サブスクリプション離反を予測する

顧客が自社のサブスクリプション製品や定期的なサービスを利用しなくなった場合に、状況不利であるかどうかを予測します。 サブスクリプション データには、各顧客のアクティブおよび非アクティブなサブスクリプションが含まれており、顧客 ID ごとに複数のエントリが存在する可能性があります。 計画的に購入しない顧客の離反リスクを発見する場合は、トランザクション離反モデルを使用します。

チャーンがビジネスにとって何を意味するのかを理解することで、正確な予測が可能になります。 例えば、年次イベントがある企業は離脱を年単位で定義し、週次売上を持つ企業は離脱を月単位で測定するかもしれません。 このシステムは時間ベースのチャーン定義をサポートしているため、顧客はサブスクリプション終了後一定期間チャーンしたとみなされます。

たとえば、Contoso では毎月のコーヒー サービスを提供しています。 同社では割引を提供できるように、どの顧客がサービスの更新を疑問に思っているのかを知りたいと考えています。 Contoso は、サブスクリプション チャーン モデルを通じて、来年サービスを更新しない可能性のある顧客とその人口の規模を把握できます。

データの前提条件の概要

すべての予測モデルで一般的なデータ要件については、 予測モデルのデータの前提条件に関するセクションを参照してください。

前提条件

• 少なくとも 共同作成者のアクセス許可。
• 目的の予測ウィンドウ内の少なくとも 1,000 の顧客プロファイル。
• 顧客識別子、顧客のサブスクリプションを照合するための一意の識別子。
• 選択した時間枠の少なくとも 2 倍のサブスクリプション データ。 2 - 3 年分のサブスクリプションデータが望ましい。 サブスクリプション履歴には以下が含まれている必要があります:
  • サブスクリプション ID: サブスクリプションの一意の識別子。
  • サブスクリプションの終了日: 顧客のサブスクリプションの期限が切れる日。
  • サブスクリプションの開始日: 顧客のサブスクリプションの開始日。
  • トランザクションの日付: サブスクリプションの変更が発生した日付。 顧客がサブスクリプションを購入またはキャンセルした日付などがこれに該当します。
  • 定期的なサブスクリプションであるか 顧客が介在することなく同一のサブスクリプション ID でサブスクリプションが更新されるかどうかを決定するブール値の true/false フィールド。
  • 繰り返しの頻度 (月単位): 定期的なサブスクリプションの場合は、サブスクリプションが更新される月。 たとえば、1年ごとに自動的に更新される年間の定期購読の値は 12 です。
  • サブスクリプションの金額: サブスクリプションの更新に顧客が支払う通貨の金額。 これは、さまざまなレベルのサブスクリプションのパターンを識別するのに役立ちます。
• 離反率を計算する顧客の 50％ に対して、少なくとも 2 つの活動レコード。 顧客活動には以下を含める必要があります:
  • 主キー: アクティビティの一意の識別子。 たとえば、顧客がテレビ番組のエピソードを視聴したことを示す Web サイトの訪問記録や使用記録。
  • タイムスタンプ: 主キーで識別されるイベントの日時。
  • イベント: 使用するイベントの名前。 たとえば、ストリーミング ビデオサービスの「UserAction」というフィールドに、「Viewed」という値を入れることができます。
  • 詳細 : イベントの詳細情報。 たとえば、ストリーミング ビデオサービスの「howTitle」というフィールドに、顧客が視聴した動画の値を入れることができます。
• 指定されたテーブルのデータ フィールドの不足値が 20% 未満。

サブスクリプションの解約予測を作成する

[下書き保存] を選択すると、予測をいつでも下書きとして保存できます。 下書き予測が [ マイ予測 ] タブに表示されます。

1. 分析情報>予測 に移動します。

2. 作成 タブで 顧客離反モデル タイルの モデルを使用 を選択します。

3. 解約のタイプに サブスクリプション を選択し、開始する をクリックします。

4. このモデル と 出力テーブル名に名前 を付けて、他のモデルまたはテーブルと区別します。

5. 次へを選択します。

顧客離反の定義

1. 解約状態にあると見なされる顧客のサブスクリプション終了後の日数を表わす日数を入力します。 この期間は通常、顧客を失うことを防ぐ目的で行うオファーやその他のマーケティング活動などのビジネス活動にリンクされます。

2. 離反を予測する今後の日数 の数を入力します。 たとえば、今後 90 日間の顧客の解約リスクを予測して、マーケティング保持の取り組みに合わせます。 長期間または短期間の離反リスクを予測すると、特定のビジネス要件に応じて、離反リスク プロファイルの要因への対処が困難になる場合があります。

3. 次へを選択します。

必須データの追加

1. サブスクリプション履歴 で データの追加 を選択します。

2. 必要なサブスクリプション履歴情報を含む、セマンティック活動タイプ Subscription を選択します。 アクティビティが設定されていない場合は、こちら を選択し、作成します。

3. [アクティビティ] で、アクティビティの作成時にアクティビティ属性が意味的にマップされた場合は、計算に重点を置く特定の属性またはテーブルを選択します。 セマンティック マッピングが行われなかった場合は、編集 を選択してデータをマッピングします。

   

4. [ 次へ ] を選択し、このモデルに必要な属性を確認します。

5. 保存を選びます。

6. 顧客活動 の データの追加 を選択します。

7. 顧客の活動情報を提供するセマンティック活動タイプを選択します。 アクティビティが設定されていない場合は、こちら を選択し、作成します。

8. [アクティビティ] で、アクティビティの作成時にアクティビティ属性が意味的にマップされた場合は、計算に重点を置く特定の属性またはテーブルを選択します。 セマンティック マッピングが行われなかった場合は、編集 を選択してデータをマッピングします。

9. [ 次へ ] を選択し、このモデルに必要な属性を確認します。

10. 保存を選びます。

11. さらにアクティビティを追加するか、[ 次へ] を選択します。

更新スケジュールを設定する

1. モデルを再トレーニングする頻度を選択します。 この設定は、新しいデータが取り込まれる際に、予測精度を更新するために重要です。 ほとんどの企業は、1 か月に 1 回再トレーニングを行い、予測の精度を高めることができます。

2. 次へを選択します。

モデル構成を確認して実行する

確認して実行 ステップでは、構成の概要が表示され、予測を作成する前に変更を加えることができます。

1. 確認して変更を加えるには、手順のいずれかで編集 を選択します。

2. 選択に問題がなければ、保存して実行 を選択してモデルの実行を開始します。 完了を選択します。 自分の予測 タブは、予測の作成中に表示されます。 予測で使用されるデータの量によっては、プロセスの完了までに数時間かかる場合があります。

予測の結果を表示する

1. 分析情報>予測 に移動します。

2. [ マイ予測 ] タブで、表示する予測を選択します。

結果ページには主に3つのデータセクションが表示されます。

• トレーニング モデルのパフォーマンス: グレード A、B、または C は予測のパフォーマンスを示し、出力テーブルに格納されている結果を使用するかどうかを決定するのに役立ちます。

  

  グレードは次のルールに基づいて決定されます。

  • A モデルが予測全体の少なくとも 50% を正確に予測した場合、および解約した顧客の正確な予測の割合が過去の平均離反率より少なくとも 10% 大きい場合。
  • B モデルが予測全体の少なくとも 50% を正確に予測した場合、および解約した顧客の正確な予測の割合が過去の平均離反率より最大 10% 大きい場合。
  • C モデルが予測全体の 50% 未満を正確に予測した場合、または解約した顧客の正確な予測の割合が過去の平均解約率よりも低い場合。

• 離反の可能性 (顧客数) :離反の予測リスクに基づく顧客のグループ。 オプションで、解約リスクの高い 顧客のセグメントを作成 します。 このようなセグメントは、セグメントメンバーシップのしきい値がどこにあるべきかを理解する助けになります。

  

• 最も影響を受けた要因: 予測を作成する際には多くの要素が考慮されます。 各要因は、モデルが作成する集計予測に対して重要度を計算します。 これらの要因を使用して、予測結果を検証します。 あるいは、この情報を後で使用して、顧客の解約リスクに影響を与える可能性のある セグメントを作成する こともできます。