顧客のチャーン予測(離反予測) データ分析講座(その250)

投稿日

データ分析

 

よくあるデータ活用のテーマの1つに、顧客のチャーン予測(離反予測)というものがあり、離反率をはじき出すことができます。離反率は、顧客満足度の重要な指標です。離反率が低いということは、顧客が満足しているということです。通常、新規顧客の獲得コストは、既存顧客の維持コストより大きくなります。最大で5倍とも言われています。そのため、離反率を下げることは、利益にとって大きなプラスの影響を与えます。今回は「機械学習と相性のいい顧客のチャーン予測(離反予測)」というお話しをします。

 

【目次】
1. チャーン予測(離反予測)は重要
  (1) 2つのチャーン
  (2) 4つのMRR変化
2. チャーン予測(離反予測)モデルの2つのシチュエーション
3. チャーン予測(離反予測)モデルを構築し活用するまでの流れ

 

【この連載の前回:データ分析講座(その249)2つの市場反応分析へのリンク】

 

1. チャーン予測(離反予測)は重要

最近、サブスクリプション系サービスが流行っています。このようなビジネスモデルの場合、チャーン予測(離反予測)をすることは、特に重要です。

 

チャーン予測(離反予測)をすることで、CLTV(顧客生涯価値)を見積もったり、事業の成長性を測ることができるからです。また、チャーン予測(離反予測)から、適切なリテンション戦略(顧客維持戦略)につなげることができます。

 

先程も言いましたが、通常、新規顧客の獲得コストは、既存顧客の維持コストより大きくなります。より高収益なビジネスを目指す上で、非常に重要になってきます。

 

(1) 2つのチャーン

チャーンには2種類あります。

 

  • 顧客チャーン(例:月間離反顧客数÷月初顧客数)
  • 収益チャーン(例:月間減益MRR÷月初MRR)

 

顧客チャーンとは、顧客がサブスクリプションなどのサービスを解約したりすることです。収益チャーンとは、例えば月初の月次経常収益MRR(Monthly Recurring Revenue)の損失のことです。

 

顧客離反がなくても、顧客がダウングレード(下位のサービス・商品への変更)すると、収益チャーンが起こります。イメージとしては、収益チャーンの方が、顧客チャーンよりも幅広い概念です。

 

(2) 4つのMRR変化

月次経常収益MRR(Monthly Recurring Revenue)の概念に不慣れな方もいると思いますので、補足説明します。

 

以下の4つのMRR変化があり、それぞれに対し名称がついています。

 

  • New MRR:新規顧客からもたらされるMRR
  • Expansion MRR:取引額の増えた既存顧客から得られるMRR
  • Downgrade MRR:取引額の減った既存顧客から得られるMRR
  • Churn MRR:離反顧客から得られたであろうMRR

 

さらに2つに分類できます。

 

  • 増益MRR:New MRR + Expansion MRR
  • 減益MRR:Downgrade MRR + Churn MRR

 

この比をQuick Ratioと言い、成長性を測る指標として用いることがあります。

 

  • Quick Ratio = 増加MRR ÷ 減少MRR

 

Quick Ratioは、基準として「1」と「4」が用いられます。1未満だと対策が必要で、4以上だと素晴らしいとなります。

 

2. チャーン予測(離反予測)モデルの2つのシチュエーション

以上より、機械学習で作るチャーン予測(離反予測)モデルには、2つのシチュエーションがあります。

 

  • 完全なる離反(取引金額0)
  • ダウングレード(下位のサービス・商品への変更)

 

完全なる離反(取引金額0)の場合、「離反 or 継続」の2値分類問題になります。ダウングレード(下位のサービス・商品への変更)の場合、「ダウングレード or 維持」の2値分類問題になります。ただ、ダウングレード対象のサービスが複数ある場合には、多値分類問題となります。

 

3. チャーン予測(離反予測)モデルを構築し活用するまでの流れ

チャーン予測(離反予測)モデルを構築して、ビジネスで活用したい! と思われた方も多いことでしょう。これは、通常の機械学習のモデル構築と同じです。

 

① テーマ設定:ビジネス上の問題と達成すべき目標を定義します。モニタリング可能な指標でBefore→Afterを定義します。
 
② アナリティクス設計:構築したモデルと必要なデータを定義します。多くの場合、取引履歴やCRM(顧客関係管理)システムなどのデータです。
 
③ データ...

データ分析

 

よくあるデータ活用のテーマの1つに、顧客のチャーン予測(離反予測)というものがあり、離反率をはじき出すことができます。離反率は、顧客満足度の重要な指標です。離反率が低いということは、顧客が満足しているということです。通常、新規顧客の獲得コストは、既存顧客の維持コストより大きくなります。最大で5倍とも言われています。そのため、離反率を下げることは、利益にとって大きなプラスの影響を与えます。今回は「機械学習と相性のいい顧客のチャーン予測(離反予測)」というお話しをします。

 

【目次】
1. チャーン予測(離反予測)は重要
  (1) 2つのチャーン
  (2) 4つのMRR変化
2. チャーン予測(離反予測)モデルの2つのシチュエーション
3. チャーン予測(離反予測)モデルを構築し活用するまでの流れ

 

【この連載の前回:データ分析講座(その249)2つの市場反応分析へのリンク】

 

1. チャーン予測(離反予測)は重要

最近、サブスクリプション系サービスが流行っています。このようなビジネスモデルの場合、チャーン予測(離反予測)をすることは、特に重要です。

 

チャーン予測(離反予測)をすることで、CLTV(顧客生涯価値)を見積もったり、事業の成長性を測ることができるからです。また、チャーン予測(離反予測)から、適切なリテンション戦略(顧客維持戦略)につなげることができます。

 

先程も言いましたが、通常、新規顧客の獲得コストは、既存顧客の維持コストより大きくなります。より高収益なビジネスを目指す上で、非常に重要になってきます。

 

(1) 2つのチャーン

チャーンには2種類あります。

 

  • 顧客チャーン(例:月間離反顧客数÷月初顧客数)
  • 収益チャーン(例:月間減益MRR÷月初MRR)

 

顧客チャーンとは、顧客がサブスクリプションなどのサービスを解約したりすることです。収益チャーンとは、例えば月初の月次経常収益MRR(Monthly Recurring Revenue)の損失のことです。

 

顧客離反がなくても、顧客がダウングレード(下位のサービス・商品への変更)すると、収益チャーンが起こります。イメージとしては、収益チャーンの方が、顧客チャーンよりも幅広い概念です。

 

(2) 4つのMRR変化

月次経常収益MRR(Monthly Recurring Revenue)の概念に不慣れな方もいると思いますので、補足説明します。

 

以下の4つのMRR変化があり、それぞれに対し名称がついています。

 

  • New MRR:新規顧客からもたらされるMRR
  • Expansion MRR:取引額の増えた既存顧客から得られるMRR
  • Downgrade MRR:取引額の減った既存顧客から得られるMRR
  • Churn MRR:離反顧客から得られたであろうMRR

 

さらに2つに分類できます。

 

  • 増益MRR:New MRR + Expansion MRR
  • 減益MRR:Downgrade MRR + Churn MRR

 

この比をQuick Ratioと言い、成長性を測る指標として用いることがあります。

 

  • Quick Ratio = 増加MRR ÷ 減少MRR

 

Quick Ratioは、基準として「1」と「4」が用いられます。1未満だと対策が必要で、4以上だと素晴らしいとなります。

 

2. チャーン予測(離反予測)モデルの2つのシチュエーション

以上より、機械学習で作るチャーン予測(離反予測)モデルには、2つのシチュエーションがあります。

 

  • 完全なる離反(取引金額0)
  • ダウングレード(下位のサービス・商品への変更)

 

完全なる離反(取引金額0)の場合、「離反 or 継続」の2値分類問題になります。ダウングレード(下位のサービス・商品への変更)の場合、「ダウングレード or 維持」の2値分類問題になります。ただ、ダウングレード対象のサービスが複数ある場合には、多値分類問題となります。

 

3. チャーン予測(離反予測)モデルを構築し活用するまでの流れ

チャーン予測(離反予測)モデルを構築して、ビジネスで活用したい! と思われた方も多いことでしょう。これは、通常の機械学習のモデル構築と同じです。

 

① テーマ設定:ビジネス上の問題と達成すべき目標を定義します。モニタリング可能な指標でBefore→Afterを定義します。
 
② アナリティクス設計:構築したモデルと必要なデータを定義します。多くの場合、取引履歴やCRM(顧客関係管理)システムなどのデータです。
 
③ データセット生成:データを準備しEDA(探索的データ分析)を実施したり、必要な前処理を実施したりし、機械学習アルゴリズムに適したデータセットを作ります。
 
④ 予測モデルの学習とテスト:分類問題の様々な機械学習アルゴリズムを用いチャーン予測(離反予測)モデルを学習します。学習した予測モデルはテストします。
 
⑤ デプロイとモニタリング:学習した予測モデルをデプロイ(現場で活用できる状態にする)します。予測モデルを活用した結果をモニタリングし効果検証します。

 

◆【特集】 連載記事紹介連載記事のタイトルをまとめて紹介、各タイトルから詳細解説に直リンク!!

◆データ分析講座の注目記事紹介

 

 

   続きを読むには・・・


この記事の著者

高橋 威知郎

データネクロマンサー/データ分析・活用コンサルタント (埋もれたデータに花を咲かせる、データ分析界の花咲じじい。それほど年齢は重ねてないけど)

データネクロマンサー/データ分析・活用コンサルタント (埋もれたデータに花を咲かせる、データ分析界の花咲じじい。それほど年齢は重ねてないけど)


「情報マネジメント一般」の他のキーワード解説記事

もっと見る
データを使い継続的に改善する データ分析講座(その167)

  ◆ コンティニュアス・インプルーブメントにデータをプラス  「データを使いモノゴトを改善し続けよう! 」という動きは、昔からあります...

  ◆ コンティニュアス・インプルーブメントにデータをプラス  「データを使いモノゴトを改善し続けよう! 」という動きは、昔からあります...


マイナスの売上変動とプラスのコスト変動 データ分析講座(その146)

  ◆ データ分析・活用で生まれる売上変動とコスト変動  「ビジネスでデータを活用するぞ!」となった時、売上アップやコストダウンなどの利...

  ◆ データ分析・活用で生まれる売上変動とコスト変動  「ビジネスでデータを活用するぞ!」となった時、売上アップやコストダウンなどの利...


理解されやすく成果の出やすいデータ分析 データ分析講座(その95)

◆ 「それなりにデータはあるが、まともなデータがない」時にすべきこと  私は仕事柄、次のような質問をよくします。「データの状況どうですか?」。当然な...

◆ 「それなりにデータはあるが、まともなデータがない」時にすべきこと  私は仕事柄、次のような質問をよくします。「データの状況どうですか?」。当然な...


「情報マネジメント一般」の活用事例

もっと見る
人的資源マネジメント:データ指向ものづくりがもたらす高い生産性

 今、ものづくりの現場が目指すべきは「データ指向ものづくり」だと思います。 今回は、インダストリー4.0のような次世代ものづくりの大波への備えともなる 「...

 今、ものづくりの現場が目指すべきは「データ指向ものづくり」だと思います。 今回は、インダストリー4.0のような次世代ものづくりの大波への備えともなる 「...


Web上で試作受注するツールを成功させるポイントとは

        今回は、「Web上で試作受注するツール」を成功させるポイントについて解説します。次の2点がポイントで、この2つを「最優先」に考える必...

        今回は、「Web上で試作受注するツール」を成功させるポイントについて解説します。次の2点がポイントで、この2つを「最優先」に考える必...


‐販路開拓に関する問題事例‐ 製品・技術開発力強化策の事例(その19)

 前回の事例その18に続いて解説します。多額の資金と労力を費やして開発した知的財産をどのように活用して販路開拓に結びつけるのか、大変重要な問題ですが、販売...

 前回の事例その18に続いて解説します。多額の資金と労力を費やして開発した知的財産をどのように活用して販路開拓に結びつけるのか、大変重要な問題ですが、販売...