コンパスチャートの解釈、パート2：相関関係とコホート

この記事では、相関関係とその相関関係がコンパスチャートにどのように適用されるか、そしてその結果からコホートを作成する方法について説明します。 コンパスチャートの読み方と解釈方法の詳細については、コンパスチャートの解釈、パート1を参照してください。

相関関係を理解する

相関関係は、2つの統計変数が互いにどのように関連しているかを測定します。使用可能な値の範囲は-1〜1です。スコアがゼロの場合、その変数間には統計的な関係性がないことを示します。スコア 1 は完全な正の相関を示し、スコア -1 は完全な負の相関を示します。

Amplitudeは相関スコアを次のように分類します。

• 予測精度が高い：|correlation| >= 0.4。
• 適度な予測精度：0.3 <= |correlation| < 0.4。
• やや予測力あり：0.2 <= |correlation| < 0.3。
• 予測力なし：|correlation| < 0.2。

コンパスチャートでは、関連付けられるべき2つの変数は次のとおりです。

• ユーザーが対象のイベントを少なくとも一定回数以上トリガーしたかどうか。
• ユーザーがターゲットコホートに残っていたかどうか。

相関関係のさまざまなバリエーションや定義について聞いたことがあるかもしれません。 よく知られた例としては、マシューズ相関、ピアソン相関、ファイ係数、R値などがあります。 この場合、コンパスはバイナリのランダム変数のペアを調べるため、これらのメソッドはすべて同等の結果を生成します。

相関関係は因果関係ではないため、コンパス分析から得た仮説をテストして検証してください。

ここで相関関係が使用するのに適したメトリックである理由

ユーザーの「アハモーメント」を捉えるメトリックを探す場合、特定のしきい値を超えるユーザーの大半がその後保持され、しきい値を下回るユーザーの大半が保持されないというメトリックが必要です。このようなメトリックには、良好な正の予測値（PPV）を持つしきい値があります。

また、このしきい値を超えてユーザーを移動させることがどれほど容易であるかを考慮する必要があります。 PPVとNPVが高いしきい値を見つけたものの、そのしきい値を超えてユーザーを移動させることが困難である場合、このメトリックはユーザーベースの拡大にあまり役立ちません。その兆候は、ユーザーのほとんどがしきい値を超えていないか、またはほぼ全員がすでにしきい値を超えている場合です。 必ずしもそうであるとは限りませんが、より具体的な情報がない場合、これは一般的に正しい仮定です。

コンパスは相関関係を使用してこれらのしきい値を特定します。これは、相関関係がPPV、NPV、およびしきい値を超える割合を考慮するためです。PPV が高く、NPV が高く、またはしきい値を超えるユーザーの割合が 50% に近い場合、相関関係も高くなります。 PPVが低い、NPVが低い、またはしきい値を超えるユーザーの割合が50%からより離れている場合、相関関係は低くなります。

結果からコホートを作成する

_コホートを作成_をクリックすると、結果からコホートを作成できます。Amplitudeは、コホートのリテンションと新規ユーザーのリテンションを自動的に比較します。

この比較は、Any EventではなくAny Active Eventに基づいています。

表示（_相関表_の横）をクリックすると、詳細な分割表が表示されます。この表には、ベースコホート内のユーザー数が、真陽性、偽陽性、偽陰性、真陰性の4つのカテゴリそれぞれに示されます。

また、表示（_詳細統計_の横）をクリックすると、コホートに関する詳細な統計情報を確認することもできます。

これらの統計の詳細については、コンパスで会社の転換点となるメトリックを見つけるを参照してください。

次に、コンパスを使用して、グロースの促進に不可欠なユーザージャーニーの瞬間を特定する方法に関するヘルプセンターの記事を参照してください。