「とりあえず dau」をやめる：指標を作る前に決める3つのこと
DAU・mau・継続率・ltv ── 言葉だけが独り歩きする指標たち。本シリーズの開幕として、指標を作る前に「何を意思決定するか・誰が見るか・どの粒度で集めるか」を決める作法を整理する。
DAU/WAU/MAU と stickiness：「アクティブユーザー」の3層構造
DAU だけ見ても何も分からない。WAU・MAU と組み合わせて Stickiness（DAU/MAU）を出して、初めて意味が出る指標。sns・saas・ゲーム・EC で健全な水準が違う理由まで。
「アクティブ」の定義：ログイン記録か、機能利用か
DAU の分母を「ログインしたユーザー」と置くか「コア機能を使ったユーザー」と置くかで数字は数倍違う。プロダクトの North Star に合わせた active イベントの選び方。
継続率と cohort 分析：ユーザーは何日後にいなくなるか
新規ユーザーの何 % が翌日 / 7 日後 / 30 日後に戻ってくるか。Cohort（同期入会群）で割って見ることで、プロダクト改善が数字に効いているかが分かる。
N+1日継続率 vs ローリング継続率：似てる指標の落とし穴
「翌日継続率」と「過去 7 日のうち 1 日でも戻ってきた率」では数字が大きく変わる。チーム間で定義が違うと議論が成立しないので、計算式の違いを言語化する。
ltv の計算式 5 通り：saas・EC・ゲーム・B2B・サブスク
「顧客生涯価値」と一言で言うが、業種で計算式は違う。MRR ベースの SaaS LTV、注文単価×頻度の EC、課金者比率ベースのゲームを整理する。
RFM・ar・ARPPU・課金者比率：購買行動の分解
顧客を「最近来た / 頻度 / 金額」の 3 軸で評価する RFM。ARPU と ARPPU の違い、課金者比率の業界水準と sql 実装。
キャンペーン経由ユーザの効果測定：流入経路別 cohort
「あのインスタ広告でインストールしたユーザは、その後どれくらい残ってる？」を答える設計。流入経路を first_touch_channel として保持し、Cohort で比べる。
アイテム入手後の継続率・課金率：プロダクト機能の効果測定
「特定アイテムを取った人は、そうでない人より継続するか？」を答える。機能利用（イベント）後の cohort を切って比較。ゲーム・sns・saas のオンボーディング設計に直結。
ログ設計の基本：イベント名・プロパティ・粒度
ログは「後から細かくはできない、後から粗くはできる」。命名規則・必須プロパティ・粒度設計で、3 年後に泣かないログを作る。
ログ実装：GA4 / Mixpanel / 自社 dwh の使い分け
GA4（無料・サンプリング）、Mixpanel（製品分析特化）、snowflake/bigquery 直送（フルカスタム）。要件と予算で正解が変わる。
kpi ツリー：North Star から日次 KPI への分解
「会社の目標 → 部門 KPI → チーム KPI → 個人タスク」の樹形図。北極星指標から日次 KPI へ落とすときの掛け算分解と足し算分解の使い分け。
kpi ダッシュボード設計：looker-studio / tableau / Sigma
「3秒で全体・30 秒でトレンド・3 分で深掘り」の 3 層構造。コア KPI を上に、ドリルダウンを下に。ツール別の実装テクも。
kpi 異常検知とアラート設計：3σ から ml まで
dau が普段より低いとき・課金が普段より高いとき、人間が気付く前にアラート。固定閾値・3σ・季節調整・機械学習の段階的アプローチ。
KPI レビュー会の設計と運営：数字を組織に染み込ませる
ダッシュボードを作っただけで KPI が文化にはならない。週次レビューの議題テンプレ・ファシリテーション・改善アクションへのつなげ方。
pdca を止めないための KPI 設計：仮説→施策→計測→学習を確実に回す可視化
KPI ダッシュボードを作っても「眺めるだけ」で終わるチームは多い。仮説・施策・計測・学習のサイクルを「言語化 → 数値化 → 可視化」して、組織の判断速度を上げる仕掛け。
A/Bテストの設計とツール選び：GrowthBook / Optimizely / Statsig / PostHog 比較
「効果ありそう」を「効果あった（95% 信頼）」に変える唯一の実用手法 ── A/Bテスト。saas と oss の比較、サンプルサイズ計算、SRM 検出、ピーキングの罠まで、実装前に押さえておくべき設計の作法。
Python で実践 A/Bテスト：頻度論からベイジアンまで、可視化付きで比較検証する
EC サイトの CTA 文言（A: カートに追加 vs B: 今すぐ買う）を題材に、Python で A/B テストを最初から最後まで動かす。t 検定・χ² 検定・Mann-Whitney・Bayesian A/B の比較、信頼区間の可視化、判定の作法まで。
拡大推計の使い所とアンチパターン：サンプルから全体を語るときに何を間違えるか
全店ヒアリングできなくても、サンプル店舗から全店売上を推計できる。視聴率・出口調査・コホート分析・売上速報、すべての裏側にあるのが「拡大推計」。手法・使い所・典型的な失敗パターンを実装コード付きで整理。
まずは、現状を聞かせてください。
要件が固まっていなくて大丈夫です。現状診断と方針提案までを無料でお手伝いします。