。

まずやるべきことは、以下の1つだけだ。

GA4の「探索」から「コホートデータ探索」を開き、デフォルト設定のまま過去12週間のデータを表示する。それだけで、自社サイトの「ベースラインのリテンション率」が分かる。Week 1のリテンション率が何%なのか。その数字を把握するだけで、今後のすべての施策の効果を測る基準点ができる。

その基準点ができたら、次のステップとして「流入チャネル別」のセグメントを追加してみてほしい。自然検索とSNSと直接流入で、リテンション率にどれだけの差があるか。その差が見えた瞬間に、「どのチャネルに注力すべきか」の判断基準が変わるはずだ。

京谷商会が18ポータル・SEO10,000クリック目標という規模で実践してきた知見の根底にあるのは、この「コホートで見る」という視点の転換だった。平均値ではなくコホートで見る。瞬間のスナップショットではなく時間軸で見る。その視点を持つだけで、同じGA4のデータから引き出せるインサイトの深さが変わる。

データ分析の基本から体系的に学びたい方は「データドリブンマーケティング入門」、レポート業務の効率化に関心がある方は「週次マーケティングレポートの半自動化」もあわせて参照してほしい。

来週のサイト分析で、まずはGA4の探索レポートを開くところから始めてみてほしい。