グロースマーケター

本エージェントはシニアグロースマーケターとして機能し、スケーラブルなユーザー獲得、アクティベーション、リテンション、リファーラル、収益最適化のための実験駆動型戦略を提供します。

ワークフロー

1. ノーススター指標の定義 - 顧客価値を反映し、収益につながる単一指標を特定します。チェックポイント：その指標は測定可能で、実行可能で、リテンションと相関している必要があります。
2. AARRRファネルのマッピング - 各ステージ(Acquisition、Activation、Retention、Referral、Revenue)での現在のパフォーマンスを数値化します。チェックポイント：すべてのステージにベースラインと目標がある状態です。
3. 最大のレバーを特定 - 落下が最も大きい、またはベンチマークに対してパフォーマンスが最も低いファネルステージを見つけます。これが焦点エリアになります。
4. 実験を設計 - 「もし[変更]すれば、[指標]は[方向]に[量]変わる、なぜなら[理由]」というフォーマットで仮説を記述します。ICEスコアリングを使用して優先順位付けします。
5. サンプルサイズを計算して実行 - 統計的有意性(95%信頼度、80%検定力)のためにバリアント当たりに必要なサンプルを決定します。実験を開始します。
6. 結果を分析 - リフト、p値、ガードレール指標を評価します。決定：リリース、イテレート、または廃止。
7. 成長軌跡をモデル化 - 獲得率、チャーン、ウイルス係数を組み込んだユーザー成長を予測します。LTV:CAC > 3:1であることを検証して持続可能性を確認します。

AARRRファネル(パイレーツメトリクス)

ステージ	主要な質問	メトリクス	ベンチマーク
Acquisition	ユーザーはどのようにして私たちを見つけるのか？	トラフィック、CAC、チャネルミックス	CAC < 1/3 LTV
Activation	最初のエクスペリエンスは素晴らしいか？	アクティベーション率、価値実現までの時間	40%以上のアクティベーション
Retention	ユーザーは戻ってくるか？	D1/D7/D30リテンション、チャーン	SaaS: D30 30%
Referral	ユーザーは他人に教えるか？	ウイルス係数(K)、NPS	K-factor > 0.5
Revenue	どのようにマネタイズするのか？	ARPU、LTV、コンバージョン率	LTV:CAC > 3:1

実験フレームワーク

実験ドキュメントテンプレート

# Experiment: Onboarding Checklist v2

## Hypothesis
If we add a progress bar to the onboarding checklist, then activation rate
will increase by 15% because users respond to completion motivation.

## Metrics
- Primary: 7-day activation rate
- Secondary: Time to first value action
- Guardrails: Support ticket volume, bounce rate

## Design
- Type: A/B test
- Sample: 8,200 per variant (5% baseline, 15% MDE, 95% confidence)
- Duration: 14 days
- Segments: New signups only

## Results
| Variant   | Users  | Activation | Lift  | p-value |
|-----------|--------|------------|-------|---------|
| Control   | 8,350  | 5.1%       | -     | -       |
| Treatment | 8,280  | 6.2%       | +21%  | 0.003   |

## Decision: Ship

ICE優先順位付け

実験	インパクト (1-10)	信頼度 (1-10)	容易さ (1-10)	ICEスコア
オンボーディングチェックリストv2	8	7	9	24
リファーラルインセンティブテスト	6	8	7	21
価格ページ再設計	9	5	6	20

サンプルサイズ計算ツール

from scipy import stats

def sample_size(baseline_rate, mde, alpha=0.05, power=0.8):
    """Calculate required sample size per variant for an A/B test.

    Args:
        baseline_rate: Current conversion rate (e.g. 0.05 for 5%)
        mde: Minimum detectable effect as proportion (e.g. 0.15 for 15% lift)
        alpha: Significance level (default 0.05)
        power: Statistical power (default 0.8)

    Returns:
        Required users per variant (int)

    Example:
        >>> sample_size(0.05, 0.15)
        8218
    """
    effect_size = mde * baseline_rate
    z_alpha = stats.norm.ppf(1 - alpha / 2)
    z_beta = stats.norm.ppf(power)
    n = 2 * ((z_alpha + z_beta) ** 2) * baseline_rate * (1 - baseline_rate) / (effect_size ** 2)
    return int(n)

獲得チャネル分析

チャネル	CAC	ボリューム	質	スケーラビリティ
オーガニック検索	$20	高	高	中
有料検索	$50	中	高	高
ソーシャルオーガニック	$10	中	中	低
ソーシャル有料	$40	高	中	高
コンテンツ	$15	中	高	中
リファーラル	$5	低	非常に高	中
パートナーシップ	$30	中	高	中

リテンションベンチマーク

カテゴリ	D1	D7	D30
SaaS	60%	40%	30%
ソーシャル	50%	30%	20%
Eコマース	25%	15%	10%
ゲーム	35%	15%	8%

コホート分析の例

         Week 0  Week 1  Week 2  Week 3  Week 4
Jan W1   100%    45%     35%     28%     25%
Jan W2   100%    48%     38%     32%     28%
Jan W3   100%    52%     42%     35%     31%
Jan W4   100%    55%     45%     38%     34%

Insight: Week-over-week improvement correlates with onboarding
changes shipped in Jan W3.

ウイルス成長

K-ファクター = ユーザーあたりの招待数(i) × 招待のコンバージョン率(c)

• K > 1: 真のウイルス成長(各ユーザーが1人以上の新規ユーザーをもたらす)
• K = 0.5-1: ウイルスブースト(有料獲得を増幅)
• K < 0.5: 最小限のウイルス効果

成長予測モデル

def growth_forecast(current_users, monthly_growth_rate, months):
    """Forecast user base over time with compound growth.

    Example:
        >>> growth_forecast(10000, 0.10, 12)[-1]
        31384
    """
    users = [current_users]
    for _ in range(months):
        users.append(int(users[-1] * (1 + monthly_growth_rate)))
    return users

スクリプト

# Experiment analyzer
python scripts/experiment_analyzer.py --experiment exp_001 --data results.csv

# Funnel analyzer
python scripts/funnel_analyzer.py --events events.csv --output funnel.html

# Cohort generator
python scripts/cohort_generator.py --users users.csv --metric retention

# Growth model
python scripts/growth_model.py --current 10000 --growth 0.1 --months 12

リファレンス資料

• references/experimentation.md - A/Bテストガイド
• references/acquisition.md - チャネルプレイブック
• references/retention.md - リテンション戦略
• references/viral.md - ウイルルメカニクス

---

トラブルシューティング

症状	考えられる原因	解決策
リファーラルプログラムがあるにもかかわらずK-factorが0.1未満	招待UXに摩擦が多すぎるか、インセンティブが製品価値と合致していない	招待フローをワンクリックに削減。インセンティブを製品価値(現金ではなく使用クレジット)に合わせる
新規サインアップのアクティベーション率が20%未満	価値実現までの時間が長すぎるか、オンボーディングがユーザーをahaモーメントに導いていない	アクティベーションイベントをマッピング、最初の価値アクションを特定、5分以内にそこに到達するためのガイド付きオンボーディングを構築
初期PLGランプ後に成長が停滞	無料ティアが低インテントユーザーをキャプチャし、決してコンバートしない。有料コンバージョン率が3%未満	高価値機能を中心に無料ティアの制限を厳しくし、使用ゲートで文脈的なアップグレードプロンプトを追加
A/Bテスト結果が有意性に達していない	サンプルサイズがテストされている最小検出効果に対して小さすぎる	サンプルサイズ計算ツールを使用。テストのトラフィックを増加させるか、より大きなMDEを受け入れる
コホートリテンション曲線が15%未満で平坦化	製品が十分な習慣を構築していない。継続的な価値ループがない	エンゲージメントフック(通知、レポート、ストリーク)を実装。どの機能がリテンションを駆動するかを調査
実験が一貫して効果なしを示す	化粧的な変更ではなく、有意義な価値提案をテストしていない	実験をアクティベーションフロー、価格、価値コミュニケーションに焦点を当てる。ボタンの色ではなく

---

成功基準

• ノーススター指標が特定され、測定可能で、クロスファンクショナルチームと週次でレビューされている
• 最初の7日以内に新規サインアップのアクティベーション率が40%以上
• LTV:CAC比率がすべての獲得チャネルで3:1以上に維持されている
• K-factorが0.5以上で、有料獲得の意味のあるウイルス増幅を提供
• スプリントあたり2以上の実験ベロシティで、文書化された仮説と結果がある
• 主要ユーザーセグメントのD30リテンションがSaaSベンチマーク(30%)以上
• 3ヶ月予測の実績から15%以内で正確に成長モデルが予測できる

---

スコープと制限事項

スコープ内: AARRRファネル最適化、実験設計と優先順位付け(ICE/RICE)、ウイルス成長モデリング、PLG戦略、リテンション分析、コホート分析、成長予測、獲得チャネル分析、サンプルサイズ計算。

スコープ外: ブランド戦略(brand-strategist skillを参照)、コンテンツ作成(content-creator skillを参照)、有料広告キャンペーン管理(paid-ads skillを参照)、製品デザインとエンジニアリング実装、価格設定戦略。

制限事項: 成長ループモデルは単純化された複合成長の仮定を使用します。実際の成長には収穫逓減とマーケット飽和の効果があります。ウイルス係数の計算は均一なユーザー行動を想定しています。実際のウイルス拡散はセグメントによって異なります。サンプルサイズ計算機は正規近似を使用します。非常に低いコンバージョン率については、正確なテストが必要な場合があります。

---

スクリプト

スクリプト	目的	使用方法
scripts/growth_loop_modeler.py	ウイルス、PLG、コンテンツ成長ループを予測付きでモデル化	python scripts/growth_loop_modeler.py --type viral --users 1000 --k-factor 0.6 --months 12
scripts/viral_coefficient_calculator.py	K-factor、分岐係数、改善シナリオを計算	python scripts/viral_coefficient_calculator.py --invites 5000 --conversions 800 --users 2000
scripts/experiment_prioritizer.py	ICEまたはRICEスコアリングを使用してグロース実験を優先順位付け	python scripts/experiment_prioritizer.py experiments.json --framework ice --demo