App Onboarding

App Onboarding Design Skill

アプリのオンボーディングを設計・改善するための汎用スキル。 「Aha Momentへの最短到達」を最優先とし、離脱率最小化 → パーソナライズ → 計測設計の順で最適化する。

設計哲学

以下の3原則を常に守る：

1. Value Before Registration — 登録前に価値を体験させる。体験してから登録を求める 2. Learn by Doing — 説明スライドではなく、実際の操作を通じて学ばせる。ツールチップ5個の連打は厳禁 3. First Win in 60 Seconds — 初回起動から60秒以内に「できた」感を提供する

Step 0: Aha Moment を定義する

オンボーディング設計の起点は、アプリ固有の Aha Moment を具体的に定義すること。 以下のテンプレートで定義する：

### [アプリ名]
- **Aha Moment**: ユーザーが「このアプリの価値がわかった」と感じる瞬間
- **Activation Metric**: Aha Moment到達を示す計測可能な行動
- **Target TTV (Time to Value)**: Aha Moment到達までの目標秒数
- **Day1 Retention目標**: 翌日再訪率の目標値（アプリカテゴリ平均を参考に）
- **習慣化トリガー**: 継続利用を促す最初のフック

定義のコツ:

• Aha Moment は「機能を使えた」ではなく「価値を感じた」瞬間
• Activation Metric は定量計測可能であること
• TTV は短いほど良いが、カテゴリにより適正値は異なる（ユーティリティ: 30秒、学習: 60秒、クリエイティブ: 120秒）

参考事例:

---

オンボーディング設計フレームワーク

以下の6フェーズで設計する。各フェーズには必須チェック項目がある。

Phase 0: Pre-Onboarding（インストール前〜起動まで）

• [ ] ストア説明文が「ユーザーのBetter Self」を描写しているか
• [ ] スクリーンショットが機能ではなく成果を見せているか
• [ ] アプリサイズが初回DLの心理的障壁を超えていないか（目安100MB以下）

Phase 1: First Contact（起動〜最初のインタラクション、0-15秒）

• [ ] スプラッシュ画面は2秒以内か
• [ ] 最初の画面で「何ができるアプリか」が3秒で伝わるか
• [ ] 登録を要求する前に価値体験があるか（Value Before Registration）
• [ ] Empty Stateではなくサンプルデータ or 即時体験を提供しているか

Phase 2: Quick Win（最初の成功体験、15-60秒）

• [ ] ユーザーが1アクションで「できた」を感じられるか
• [ ] フィードバック（音・アニメーション・テキスト）が即座に返るか
• [ ] 正解/成功時のポジティブ強化が十分か
• [ ] 操作ステップ数は3以下か

Phase 3: Personalization（ユーザー分岐、60-120秒）

• [ ] 目的・レベルを2-3問で聞いているか（5問以上は離脱リスク）
• [ ] 回答に基づいて体験が実際に変わるか（見せかけのパーソナライズは逆効果）
• [ ] 「スキップ」が常に可能か
• [ ] パーソナライズ結果が初回セッション内で体感できるか

Phase 4: Registration Gate（登録・アカウント作成）

• [ ] Quick Win達成後に配置されているか
• [ ] ソーシャルログイン（Apple/Google）を最優先表示しているか
• [ ] メールアドレスのみの最小フォームか
• [ ] 「登録しないと失われるもの」を明示しているか（進捗データの保存等）
• [ ] 登録スキップしても一定範囲は使えるか

Phase 5: Habit Loop Setup（習慣化の種まき、初回セッション終了時）

• [ ] リマインダー/通知の許可を価値体験の後に求めているか
• [ ] 次回やることが明確か（「明日のチャレンジ」等）
• [ ] プログレスバー or ストリークが設定されているか
• [ ] ウィジェット/ショートカットの案内があるか

Phase 6: Re-engagement（Day1-7の再訪促進）

• [ ] Day1プッシュ通知の文面がパーソナライズされているか
• [ ] 離脱ポイントに基づく再訪メッセージがあるか
• [ ] 「前回の続き」が1タップで再開できるか
• [ ] ストリーク継続のインセンティブがあるか

---

出力モード

このスキルは4つの出力モードを持つ。ユーザーの要求に応じて適切なモードを選択する。 複数モードの同時出力も可能。

Mode 1: チェックリスト＋改善レポート

既存のオンボーディングを診断し、上記フレームワークに基づいてスコアリング＋改善提案を行う。

出力テンプレート:

# [アプリ名] オンボーディング診断レポート

## サマリー
- 総合スコア: X/30（各Phase 0-5点）
- 最大の改善機会: [Phase名]
- 推定インパクト: Day1 Retention +X%

## Phase別診断
### Phase 1: First Contact — X/5
✅ 達成項目
❌ 未達成項目
💡 改善提案（優先度・工数目安付き）

...（各Phase繰り返し）

## 優先アクション TOP3
1. [最もインパクトの大きい改善]
2. [次に重要な改善]
3. [コスト対効果の高い改善]

Mode 2: フロー設計書（Mermaid）

オンボーディングフロー全体をMermaid図で出力する。 分岐条件、離脱ポイント、計測ポイントを明示する。

設計ルール:

• 各ノードに推定所要時間を付記する
• 離脱リスクの高いノードを赤系で色分けする
• 計測イベント名をノード下に記載する
• パーソナライズ分岐を菱形ノードで表現する

出力例:

flowchart TD
    A["🚀 アプリ起動\n⏱ 0s"] --> B["価値提示\n⏱ 2s"]
    B --> C["即体験\n⏱ 15s\n📊 event: first_interaction"]
    C --> D{"成功した？"}
    D -->|Yes| E["🎉 成功演出\n📊 event: first_win"]
    D -->|No| F["ヒント表示\nリトライ"]
    F --> C
    E --> G{"パーソナライズ\n2-3問\n📊 event: personalization"}
    G --> H["登録ゲート\n📊 event: registration_prompt"]
    H -->|登録| I["ホーム画面\n📊 event: onboarding_complete"]
    H -->|スキップ| I

    style C fill:#fff3cd
    style H fill:#f8d7da
    style E fill:#d4edda

Mode 3: ワイヤーフレーム指示書

各画面の構成要素・レイアウト・インタラクションを開発者が実装できるレベルで記述する。

出力テンプレート（各画面ごと）:

## Screen: [画面名]
- **目的**: この画面でユーザーが得るもの
- **前の画面**: [画面名]
- **次の画面**: [画面名] / 分岐先
- **レイアウト**:
  - 上部: [要素の説明]
  - 中央: [メインコンテンツ]
  - 下部: [CTA・ナビゲーション]
- **インタラクション**:
  - タップ: [動作]
  - スワイプ: [動作]
  - 自動遷移: [条件と秒数]
- **計測イベント**: [イベント名とプロパティ]
- **離脱対策**: [この画面特有の対策]

Mode 4: コード生成（React / SwiftUI）

オンボーディング画面のプロトタイプコードを生成する。

技術スタック:

• Web（React）: Tailwind CSS、Framer Motion
• iOS（SwiftUI）: iOS 16+対応、@State/@Binding でフロー管理

コード生成ルール:

• 1画面1コンポーネント、画面遷移はステートマシンで管理
• アニメーションは控えめだが、成功時のフィードバックは華やかに
• アクセシビリティ（VoiceOver/TalkBack）を考慮
• 計測イベントの発火ポイントをコメントで明示

---

計測設計テンプレート

オンボーディングの効果を計測するために、以下のイベント体系を標準とする。

必須イベント

ファネル定義

app_first_open
  → first_interaction （目標: 90%以上）
    → first_win （目標: 75%以上）
      → registration_prompt （目標: 70%以上）
        → registration_complete （目標: 40%以上）
          → onboarding_complete （目標: 35%以上）

KPI定義

• Activation Rate: onboarding_complete / app_first_open — 目標35%以上
• Time to First Value (TTV): first_win.timestamp - app_first_open.timestamp — 目標60秒以内
• Registration Conversion: registration_complete / registration_prompt — 目標50%以上
• Day1 Retention: 翌日再訪率 — 目標30%以上
• Day7 Streak Rate: 7日中3日以上アクティブ — 目標15%以上

---

オンボーディングパターン分類

アプリの性質に応じて、最適なパターンを選択する：

複数パターンの組み合わせが有効。Primary + Secondary で設計する。

---

反面教師パターン（避けるべき設計）

1. 情報過多ウェルカムスライド: 3枚以上の説明スライドはスキップ率が急上昇 2. 価値体験前の登録強制: 登録→通知→価値の順番は動機付け失敗 3. 過剰なパーミッション要求: 起動直後にカメラ・位置情報・通知を一括要求 4. 見せかけのパーソナライズ: 質問だけして体験が変わらない → 信頼喪失 5. 長すぎるチュートリアル: ツールチップ5個以上の連打 → 80%がスキップ 6. 空のホーム画面: 登録完了後に何もない画面 → 次のアクションがわからず離脱 7. 短期的圧力戦術: 「今だけ50%OFF」等のオンボーディング中のプレッシャー → 信頼毀損

---

使い方ガイド

1. 新規オンボーディング設計: Step 0 で Aha Moment 定義 → Phase 0-6 を順に設計 → Mode 2 でフロー図 → Mode 3 でワイヤーフレーム → Mode 4 でプロトタイプ 2. 既存オンボーディング改善: Mode 1 で診断レポート → 最大の改善機会を特定 → Mode 2 で改善後フロー設計 → 実装 3. A/Bテスト設計: 計測設計テンプレートを適用 → 変更箇所の仮説を明文化 → テスト期間・サンプルサイズを算出

リファレンス

詳細な情報が必要な場合は以下を参照：

• references/research-digest.md — オンボーディング研究の要約とエビデンス集

Onboarding Research Digest

リサーチソースから抽出した、オンボーディング設計に直接使えるエビデンスと知見の集約。 数値は出典付きで記載し、設計判断の根拠として使用する。

目次

1. リテンション・離脱の基本数値 2. 行動モデルとフレームワーク 3. UIパターンの効果検証 4. 音楽教育アプリ固有の知見 5. 計測・最適化手法

---

1. リテンション・離脱の基本数値

アプリ全般の離脱率

• ダウンロード後3日以内に77%のDAUがアプリ使用を停止する（VWO, 2025）
• Android Day1リテンション率: 22.6%、iOS: 25.6%（VWO, 2025）
• Day1リテンション平均25-28%（BusinessOfApps, 2025）
• アプリの25%は初回使用後に放棄される（CleverTap, 2025）
• 最初の1ヶ月で90%以上のDLアプリが放棄される（UXCam, 2025）
• チャーンの第3位の原因が「悪いオンボーディング体験」（Sendbird）

離脱のメカニズム

• ユーザーは最初の数秒で留まるか離れるかを判断する（UXCam, 2025）
• 80%のユーザーが「使い方がわからなかった」という理由でアプリを削除した経験がある（UserGuiding）
• 90%のユーザーが「購入先企業のオンボーディングは改善の余地がある」と回答（UserGuiding）

リテンションとビジネスインパクト

• ユーザーアクティベーション25%増 → MRR 34%増（12ヶ月後）（SaaSFactor）
• アクティベーション1%ポイント改善 → LTV 25-50%増（12-24ヶ月複利効果）（SaaSFactor）
• オンボーディング上位25%の企業はLTV 2.5倍（McKinsey経由 SaaSFactor）
• プロアクティブなオンボーディングサポート投資 → Net Revenue Retention 2倍（Gainsight経由 SaaSFactor）

---

2. 行動モデルとフレームワーク

BJ Fogg Behavior Model（B=MAP）

• 行動 = Motivation × Ability × Prompt の同時成立
• オンボーディングではAbility（簡単さ）の最大化が最重要
• モチベーション最高のインストール直後に、最小ステップで成功体験へ

Hook Model（Nir Eyal）

• Trigger → Action → Variable Reward → Investment
• オンボーディングはこのループの「初回起動」
• Variable Reward（予想外の報酬感）の初回体験が再訪率を決定

Samuel Hulick "The Elements of User Onboarding"

• 核心: ユーザーは機能ではなく「Better Self」を求めている
• First Strike → Aha Moment → Habit Formation の3段階
• 「ドリルではなく穴が欲しい」

Reforge Growth Framework

• Aha Momentを定量定義し、到達率をファネル計測
• Facebook: 10日以内に7人友人追加
• Slack: チーム内2000メッセージ送信
• Duolingo: 初回ゲーミファイドレッスン完了 + 5日ストリーク維持

Gradual Engagement（段階的エンゲージメント）

• Duolingoの手法: 登録前に価値体験（レッスン完了）→ 論理的タイミングで登録促進
• 登録を「大きなハードル」ではなく「進行中のプロセスの小さなステップ」に変える
• 登録プロンプトは価値体験後の自然な区切りに配置

---

3. UIパターンの効果検証

プログレスバー / Goal Gradient Effect

• プログレスバー表示でタスク完了率が有意に向上（Zeigarnik効果）
• ゴールに近づくほど努力が増す Goal Gradient Effect を活用
• 視覚的進捗インジケーターでオンボーディング完了率20-30%向上（Stanford Persuasive Tech Lab）
• 「沈没コスト」心理 → 進捗が見えるとユーザーは完了に心理的投資する（Dan Ariely）

ツールチップ・コーチマーク

• 5つ以上のステップ連打 → スキップ率80%超
• 文脈に応じたツールチップ（操作時に表示）は前置きツアーより効果的
• Duolingo方式: オンボーディング中の明示的ツールチップは最小限、実際の操作体験で学ばせる

パーソナライズ

• パーソナライズされたオンボーディングは一律型比較で30-50%高い初期エンゲージメント
• Spotify: 3アーティスト選択 → アルゴリズムでプレイリスト生成 → 即座のAha Moment
• Duolingo: 「I want to learn...」の一人称表現 → 所有感と主体性
• レベル分岐（初心者/経験者）で2倍のユーザーベースに対応可能

Empty State対策

• 空の画面より、サンプルデータ/テンプレートがある方が行動率向上
• Trello: 最初のボード作成をガイドで体験
• Canva: テンプレートから始められるチェックリスト型オンボーディング

サインアップ簡素化

• 不要なフォームフィールド削減、即時メール確認不要、クレジットカード要求なし
• ソーシャルログイン（Apple/Google）ショートカットでアクティベーション率向上
• Duolingo: 3-5ステップの登録プロセスが理想

パーミッション要求

• 価値体験前のパーミッション要求 → 信頼低下・離脱リスク
• OfferUp方式: 各パーミッションの価値を説明してから要求
• 通知許可はAha Moment達成後に配置

---

4. 音楽教育アプリ固有の知見

Duolingo（最重要参考事例）

• 7日ストリーク維持ユーザー → Day30リテンション90%（非ストリーク20%と比較）
• オンボーディングフローは「非常に長い」が、最初からユーザーが実際に使う体験を提供するため、脳波測定でもネガティブ感情なし（Braingineers神経科学研究）
• 「短く簡潔に」のベストプラクティスは必ずしも適用されない → 重要なのは「アプリについてではなくユーザーの体験に焦点を当てる」こと
• 互恵性（Reciprocity）: 先にユーザーに「もらった感」を与える → 登録への動機が自然に生まれる
• コピーライティングはシンプル・遊び心あり、心理的要素を随所に配置
• Android性能改善: エントリーレベル端末のアプリ起動5秒超遅延を39%→8%に → DAU数十万増

耳トレアプリの特殊性

• 「そもそも何を聴き取ればいいかわからない」が初期状態
• 教育ゲームは学習加速とリテンション向上に効果あり（Liberty University研究）
• Functional Ear Trainer: スコープを狭く、1つのことを深くやるアプリの方が結果が出る
• ToneGym/SoundGym: ゲーム化＋リーダーボードで練習モチベーション維持
• EarMaster: AI適応型エクササイズでパフォーマンスに応じた最適学習
• 「10分/日」の練習でも成果が出るという成功事例の提示が重要

MUEDearの差別化ポイント

• カスタムDSP（FET/VCA/Tube/Optoコンプ、EQ、リバーブ）→ 実機モデリングの音質
• プロ向けの耳トレ（一般的なインターバル聴音ではなく、ミキシング実務スキル）
• この差別化をオンボーディングで「体験」させる：最初の問題で本物のコンプサウンドを聴かせる

---

5. 計測・最適化手法

アクティベーション計測の進化（Reforge/Appcues事例）

• 全ユーザーではなく「コア有料ユーザー候補」に絞ってアクティベーション率を計測する
• Setup → Aha → Habit の3段階でアクティベーションを定義
• Day1 Win（初日に達成できるミニAha）を設定し、本格Ahaまでの橋渡しにする
• 人的介入（サポートチーム連絡）ユーザーはアクティベーション率2-3倍

A/Bテストの実践

• 1回に1変数のみテスト（初心者）、多変量テスト（上級）
• rage click等のフリクション指標の検知 → 問題箇所の特定
• オンボーディング完了率、リテンション率、TTV等をテスト指標に

ファネル分析

• UXCam等でオンボーディングファネルを可視化
• ヒートマップで離脱ポイントの原因特定
• セッションリプレイで実際のユーザー行動を観察

プッシュ通知の最適化

• パーソナライズされた通知（Duolingo: キャラクター別の口調）
• 週次レポート（進捗サマリー）で離脱ユーザーの再エンゲージ
• ストリーク継続の動機づけ通知