顧客のチャーン予測(離反予測) データ分析講座(その250)

 

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。

 

 

さらに2つに分類できます。

 

 

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)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

◆関連解説『情報マネジメントとは』
 

 

↓ 続きを読むには・・・

新規会員登録


この記事の著者