次の方法で共有


サブスクリプション離反の予測

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。

離反がビジネスにとってどのような意味を持つのかを理解するには、ビジネス知識が必要です。 たとえば、年に一度のイベントがある企業は、チャーンを年単位で定義できますが、毎週の売上に対応するビジネスは、チャーンを月単位で測定できます。 時間ベースの離反定義に対応しており、顧客がサブスクリプションを終了した後、一定期間で解約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。

チップ

サンプル データを使用して、サブスクリプション離反予測を試してください: サブスクリプション離反予測サンプル ガイド

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、サブスクリプションを顧客と照合する一意識別子。
  • 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。 さまざまなレベルのサブスクリプションのパターンの特定に役立ちます。
  • 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

いつでも 下書きを保存 を選択して、予測をドラフトとして保存します。 ドラフト予測は 自分の予測 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. 離反のタイプに サブスクリプション を選択し、開始する を選択します。

  4. 他のモデルまたはテーブルと区別するための このモデルに名前を付ける出力テーブル名

  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。

必須データを追加する

  1. サブスクリプション履歴データの追加 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. 活動 で、活動の作成時に活動属性がセマンティックにマップされた場合は、計算の対象となる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。

    サブスクリプション離反モデルへの必須データの追加

  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 を選択します。

  6. 顧客活動データの追加 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. 活動 で、活動の作成時に活動属性がセマンティックにマップされた場合は、計算の対象となる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 を選択します。

  11. さらに活動を追加するか、次へ を選択します。

スケジュールの更新を設定する

  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ときに、予測の精度を更新するために重要です。 多くの企業は、月に1度再トレーニングして、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します

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。

ヒント

タスクやプロセスの状態 があります。 ほとんどのプロセスは、データ ソースやデータ プロファイル更新 などの他の上流プロセスに依存しています。

状態を選択して プロセス詳細 ペインを開き、タスクの進行状況を表示します。 ジョブをキャンセルするには、ペインの下部のジョブをキャンセルするを選択します

各タスクの下で、処理時間、最終処理日、タスクまたはプロセスに関連する該当エラーや警告など、詳細な進捗情報について 詳細を表示 を選択します。 パネル下部のシステムの状態を見るを選択すると、システム内の他のプロセスを見ることができます。

予測の結果を表示する

  1. 分析情報>予測 に移動します。

  2. 自分の予測 タブで表示する予測を選択します。

結果ページには、3つの主要なデータ セクションがあります。

  • トレーニング モデルのパフォーマンス: グレード A、B、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た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 A のモデル スコア情報ボックスの画像。

    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 メンバーの停止がどこにあるべきかを理解するのに役立ちます。

    解約結果の分布を示すグラフ (0 から 100% の範囲に分割)

  • 最も影響力のある要因 : 予測を作成する際には、様々な要素が考慮されています。 各因子には、モデルが作成する集計された予測に対して計算された重要度があります。 これらの係数を使用して、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。

    解約結果の予測における影響力のある要因とその重要性を示すリスト。

注意

このモデルの出力テーブルでは、ChurnScore は離反の予測確率であり、IsChurnChurnScore に基づく 0.5 のしきい値を持つバイナリ ラベルです。 この既定のしきい値がシナリオで機能しない場合は、任意のしきい値で 新しいセグメントを作成 します。 チャーン スコアを表示するには、データ>テーブル に移動し、このモデルに定義した出力テーブルのデータ タブを表示します。