次の方法で共有

小売チャネル チャーン モデルを使用する

  • [アーティクル]

顧客レベルにフォーカスした、わかりやすく直感的な方法で、顧客に関する 360 度のビューを作成します。 Dynamics 365 Customer Insights を使用して、複数のビジネス ラインにまたがる最も関連性の高い重要なデータを選択し、包括的でまとまりのある顧客ビューにまとめます。 Microsoft Cloud for Retail には、顧客チャーンを予測・理解するための小売チャネル チャーン モデル ソリューションが搭載されています。 このソリューションでは、小売チャネルのチャーン予測モデルを作成し、そのモデルの予測を用いて、潜在的な損失やチャーンを防止します。

概要タブ

概要タブには、顧客の個人情報、人生の瞬間、持ち株、クレジットカードとデビットカードに関する情報が一目でわかります。 このタブは、パーソナライズされた体験を提供し、重要な機会を明確化し、顧客満足度を向上させるための出発点となります。

小売チャネルの離反予測モデル

オムニチャネル小売向けに設計され、Customer Insights の上に構築された、AI ベースのチャーン予測モデルでは、小売顧客チャーンの可能性に関するクロスチャネル インサイトを獲得できます。 このモデルに自社のデータを通し、予測を向上させ、チャーンの要因を顧客レベルで特定するためのトレーニングを行います。

モデルの作成と学習には、3 つのデータ エンティティ (顧客エンティティ、セッション エンティティ、トランザクション エンティティ) を使用できます。 モデルは、これらのエンティティのフィールドにマッピングする入力を使用します。 モデル実行時に、チャーンの予測値を出力エンティティに格納し、説明性の要素 (チャーン リスク予測に最も影響を与える要素) を提供します。 これらの要因とその影響レベルが表示されます。

前提条件

  • Microsoft Cloud ソリューション センターにおける Microsoft Cloud for Retail 内で利用可能な小売コンポーネント。 これらコンポーネントの展開の詳細については Microsoft Cloud for Retail に小売チャネル チャーン モデルをデプロイする にアクセスしてください。

  • Microsoft Dynamics 365 Customer Insights で少なくとも共同作成者の権限を持っていること。 詳細については、ユーザーのアクセス許可にアクセスしてください。

  • チャーンが組織にとって何を意味するかを理解します。 顧客の購入金額や数量が、設定したしきい値を下回った場合、チャーン (解約) されたとみなされます。

  • 小売チャーン予測モデルの入力にマップするフィールドを持つエンティティ:

    重要

    ただし、小売チャネル チャーン モデル ソリューションをデプロイするには、Customer Insights でこれらのエンティティを作成する必要があるため、Customer Insights B2C 環境に存在している必要があります。 このステップは必須です。なぜならこれらのエンティティは、Microsoft Cloud for Retail には含まれておらず、小売企業の多様性が大きいため、共通のデータモデルが定義されていないからです。 詳細については、Microsoft Cloud for Retail に小売チャネル チャーン モデルをデプロイする を参照してください。

顧客データ

顧客のエンティティには属性と呼ばれるフィールドがあり、顧客に関するデータを持っていますが、顧客の訪問や購入は含まれていません。 チャーン予測モデルには、1 つの必須入力と 10 の任意入力があり、チャーン モデルの作成時に顧客のエンティティ フィールドにマッピングします。 準備としては、顧客のエンティティにモデルの入力にマッピングできるフィールドがあることを確認してください。

顧客エンティティに、チャーン モデルに含めるすべての属性がない場合、不足している属性をマッピング、マッチ、マージして、チャーン モデルのインプットとして利用できるようにすることができます。 詳細については、データ統合の概要を参照してください。

ソースデータに適切な属性が見つからない場合は、データソースを追加して、それらをマッピング、マッチ、マージすることができる可能性があります。

顧客データの入力

顧客のエンティティを探し、次の表にある各入力にどのフィールドをマッピングするかをメモします。 必要な入力ごとにフィールドがないモデルを作成することはできません。 フィールドをオプションの入力にマッピングすると、モデルの予測がより正確になります。

チップ

慣れていない場合は、次の入力表をコピーして、それぞれの入力にどのフィールドをマッピングするかを記入してみてください。

マップへの入力 必須または任意
顧客 ID 必須
マーケティング活動に関する契約 任意出席者
ロイヤリティ メンバーシップ 任意出席者
職業の状態 任意出席者
誕生日 任意出席者
性別コード 任意出席者
年収 任意出席者
リレーションシップの期間 任意出席者
最寄り店舗までの距離 任意出席者
ジェンダー 任意出席者
顧客リレーションシップの期間 任意出席者

セッション データ

セッション エンティティは、顧客の訪問に関するデータを持つフィールドを持っていますが、購入に関するデータは持っていません。 チャーンモデルには、セッションデータ用の 4 つの必須入力と 5 つのオプション入力があります。 オプションの入力を行うことで、予測の精度が向上します。

セッション エンティティに、チャーン モデルに含めたい属性がすべて含まれていない場合、ソースデータセットに適切な属性が含まれていれば、不足している属性をマッピング、マッチング、マージして、チャーン モデルのインプットとして利用できるようにすることができます。 詳細については、データ統合の概要を参照してください。

ソースデータに適切な属性が見つからない場合は、データソースを追加して、それらをマッピング、マッチ、マージすることができる可能性があります。

セッション データの入力

セッションのエンティティを探し、次の表にある各入力にどのフィールドをマッピングするかをメモします。 必要な入力ごとにフィールドがないモデルを作成することはできません。 フィールドをオプションの入力にマッピングすると、モデルの予測がより正確になります。

チップ

慣れていない場合は、次の入力表をコピーして、それぞれの入力にどのフィールドをマッピングするかを記入してみてください。

マップへの入力 必須または任意
セッション ID 必須
顧客 ID 必須
セッション タイムスタンプ 必須
セッション チャネル 必須
訪問タイプ 任意出席者
セッションの目的タイプ 任意出席者
セッション期間 任意出席者
セッションの顧客満足度 オプション
プロファイルのロゴ オプション

トランザクションの日付

重要

顧客の購買行動を直接反映するため、トランザクションは顧客のチャーン (取引量または取引額が特定のしきい値を下回っている顧客) を予測するための鍵となりますが。 チャーン モデルを作成するときにこれらのしきい値を設定することにより、ビジネスにとってチャーンが何を意味するかを定義します。

トランザクション エンティティは、顧客の購入やセッションに関するデータを持つフィールドを持っています。 小売のチャーン予測モデルには、7 つの必須入力と 6 つのオプション入力があり、モデルの作成時にトランザクションのエンティティ フィールドにマッピングします。 準備としては、トランザクションのエンティティに、モデルの入力にマッピングできるフィールドがあることを確認してください。 各オプション入力をマッピングすることで、モデルの予測精度が向上します。

トランザクション エンティティに、チャーン モデルに含めたい属性がすべて含まれていない場合、ソースデータセットに適切な属性が含まれていれば、不足している属性をマッピング、マッチング、マージして、チャーン モデルのインプットとして利用できるようにすることができます。 詳細については、データ統合の概要を参照してください。

ソースデータに適切な属性が見つからない場合は、データソースを追加して、それらをマッピング、マッチ、マージすることができる可能性があります。

トランザクション データ入力

トランザクション エンティティを探し、次の表にある各入力にどのフィールドをマッピングするかをメモします。 必要な入力ごとにフィールドがないモデルを作成することはできません。 フィールドをオプションの入力にマッピングすると、モデルの予測がより正確になります。

チップ

慣れていない場合は、次の入力表をコピーして、それぞれの入力にどのフィールドをマッピングするかを記入してみてください。

マップへの入力 必須または任意
トランザクション ID 必須
顧客 ID 必須
トランザクション タイムスタンプ 必須
トランザクション セッション ID 必須
トランザクションの種類 必須
トランザクション チャネルの種類 必須
トランザクション金額 必須
トランザクションの場所 ID 任意出席者
製品カタログ ID 任意出席者
適用する値引額 任意出席者
期限厳守配送 任意出席者
支払いの種類 任意出席者
顧客スコア レビュー スコア 任意出席者

小売チャネルのチャーン予測モデルの作成

  1. Dynamics 365 Customer Insights ポータルで、 インテリジェンス>予測を選択します

  2. 小売チャネルのチャーンタイルをを選択し、モデルの使用を選択します。

    小売チャネルの離反予測モデルの使用。

    重要

    前提条件エンティティが存在しない場合、小売チャネルのチャーンタイルは表示されません。

    モデル名画面が開きます。

モデル名

  1. 名前を選択し、チャーンモデルの読みやすい名前を入力します。
  2. 出力エンティティ名を選択し、文字と数字のみを使用して (スペースなしで)、モデルの出力エンティティの名前を入力します。 モデルの予測はこのエンティティに保存されます。
  3. 画面の下部にある 次へ を選択します。

モデルの基本設定

何日分のデータを評価するか、どの入力値のしきい値がチャーンを意味するかなど、モデルの環境設定を行うことで、ビジネスに合った予測を行うことができます。

  1. 環境設定画面で、予測期間モデルがチャーンの可能性を評価するために使用する日数を設定します。
  2. トランザクション量の減少のしきい値を選択し、チャーンを示すトランザクション頻度の割合を設定します (たとえば、0.2 に設定すると、モデルはトランザクション頻度の 80% の低下をチャーンと解釈します)。
  3. トランザクション値の減少のしきい値を選択し、チャーンを示すトランザクション値の割合を設定します (たとえば、0.1 に設定した場合、モデルはトランザクション値の 90％ の低下をチャーンと解釈します)。
  4. 画面の下部にある 次へ を選択します。

必須データ

  1. 前提条件として特定した、顧客、セッション、とトランザクションエンティティを見つけます。
  2. エンティティごとに、データの追加を選択し、識別したソース エンティティを選択します。
  3. フォームの各フィールドに対して、前提条件として指定した 顧客、セッション、またはトランザクションに対応する入力項目を選択します。
  4. すべてのフィールドにデータが入力した後は、保存を選択します。
  5. 画面の下部にある 次へ を選択します。

データ更新

ここでは、モデルを再トレーニングする頻度を設定します。 再訓練を行うことで、予測の精度が向上します。

  1. 週次または月次を選択します。 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。 ヘルプが必要な場合は、例を表示を選択します。
  2. 下部にある、次へを選択します。

レビューして実行

  1. モデルの詳細を確認します。 値を変更するには、任意の値の横にある編集を選択するか、前のプロセス ステップを選択します。

  2. 問題がなければ、このステップをスキップします。 チャーンモデルを実行する準備がまだできていない場合は、下書きを保存を選択し、右下隅にある閉じるを選択します。 作業を再開する準備ができたら、Customer Insights ナビゲーションペインで インテリジェンス>予測 を選択し、自分の予測 タブで下書きモデルの 予測名 の横にある編集アイコンを選択します。

    保存したチャーン モデルを編集する。

  3. 保存と実行を選択し、予測プロセスを開始します。 自分の予測タブで、予測の状態を確認できます。 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。

予測の状態と結果のレビュー

予測のステータスと結果を確認する方法:

  1. インテリジェンス>予測 に移動し、自分の予測 タブを選択します。

    インテリジェンス自分の予測タブ

  2. 結果を確認したい予測の名前の横にある 3 つのドットを選択し、表示を選択します。

    予測の結果をレビューする。

  3. 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 :使用可能なスコアは A、B、C です。 このスコアは予測のパフォーマンスを示し、出力エンティティに格納されている結果を使用するかどうかの決定に役立ちます。 スコア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 50％ 以上を正確に予測し、休眠状態になった顧客の予測が不正確であった割合が 10％ 以下であった場合。
      • B モデルが予測全体の 50％ 以上を正確に予測し、休眠状態になった顧客の予測が不正確であった割合が 10％ 以上であった場合。
      • C モデルが正確に予測全体の 50％ 未満を予測した場合。

    • チャーンの可能性: チャーンの予測リスクに基づく顧客のグループ。 このデータは、解約のリスクが高い顧客のセグメントを作成する場合に役立ちます。 このようなセグメントは、例えば、顧客維持のためのセグメントのカットオフ値をどこに設定すべきかを理解するのに役立ちます。

    • 最も影響力のある要素: 予測を作成する際には、様々な要素が考慮されています。 それぞれの要素は、モデルが作成する予測の集合体に対して、その重要性が計算されます。 これらの係数を使用すると、予測結果を検証するのに役立ちます。 また、この情報を利用して、顧客のチャーン 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。

画像は、小売チャネル チャーン モデルの予測結果を示しています。

  1. 記録レベルの説明性: 出力エンティティには、各小売チャーンのスコアに影響を与えた重要な要因をリストした説明可能性テーブルが含まれています。 これらのテーブルは、さまざまな目的でエクスポートできます。

失敗した予測を修正する

予測に失敗した場合は、何が悪かったのかを説明するエラーメッセージが表示されます。 例えば、モデルを実行したところ、「チャーン」している顧客が見つからず、モデルはトレーニングに失敗しました。これは、トランザクションのしきい値を低く設定しすぎている可能性があります。

エラー ログを確認して予測を修正するには、次のようにします:

  1. インテリジェンス>予測にアクセスし、自分の予測タブを選択します。

  2. 確認する予測を選択してから、ログを選択します。

    予測のエラーログを表示します。

  3. すべてのエラーをレビューします。 それぞれのエラーがどのような状態で発生したのかを説明することで、問題を解決する方法を決めることができます。 例えば、チャーンを正確に予測するためのデータが不足しているというエラーは、より多くのデータを読み込むことで修正できます。 また、モデルがチャーン ゼロの予測を出しているというエラーは、解約を示すしきい値を高くしてモデルの好みを修正する必要性を示している可能性があります。

予測を手動で更新します

Note

設定により、データが更新されると予測値が自動的に更新されます。

  1. インテリジェンス>予測にアクセスし、自分の予測タブを選択します。
  2. 更新する予測の横に配置されている縦型の省略記号を選択します。
  3. 更新 を選択します。

予測を削除する

Note

予測を削除すると、その出力エンティティが削除されます。

  1. インテリジェンス>予測にアクセスし、自分の予測タブを選択します。
  2. 削除する予測の横にある縦の省略記号を選択します。
  3. 削除を選択します。

統合

このモデルの主な出力は、顧客ベースおよび顧客レベルでのチャーン スコアのエンティティです。 ファーストおよびサードパーティのプラットフォームやサービスは、API を介してこのエンティティ出力をレポートや計画に利用できます。

対応

Note

チャーン予測機能は、自動化された手段を用いてデータを評価し、そのデータに基づいて予測を行うため、プロファイリングの手法として使用することができます。この用語はさまざまなプライバシー法と規制で定義されています。 小売業者がこの機能を使用してデータを処理する場合、これらの法律や規制の対象になる可能性があります。 顧客には、チャーン予測機能を含む Dynamics 365 Customer Insights の使用が、プライバシー、個人データ、生体データ、データ保護、および通信の秘密に関連する法律を含む、すべての適用される法律および規制に準拠していることを確認する責任があります。

参照

Microsoft Cloud for Retail のコンプライアンス
Microsoft Cloud for Retail のサポート
Microsoft Cloud for Retail とは?