リテンション分析は2026年、経営の中心指標になった
- 年の日本SaaS市場は、新規獲得の単価上昇と広告チャネルの飽和により、「新規で伸ばす」戦略がほぼ成立しなくなった。2023年時点で月間CAC（顧客獲得コスト）が40万円台だった B2B SaaS は、2026年には80〜120万円まで膨らんでいる。結果として、LTV/CAC 比を3倍以上に維持するためには、リテンション改善がほぼ唯一の生存戦略になった。
リテンション分析は単なる「継続率のグラフを見る」仕事ではない。Cohort Retention、Quick Ratio、Power User Curves、North Star Metric の4つを体系的に組み合わせ、解約予測モデルで個別ユーザーへ介入するところまで含めた総合設計が求められる。本稿ではこれら全体像を、日本SaaS の実例を交えながら解説する。
Cohort Retention: 横方向と縦方向の読み方
Cohort Retention の基本は、ユーザーを「登録月」でグルーピングし、月経過ごとの継続率を並べる表だ。横方向（同一コホートの時系列）で安定しているか、縦方向（同一月の異コホート比較）で改善しているかを別々に読む。
- 年の読み解きで重要なのは「Smile Curve」の存在だ。B2B SaaS では、継続率が3〜4ヶ月目で底打ちし、そこから徐々に反転上昇する曲線がしばしば見られる。これは「解約する人は早期に解約し、残ったユーザーはエンゲージメントが上がる」というメカニズムによる。Smile Curve が出ているプロダクトは Product-Market Fit に近づいている証拠で、逆に単調減少の場合はコア価値が伝わっていない。
注意すべき落とし穴は「Survivorship Bias（生存バイアス）」だ。長期コホート（例: 12ヶ月以上）は母数が小さく、既に解約した多数派を含まないため、リテンション曲線が過度に楽観的になる。最低でも各時点での n 数を併記し、n<100 のセルはグレーアウトするのが定石だ。
Quick Ratio: 成長の健全性指標
Quick Ratio は SaaS の成長健全性を一枚で示す指標で、以下の式で計算する。`Quick Ratio = (New MRR + Expansion MRR) / (Churned MRR + Contraction MRR)`。1.0 を下回ると縮小、1.0 を上回れば成長、4.0 以上が優良とされる。
- 年の日本SaaS では、Quick Ratio の平均値が2.1まで落ち込んでいる（野村総研レポート、2026年3月）。これは新規獲得の鈍化と既存顧客の Contraction（プラン縮小）の同時進行が原因だ。Quick Ratio を改善するには、分子（New + Expansion）を伸ばすより、分母（Churn + Contraction）を抑える方が投資対効果が高いケースが大半だ。
Quick Ratio を「セグメント別」に分解して見るのも2026年の標準だ。企業規模別、プラン別、業種別で別々に算出すると、全体では 2.0 でも、エンタープライズセグメントだけ 5.0、中小セグメントが 0.8 という分布が見えてくる。後者は積極的に撤退し、前者に投資を集中する経営判断につながる。
Engagement: Weight-of-Evidence と Power User Curves
ユーザーエンゲージメントを測る際、単純な「ログイン回数」や「セッション数」では不十分だ。2026年の標準は Weight-of-Evidence（WoE）変換を使い、複数の行動指標を「解約確率」の観点で統合スコア化するアプローチだ。
具体的には、過去6ヶ月のデータから「ある行動を取ったユーザーの解約率」と「取らなかったユーザーの解約率」の対数オッズ比を計算し、各行動に WoE スコアを割り当てる。そのスコアを合算して「エンゲージメントスコア」とする。この手法の強みは、単なる頻度ベースの指標より、解約との相関が格段に強いことだ。
Power User Curves は、ユーザーの「月間のアクティブ日数分布」をヒストグラムで可視化する手法だ。横軸が月内アクティブ日数（1〜30日）、縦軸がユーザー数で、右側（高頻度）に厚みがある「Smile Distribution」が理想形だ。Slack / Notion / Figma のような日次利用型プロダクトでは、右端（月30日アクティブ）のユーザー比率が15%を超えると強いエンゲージメントとされる。
L7 / L28 は Facebook 由来の指標で、L7=過去28日のうちアクティブだった日数を週平均化したもの、L28=過去28日のアクティブ日数そのものを指す。L28/28 = 1.0（毎日アクティブ）のユーザーが全体の10%を超えると、そのプロダクトは「日次習慣」に食い込んだと判断できる。週次型SaaS（例: 会計、HR）では L4/4 を代わりに使う。
North Star Metric 設計の実戦
North Star Metric（NSM）は組織が共通して追う単一の数値で、「プロダクトが顧客に届ける価値の総量」を近似する指標だ。設計原則は3つ。1つ目は「頻度 × 幅 × 深さ」の3軸を含むこと。2つ目は「Revenue の先行指標」であること。3つ目は「ユーザー側の行動」を軸にすること（売上ではなく）。
悪い NSM の例は「DAU（Daily Active Users）」だ。単なるログインでは価値提供を測れない。良い NSM の例は、Airbnb の「Nights Booked」、Slack の「Messages Sent in Paying Teams」、Zoom の「Weekly Meeting Minutes」だ。これらは頻度・幅・深さを同時に捉え、Revenue と強い相関を持つ。
日本 SaaS での設計例として、請求書SaaSなら「月間処理済み請求書数 × アクティブ企業数」、タレマネSaaSなら「月間完了1on1回数 × マネージャー×メンバーペア数」、EC SaaSなら「月間完了注文数 × 出店者数」が妥当な NSM 候補になる。NSM を決めたら、ダッシュボードの最上段に固定表示し、全社の週次会議で最初の議題にするというガバナンスが効く。
日本SaaS 解約予測モデル: XGBoost と Causal Forest
解約予測は「次の30日以内に解約する確率」を個別ユーザー単位で推定するモデルだ。2026年の主流は XGBoost（特徴量100〜300個）、もしくは Causal Forest（介入効果の推定付き）の2択になる。
XGBoost モデルの特徴量設計は、大きく4カテゴリに分ける。1つ目は利用頻度系（L28、直近7日 / 28日 / 90日の差分）。2つ目は機能網羅度系（利用した機能種類数、コア機能の利用頻度）。3つ目は組織系（契約期間、ユーザー数変化、支払い遅延履歴）。4つ目はサポート系（チケット数、NPS、CS ミーティング実施回数）。
モデル評価は単純な Accuracy ではなく、PR-AUC（Precision-Recall AUC）で見る。解約はクラス不均衡（典型的には陽性10%未満）のため、ROC-AUC では不当に高く見えてしまう。2026年の成熟したSaaSでは、解約予測モデルの PR-AUC が0.45〜0.60、Recall@20% が55〜70% というレンジが実用水準だ。
Causal Forest は解約予測から一歩進み、「どの介入（CS 面談 / 割引 / 機能提案）がどのユーザーに最も効くか」を個別推定する手法だ。Econ-ML（Microsoft 製OSS）や GrowthBook の Causal ML 機能で実装できる。単純な解約予測より実装コストは高いが、介入ROIが明確に可視化されるため、CSチームの稼働配分を根本的に見直せる。
解約予測モデルの運用上の落とし穴
解約予測モデルを本番運用する際、頻繁にハマる落とし穴が3つある。1つ目は「Feedback Loop」だ。解約予測で高リスクとフラグされたユーザーにCSが介入し、解約を防いだ場合、そのユーザーは翌月「解約しなかった」としてモデルに学習される。すると次回は低リスクと判定され、介入されず、今度こそ解約する。この悪循環を避けるには、介入履歴自体を特徴量として明示的に入れ、Counterfactual を考慮した学習に切り替える必要がある。
- つ目は「Concept Drift」だ。プロダクトのUI変更、価格改定、機能追加のたびに、特徴量と解約の関係性が変わる。モデルは最低でも月次で再学習し、予測性能（PR-AUC、Calibration）が閾値を下回った時点で自動アラートを上げる運用が必須になる。
- つ目は「介入キャパシティの制約」だ。モデルが月100件の高リスクユーザーを検出しても、CSチームが介入できるのが月30件なら、優先順位付けのロジックが別途必要になる。ここで効いてくるのが Causal Forest の「介入効果の大きさ」で、解約確率 × 介入効果を掛け合わせた「介入期待リフト」でソートするのが2026年の定番だ。
実装スタックの現実解
- 年の日本SaaSにおけるリテンション分析の実装スタック推奨は以下のとおり。データ基盤は BigQuery または Snowflake。イベント収集は PostHog または Segment + Snowplow。リテンションダッシュボードは Hex または Mode（SQL+Python）。解約予測モデルは Vertex AI / SageMaker の AutoML、または自前の XGBoost + MLflow 管理。CS側の介入ワークフローは Catalyst、Vitally、または自前の内製ツール。
この構成で人件費とインフラ費を合わせた年間コストは、年商30〜50億円規模のSaaSで3,000〜5,000万円。LTV/CAC の改善効果を想定すると、半年以内に投資回収できるケースが多い。
リテンション分析の2026年チェックリスト
- Cohort Retention は「登録月」と「プラン」「セグメント」で必ず多軸分解する
- Quick Ratio をセグメント別に分解し、撤退すべきセグメントを明示する
- Power User Curves と L28 を用いて、日次／週次のエンゲージメント型を見極める
- North Star Metric を「頻度×幅×深さ」で設計し、全社週次会議で最初の議題にする
- 解約予測モデルは PR-AUC とキャリブレーションで評価し、月次で再学習する
- Causal Forest で介入効果を個別推定し、CS稼働を期待リフトでソートする
- Feedback Loop を避けるため、介入履歴を特徴量に含める
リテンション分析は2026年、「プロダクトマネジメントの中心」から「経営の中心」へと格上げされた。新規獲得の単価が上がり続ける市場では、既存顧客一人ひとりの行動をモデル化し、個別に最適化する組織だけが生き残る。