Web 2.0時代にバイラルループについて学んだ（そして忘れてしまった）すべてのこと

• バイラルループ（Viral Loop） は、製品自体に設計された成長メカニズムであり、招待・共有・推薦機能を通じて、測定可能で最適化可能なユーザー獲得構造を作り出す
• Web 2.0全盛期には、バイラルループを使って数千万ユーザーを生み出した製品が続々と現れたが、その後モバイル時代へ移行する中で、こうしたノウハウの多くは失われた状態にある
• 製品内に招待・共有・推薦機能を設計し、セッション・コホート単位で**バイラルファクター（viral factor）**を定量化すれば、どの程度まで無料ユーザーを増幅できるかを数式で追跡できる
  • 1.0以上なら自己加速的に成長し、1.0未満なら最終的に成長は鈍化する
• シンプルで強力な共有ループに依存するカテゴリー1の製品と、深い機能と高いリテンションの上に複数の共有ループを重ねるカテゴリー2の製品が存在し、両者では成長パターンと限界が大きく異なる
• モバイル移行、プラットフォーム制約、新規性の消失、市場飽和などにより、最初のセッションでバイラルファクターが1を超える構造はほぼ不可能になり、今日ではリテンションが高いほど全セッション合算の累積バイラルファクターが大きくなる構造が重要になっている
• AI生成ツールやソーシャルで流行するシットポスティング・レイジベイティング・動画クリップは一過性のスパイクに近いが、製品内に設計された「作る→共有する」ループと結びつくと、長期的なユーザー基盤拡大に寄与しうる

---

Web 2.0時代におけるバイラルループの全盛期

• 2005〜2010年のWeb 2.0期には、ソーシャルネットワーク、UGCプラットフォーム、コラボレーションツール、メッセンジャーアプリが体系的にバイラルループを設計し、数百万〜数億人規模のユーザー基盤を形成した
  • メール招待、アドレス帳の取り込み、コンテンツ共有リンクなどによって、ユーザーがユーザーを呼び込む構造を工学的に最適化した
  • A/Bテストと数式ベースでバイラルファクターを追跡し、「工学的に設計された成長」を追求した時代だった
  • Facebook、LinkedIn、YouTube、Spotify、Pinterestなどはこのように成長した
• この時期に成功したバイラル製品の創業者やチームは、その後大手テック企業の幹部やVCへ移っていき、バイラルループ構築の知識は事実上失われた
• モバイル移行後は従来の手法が通用しなくなり、知識とノウハウのかなりの部分が実務の現場で薄れてしまった状態にある
• しかし現在のProduct-Led Growth、マーケットプレイスの推薦、生成AIの共有フローにも、同じ数学や思考法をそのまま適用できる

数式で見るバイラルファクターの基本構造

• ここで扱うバイラルとは、1本のツイートがバズることではなく、製品内に組み込まれた招待・タグ付け・リンク共有・紹介プログラムが継続的に新規ユーザーを生み出す構造的ループを意味する
• このループの特徴は、測定可能であり、製品変更によって改善でき、招待・コンテンツ共有・リファラルなどさまざまな形態に同じ数学的構造が適用できる点にあり、その中心に**バイラルファクター（viral factor）**という比率の概念がある
• バイラルファクターは、「特定期間に登録したユーザーコホート」を分母とし、そのコホートのユーザーたちが時間の経過とともに招待・共有を通じて生み出した新規ユーザー数を分子とする比率である
  • 例: 3か月前に登録した100人がその後50人を連れてきたなら、その時点のバイラルファクターは0.5となる
  • 100人のユーザーが150人を連れてきて、その150人が225人を連れてくる状況なら、バイラルファクターは1.5となる
  • 1以上ならループは拡大し、1未満ならいずれ止まる構造である

コンテンツ共有ループとデータ設計

• 代表的なバイラルループの例は、ユーザーがAI・フィルター・ツールで何かを作ってリンクで共有し、それを見た一部の人が自ら登録して同じものを作る構造である
  • Instagramフィルター、ブログ記事、最近のAI動画生成ツールなどが同じパターンに当てはまる
• これを定量化するには、共有リンクにsharer_idを含むURLを付けて追跡する必要がある
  • 例: product.com/vid/[video_id]?sharer_id=[user_id] の形で共有し、このリンク経由で登録したユーザーのrowに sharer_id を保存する
• その後、特定コホートの id 一覧を取得し、彼らが他ユーザーの sharer_id として何回登場したかを集計すれば、バイラルファクターを計算できる
  • sharer_id が空のユーザーは「Gen 1/onrampユーザー」と見なして計算から除外し、Gen Nに対するGen N+1の比率を見る方式のほうが安定している
• バイラルファクターを計算すると、自然に**「この数字をどう増やすか、1を超えられるか」**という問いにつながる
  • オンボーディングで招待を求めるフローの追加、コピーしやすい招待リンク、共有UIの改善
• sharer_id ベースで計算できるようになると、ダッシュボード指標として固定し、A/Bテストで変化量を観察する運用が可能になる
  • 実験変数としては、共有機能を使う比率、共有回数、共有を受けた側の登録転換率などがあり、この組み合わせが一種の**「バイラルファクター cookbook」**のように機能する
• つまりバイラルファクターは、招待（invite）ループだけでなく、共有・協業・リファラルなど、既存ユーザーが新規ユーザーを生み出すすべての構造に一般的に適用できる

「招待数 × 転換率」公式とその限界

• インターネットで広く知られる**「バイラルファクター = 招待数 × 転換率」という公式は、直感的には正しいが、この方式には招待型ループにしか適用できない**という限界がある
  • 実際にはコンテンツ共有、共同作業への招待、紹介コードなど多様なループが存在する
• 何より本当に知りたいのは2つのユーザーコホート間の比率なので、コホートベースの定義のほうが本質に近い
• 招待数×転換率だけにこだわると、できるだけ多くの友人に招待メールを送らせる方向、すなわちスパムに近い設計へ誘導され、ユーザー疲れを招く
  • Bebo、Tagged、Hi5、MySpaceなど過去のソーシャルネットワークは、Hotmail・Yahoo Mailのアドレス帳取り込み機能によって200通以上の招待メールを送らせ、バイラルファクターを人為的に引き上げていた
  • こうした手法は、無効なアドレスへの送信増加 → 転換率低下 → メール提供者によるスパム判定へとつながり、約10年間は機能したものの、最終的にはメール招待ループの時代を終わらせることになった

バイラル製品の主要指標とPMF条件

• 一時的なバイラルスパイクの後にも残る製品を見極めるには、次のようなリテンション・習慣化・ネットワーク効果・収益化指標が有用な基準となる
  • コホートリテンション曲線が一定水準でフラットになるか（つなぎ止められているユーザー比率）
  • actives/registered > 25% 程度で、登録者に対して実際のアクティブユーザーが十分いるか
  • パワーユーザーカーブが「笑顔の形（smile）」を描くか（中核に強く定着したユーザー層の有無）
• さらに次のような指標は、持続可能なビジネスを見分ける基準として有効である
  • バイラルファクター > 0.5（他チャネルを増幅できる程度の水準）
  • DAU/MAU > 50%（日常的な利用習慣が形成されているか）
  • 市場・ロゴ単位で、古いネットワークほど参加度が高まるか（ネットワーク効果）
  • D1/D7/D30が60/30/15水準を超えるか（初期定着と利用頻度）
  • ユーザー当たり売上・活動量が時間とともに増えていくか（より深く使われ始めているか）
  • 意味のある規模で60%以上が有料マーケティングではないオーガニック（organic）流入か
• 多くのWeb 2.0・Facebookプラットフォーム時代のバイラルアプリは、非常に高い初期バイラルファクターと口コミを確保したが、リテンションが支えきれずスパイク後に消えていった
  • バイラルループによって離脱したユーザーを繰り返し再獲得することはできても、プロダクトマーケットフィットと粘着性のある利用構造がなければ、成功するビジネスにはつながらない

2種類のバイラル製品: カテゴリー1と2

• バイラルなプロダクトは、おおむね2つのカテゴリーに分かれる
  • カテゴリー1: 1つの行動に集中したシンプルなアプリで、その成果物が非常に簡単に共有される超シンプルなアプリ（初期の Instagram、YouTube、各種クイズ・匿名アプリなど）
  • カテゴリー2: 深い機能と強いリテンションを持つプロダクトに、複数の共有・コラボレーション機能が組み込まれた複雑なプロダクト（Figma、Slack、初期の Facebook など）
• カテゴリー1は、短いフローと高いコンバージョンのおかげで爆発的な成長や「一夜にして話題になる」パターンを作りやすいが、スパイク後の離脱と低い累積リテンションという課題を抱えている
• カテゴリー2は、構築に時間がかかり初期成長は緩やかだが、獲得したユーザーが離れにくいため、多くのセッションにわたって累積バイラルファクターを積み上げられる構造になっている
• 現在のAIコンテンツ生成ツールのかなりの部分は、**カテゴリー1のパターン（シンプルな生成→共有）**をたどっており、過去の写真フィルター・動画サービスと似た強み（急成長）と弱み（スパイク後の維持の難しさ）をあわせ持っている

シンプルなコンテンツ生成ループの段階的な構造と数式

• シンプルなコンテンツ生成・共有ループは、次の段階をたどる
  • 誰かが作った成果物をオンラインで見る →
  • 成果物を視聴・鑑賞する →
  • 成果物に付いたリンクをクリックして制作ツールに移動する →
  • 実際にツールを使って何かを作ってみる →
  • 作った成果物を再びソーシャルやメッセンジャーなどで共有する →
  • さらに多くの人がそれを見て、同じ過程を繰り返す
• 各段階には、視聴率、クリック率、生成率、共有率、露出人数のようなファネル指標が存在し、これらを掛け合わせた値に「1回共有されたとき平均で何人が見るか（X）」を掛けた値が1を超えると、ループが爆発的に拡大する構造になる
• 例として次のような数値を置くと、0.5(視聴) * 0.1(クリック) * 0.2(生成) * 0.5(共有) * Xが1を超えなければバイラルは起こらない
  • 最初の4項を掛けると0.005なので、ループを1以上にするには、1回共有するたびに200人以上が成果物を見る必要がある状況になる
  • 数値は敏感に変化するため、小さなUI・コンテンツ変更がループ全体に大きな影響を与えうる
• バイラルファクター（v）を基準に見ると、世代ごとの流入を幾何級数的な和として見た総ユーザー増幅率は、1/(1-v) の構造に従う
  • バイラルファクターが小さい場合、実データではノイズに埋もれて目視では区別しにくい程度の増加しか見えないことが多い
  • 例: 1日100人流入、バイラルファクター0.1なら最終増幅は1.11倍で、追加は11人程度にとどまる
  • v=0.5なら 1/(1-0.5)=2 となり、有料で連れてきた100人の上にバイラルで100人をさらに上乗せする形になる
• つまり、v=0.5なら2倍、v=0.75なら4倍、v=0.9なら10倍のユーザー増幅効果が生じる構造
  • 同じ100人の流入が**最終的に200人（2倍）・400人（4倍）・1000人（10倍）**のように体感できる増幅につながり、有料マーケティング費用を大きく相殺する効果を生む
• このため実際の設計では、「少しでもバイラル性があればよい」という水準ではなく、0.5以上まで引き上げられる構造を作る必要がある

時間の経過とともにバイラル性能が落ちる理由

• バイラルループは時間が経つほど、性能が自然に低下する方向へ動く傾向がある
  • 目新しさ（novelty）の効果が薄れ、市場の飽和が進み、プラットフォームの規制が強まるためだ
• 新しい形式のコンテンツやツールが登場したとき、人々はより見て・クリックして・使ってみる傾向が強いが、時間が経って同じ形式の共有がありふれると、同じ指標が全体的に下がるパターンが繰り返される
  • たとえば初期のAI画像共有では、指が6本ある写真でも新鮮だとして多く共有されたが、今でははるかに高いレベルの驚きが必要になっている
• 市場の飽和が進むほど、ユーザーが招待したい上位の友人リストのかなりの部分がすでに登録済みか、あるいは関心のない状態になり、有効招待数が減少する
  • また後半に流入するユーザーは、レイトアダプターであり口コミ拡散力も弱い傾向があるため、全体のバイラルファクターが低下する
  • メールアドレス帳招待の事例では、200件以上の連絡先に送ることで高いオープン率・クリック率が出ていたが、数千万人のユーザーを集めた後には連絡先数そのものが減り、オープン率／クリック率も一緒に低下した
• あらゆるバイラルループは、**基盤となるプラットフォーム（メール、Facebook、TikTok など）**の上で動作する
  • ウォーターマークやリンクが過剰についたコンテンツが増えれば、プラットフォームがそれを抑制するポリシーを適用することもありうる
  • つまり、プラットフォームがウォーターマークやリンク付きコンテンツを嫌ったり、競合する機能を出し始めたりすると、特定段階のコンバージョン率が急落し、ループ全体が崩壊する可能性がある

ハイパーシンプルアプリの限界とネットワーク効果

• ハイパーシンプルかつハイパーバイラルなアプリは、少数の画面といくつかのUIだけで構成されたプロダクト構造を持ち、この構造自体はコンテンツとネットワークが十分にあれば非常に深いリテンションを生み出せる潜在力を持つ
  • YouTube、Instagram は、非常にシンプルなコアUIと膨大なコンテンツネットワークによって、小さなアプリのように見えても際限ない没入感を与える例だ
• こうしたプロダクトは、時間とともに機能が多く追加されても、コンテンツ量とネットワーク効果のおかげで、小さなアプリ構造のままでも次々と新しいものを見せられる
• 逆に、単にバイラルトリックだけがあり、コンテンツ・グラフ・習慣が積み上がらないアプリは、スパイクが過ぎた後にユーザーベースがほとんど残らないパターンを繰り返す

現代のソーシャルバイラル手法（シットポスティングなど）の限界

• 最近ソーシャルで語られる「バイラル」は、レイジベイト（ragebait、怒りを誘う投稿）、シットポスティング（shitposting）、印象的なローンチ動画、TikTok クリップ、ビルボード、インフルエンサー・バイラル、創業者のインフルエンサー化など、さまざまな戦術を混ぜた形になっている
• こうした手法は、一時的なトラフィックスパイクを作るには向いているが、
  • DAUが大きくなるほど 新規ユーザー数 / DAU 比率を維持しながら幾何級数的に拡大していく構造とは距離があるという限界がある
  • 同じフォーマットを月・週単位で繰り返すと、慣れや疲労感のために効果が徐々に落ちる傾向が強い
• それでも、これらの戦術で流入したトラフィックがプロダクト内部の「作る-共有する」ループと結びつけば、スパイクが繰り返し可能な成長の種に転換されうるという点で、依然として有効なツールではある

Web 2.0バイラルの終焉とモバイル移行

• Web 2.0全盛期には、メール招待・アドレス帳取り込み・Facebook アプリなどを活用して、**「ゼロから数百万ユーザーへ」**至る事例が多数登場した
  • Facebook・LinkedIn・YouTube・Spotify・Pinterest など多くのサービスがこの基盤の上で成長した
  • BirthdayAlar（誕生日通知メール）、Plaxo（連絡先更新リクエスト）のようなサービスは、友人の誕生日や連絡先を最新に保つという名目で招待ループを回し、このメカニズムはその後のソーシャルネットワーク登場へとつながっていった
• 時間が経つにつれて、ユーザーはこうしたパターンに慣れ、メール提供事業者はスパムフィルターを強化し、決定的だったのは世界の中心がメールからモバイルへ移ったことで、同じ構造を再現しにくくなった点だ
• モバイルでは連絡先へのアクセス自体は可能でも、番号を1つずつ選んで招待するUXのため、メールのように200人単位で大量招待するのは難しかった
  • Twilio のようなサーバーからSMSを代行送信する試みもあったが、これはSMSスパム問題と法規制・罰金リスクにつながり、持続可能ではなかった
• その結果、「最初のセッションでバイラルファクター1を超える」ハイパーシンプルかつハイパーバイラルなアプリの時代は事実上終わり、現在では多くの場合、0.2〜0.3程度のバイラルファクターが一般的な状況になっている

リテンション中心の現代バイラル戦略: チャネルミックスとセッション合算

• 今日のアプリの成長は、過度に招待を促すのではなく、大きく2つの要素の組み合わせで整理できる
  • 1. 複数のトップファネル（SEO、ソーシャル、PR、有料広告、リファラルなど）
  • 2. 強いリテンションによってセッション全体にわたって蓄積されるバイラルファクター
• 1つ目として、有料マーケティング、リファラル、口コミ、SEO、メディア、SNSなど複数のチャネルから継続的に新規ユーザーを流し込む構造が必要
  • Uberの場合、最初のトリップの約半分が有料マーケティング、10〜20%がリファラル、残りは口コミ・SEOなどから来る
• 2つ目として、製品が多くのユーザーセッションを生み出す強いリテンションを持っていれば、
  • 各セッションで少しずつ共有・招待・リファラルを促し、セッションごとのバイラルファクターをすべて合算した総バイラルファクターを作ることができる
• 「招待数 × 転換率」ではなく、**セッション1のバイラルファクター + セッション2のバイラルファクター + …**という無限和として捉えるべき
  • 単純な式である招待数 × 転換率は、すべてのバイラルが最初のセッションでのみ起きるという暗黙の前提を置いているが、実際にはユーザーは数十回・数百回のセッションを持ち、そのたびに少しずつ共有や招待を行える
  • したがって現実により近い見方は、各セッションごとのバイラルファクターをリテンション曲線の全区間にわたって合算した値として見ること

オンボーディングとその後のセッションにおけるバイラルの役割分担

• 経験的に見ると、全体のバイラルファクターの半分は最初のセッションで、残り半分はその後のセッションで生まれる
  • 最初のセッションでは、ユーザーはワークスペース設定、友人・同僚の招待などの「セットアップ」モードにあるため、招待機能を自然に前面へ配置できる
  • 2回目以降のセッションでは、ユーザーはすでに価値提供を期待するモードにあるため、バイラルフローへ導くには文脈上有用な機能である必要がある
• 実際の製品では、複数種類のバイラルループが共存し、それぞれのループが異なるタイミング・コンテキストで機能する
  • Dropboxの例: フォルダ共有、招待機能、リファラルプログラム、他のDropboxアプリのバイラルループなどが、それぞれ異なる形で寄与する
  • Uberの例: アプリ内のリファラルクレジットだけでなく、友人と一緒に乗る体験、ETA共有などIRL・機能ベースの露出も新規ユーザーを呼び込むループとして機能する
• 各ループの性能はばらばらでも、全体として見ればユーザーが複数のセッションにわたって多様な方法で他の人を製品内へ引き込む構造が形成される
• リテンションが高いほど、ユーザーが複数のループに触れる機会が増えるため、スパム的なUIを使わずとも長期的にバイラルファクターを高められる基盤になる

リテンションとスパム的バイラルの関係

• セッション数が多くリテンションが高い製品は、各セッションで少しずつ共有・招待を促すだけでも総合のバイラルファクターを大きくできるため、スパム的な強制招待に依存する必要が小さい構造である
  • 逆に平均セッションが2〜3回程度の低リテンション製品は、その中にすべてのバイラルを絞り出さなければならず、強く・目立つ形で・ほとんどスパムに近い形で招待を要求することになる
• 初期のFacebookは、競合ソーシャルネットワークに比べて右側レールに静かに配置されたメール招待機能だけでも、高いリテンションのおかげで長期的なバイラルを得た例である
  • 一方でスパム的な招待に依存していた競合ソーシャルネットワークは、低いリテンションとユーザー疲れのため、最終的にFacebookに押し負けた
• 長期的には、リテンションが高い製品 + よりスパム的でないループを持つ側が、ユーザー体験と成長の両面で優位に立つ

バイラルファクターが1未満のときの価値と「速度」

• 実環境ではバイラルファクターが1を超えるケースはまれで、0.2〜0.3程度で安定することが多い
• それでもv=0.2であれば、1000人を有料・その他チャネルから連れてきたときに200人を無料で追加獲得する計算になり、CACの割引効果はかなり意味を持つ
• バイラルでは**速度（speed）**という概念も重要
  • 利用頻度の高いソーシャルアプリは、毎日複数回の共有・招待が起きるため、同じバイラルファクターでも成長速度が速い
  • 逆にファイル保存・バックアップのようにバックグラウンドで使われるツールは、推薦機能を月に1回程度しか使わないといった形になり、累積バイラルが大きくても成長速度は遅くなりうる
• 長期的に数億ユーザー規模を目指すコンシューマー・プロシューマー製品では、有料マーケティングだけでは到達しにくい規模を、バイラル・SEO・ストア最適化などの**「無料・低コストチャネル」**が埋める構造が不可欠である

AI時代のバイラルループとトップファネルのスパイク

• まとめると、シットポスティング、レイジベイティング、シネマティックなローンチ動画、ビルボード、インフルエンサー協賛などは、再現可能なループというよりトップファネルでのスパイク生成ツールに近い
  • ただしそれ自体は、DAUに対する新規ユーザー比率を長期的に引き上げる構造ではなく、製品内部に設計されたバイラルループほど再現性や防御力は高くない
• 現世代の多くのAI生成ツールは、このスパイクで流入したユーザーに**「何かを作って → 共有する」ループ**を提供することで、単発の関心を製品内部の構造的成長へ一部転換する位置にある
• AI生成物は、短尺動画・埋め込みクリップなど現代のソーシャルプラットフォームでよく機能するフォーマットと非常に相性がよく、コンテンツ共有ループの伝播力が高く現れている
• つまり、**古典的なバイラル理論（コホートベースのバイラルファクター、リテンション、複数ループの合算、チャネルミックス）**は今も有効であり、
  究極的には、多様なトップファネルのスパイク + 製品内部の構造化されたバイラルループ + 高いリテンションの組み合わせが、AI時代でも持続可能な成長を生み出す中核構造である

[laeyoung]

1か月前にニューヨーク・タイムズに掲載された"Is Going Viral Dead（バイラルは消えたのか？）"という記事を思い出したので、リンクを残しておきます。

[laeyoung]

要するに、パーソナライズされたアルゴリズムのせいで、昔のようにバイラル化して誰もが同じコンテンツを見るという現象は、この10年でかなり姿を消した、という記事でした。