利用者の解約を予測し軽減するプロセスは、企業にとって複雑になることがあります。「妥当な」解約率は、事業継続年数から業種に至るまで、多くの要因によって決まります。広く認知されている大規模な企業でも、解約率には変動があります。たとえば、Netflix の解約率は 2022 年 3 月は 3.3% であり、2021 年 3 月の解約率より 1 ポイント以上高くなっています。以下では、企業が自社に適した解約予測戦略を策定し管理する方法について紹介します。
この記事の内容
- 解約とは
- 解約の種類
- 解約がビジネスに与える影響
- 解約予測モデリング技術
- 解約予測におけるデータの連携と管理
- 解約予測の課題
- 解約予測戦略の策定方法
解約とは
「解約率」とは、一定期間において企業の商品やサービスの利用を中止した利用者の割合です。この概念は、企業の売上に影響し、顧客満足度と顧客ロイヤルティに関するインサイトの源泉となるため、企業にとって重要です。たとえば、解約率が高い場合は、商品、サービス、または全体的な利用者体験に問題があるかもしれません。既存の利用者を維持するほうが、新しい利用者を獲得するよりも費用対効果が高いため、解約率を軽減する取り組みにリソースを投じることが企業にとって重要です。
解約の種類
解約には、いくつかの種類があります。以下はその例です。
自発的な解約
自発的な解約は、利用者がサービスまたは商品の利用停止を自ら決定した場合に発生します。自発的な解約にはさまざまな理由があります。利用者は現在のサービスに不満があるかもしれませんし、他のサービスに魅力を感じたのかもしれません。ニーズが変化した可能性もあります。意図しない解約
意図しない解約は、支払いの失敗、クレジットカードの有効期限切れ、物流の問題などが原因で発生します。利用者が解約を選択したわけではありません。企業は支払いシステムの改善や顧客サービスへの介入を通じて、この種の解約に対応することができます。能動的な解約
能動的な解約とは、利用者がサービスやサブスクリプションをキャンセルすることです。通常は、キャンセルプロセスを通じて利用者がその決定を企業に伝えます。受動的な解約
受動的な解約は、利用者のサブスクリプションが終了し、更新されない場合に発生します。多くの場合、利用者が自分から通知したり明示的にキャンセルしたりすることはありません。これはサブスクリプションベースのモデルではよくあることです。売上解約
売上解約は売上の喪失を意味します。利用者が完全に解約するのではなく、プランをダウングレードしたり、購入する商品やサービスを減らしたりするときに発生します。利用者の解約
これは解約の総称です。利用者や登録者がもたらす売上が失われるのではなく、利用者や登録者自体が失われることを指します。
解約がビジネスに与える影響
利用者の解約は、売上から商品開発、マーケティングに至るまで、ビジネスのあらゆる側面に影響します。世界的なカスタマーサクセスマネジメント市場は、利用者が求めているものや必要としているものを正確に提供することに焦点を当てた分野であり、解約を減らすための重要な要素ですが、Straits Research によると、2022 年にはその価値が 14 億 5000 万ドルと評価されています。また、2031 年までに複合年間成長率は 25% 近くになると予測されています。この成長率は、企業にとって解約を最小限に抑えることがいかに重要かを示しています。
解約は、次のような、ビジネスの多くの領域に影響を与えます。
売上
利用者の解約は企業の売上に即座に影響します。利用者を失うことは収入の減少につながります。サブスクリプションベースのモデルの場合は特にそう言えます。中小企業や新規企業の場合、解約が収入に及ぼす影響はさらに大きくなります。これは、総収入に占める個々の利用者の割合が大きいためです。商品開発
高い解約率は商品やサービスに問題があることを示唆している場合があります。企業は利用者が解約する理由を分析し、改善や見直しが必要な領域を特定できます。顧客獲得単価
解約で失った利用者の代わりに新規利用者を獲得するには、マーケティングと営業活動に多額の投資を行う必要があります。これらのコストは急速に増加する場合があるため、収益性の維持がさらに困難になります。ブランドの評判
利用者の解約が頻繁に発生すると、企業の評判に悪影響が及び、潜在的な利用者が加入をためらうことになります。従業員の士気
高い解約率は、従業員の士気、パフォーマンス、エンゲージメントにも影響を及ぼすことがあります。利用者のサービスや維持に直接携わる従業員の場合は、特にそうです。市場インサイト
解約から、市場動向や利用者の好みについての貴重なインサイトを得ることもできます。企業はこの情報を使用して、戦略を適応させたり、商品を微調整したり、利用者のニーズへの対応を改善したりできます。ビジネス全体の成長
解約は、長期にわたるビジネスの全体的な成長軌跡に影響します。利用者を持続的に維持することは、着実な成長と拡大に不可欠です。その一方で、高い解約率は、企業が効果的に規模を拡大し、長期的な目標を達成する上で妨げとなることがあります。
解約予測モデリング手法
企業が解約予測のための枠組みとして利用できるモデリング手法は複数あります。たとえば、次のようなものです。
ロジスティック回帰
ロジスティック回帰は、2 値の結果 (利用者が解約するか留まるかなど) を予測するために使用できる統計手法です。このモデリング手法では、人口統計、購入履歴、利用者とのやり取りなど、さまざまな予測変数を使用して、利用者の解約の有無を予測します。
ロジスティック回帰の仕組み
ロジスティック回帰では、解約した利用者、解約しなかった利用者を含む利用者に関する履歴データを使用したり、解約の意思決定に影響する可能性のあるさまざまな変数を調査したりします。このモデルは、変数ごとに解約の確率を算出し、利用者損失の最も強力な予測因子についてのインサイトをもたらします。たとえば、「サービスに関する苦情の数」という変数の正の値が大きい場合、苦情の数の多さと解約率の高さの関連性が強いことを示唆します。この手法の使用が適した状況
この手法は、大量の利用者データを所有し、通信、金融、サブスクリプションサービス、E コマースなどの利用者維持が重要な分野で事業を行っている企業に最適です。これらの業界では、多くの場合、明確な 2 値の結果 (利用者がサブスクリプションを更新するかどうかなど) があるため、ロジスティクス回帰が予測モデリングのニーズに最適な選択肢となります。ロジスティクス回帰のメリット
ロジスティスク回帰は、他の手法よりも導入と習得が簡単です。このモデルは、企業に予測と実用的なインサイトを提供します。たとえば、特定のサービスに解約を引き起こす問題が存在することをモデルが示している場合、企業はその問題の解決に注力することができます。ロジスティクス回帰の課題
ロジスティクス回帰では、独立変数と対数オッズの間に線形の関係性 (特定の結果が生まれる可能性) が存在することを前提としていますが、これは現実のシナリオに必ずしも当てはまるとは限りません。ロジスティクス回帰では、変数間の相互作用など、データの複雑な関係が課題になることがあります。データが不均衡な場合 (たとえば、解約する人よりも解約しない人のほうがはるかに多い場合)、モデルは多数派の予測に偏ってしまうことがあり、有効性が低下します。
結論: 2 値の結果がシンプルで、かつ利用者データが豊富にあるシナリオにおける解約モデリングには、ロジスティスク回帰が適しています。利用者の解約を予測すると同時に、解約の「理由」を理解したい企業には、特に有用です。
デシジョンツリー
デシジョンツリーは、利用者の解約をモデリングするためによく使用されるもう 1 つの手法です。この手法は、意思決定を一連の 2 値選択に分解できるシナリオに有効であり、利用者の解約につながる複雑なプロセスを理解するのに理想的です。デシジョンツリーでは、利用パターン、サービスレベル、利用者フィードバックなど、利用者のさまざまな特性と行動に基づいて、解約のプロセスをツリー型の構造で描きます。
デシジョンツリーの仕組み
デシジョンツリーは直感的で使いやすい手法です。さまざまな条件に基づいてデータセットを小さなサブセットに分割し、決定ノードとリーフノードから成るツリーを作成します。ツリーの各ノードは属性 (サービスの利用頻度など) のテストを、各分岐はそのテストの結果を表し、最終決定 (解約の有無) を行う次のノードまたはリーフにつながります。デシジョンツリーでは、たとえば年齢に基づいて利用者を分割し、さらに消費性向に基づいて各グループを分類することができます。段階的な各ステップを進むにつれ、利用者セグメントは具体化され、モデルはそのグループの解約の可能性を予測できるようになります。デシジョンツリーの使用が適した状況
デシジョンツリーは、さまざまな要因が解約に影響する多様な利用者基盤を持つ企業 (小売、通信、銀行など) に非常に有効です。この手法は、対象を絞った介入が可能であるため、利用者の解約につながる特定の意思決定プロセスを知ることが重要な場合に役立ちます。デシジョンツリーのメリット
デシジョンツリーの主なメリットの 1 つは簡便さです。明確に視覚表示されるため、解約につながる要因を簡単に理解し伝えることができます。この明確さは、戦略的な計画を立て、的を絞った利用者維持戦略を実施する際に非常に重要になります。デシジョンツリーは、数値データとカテゴリデータの両方を適切に処理するため、さまざまな種類の利用者データに適しています。デシジョンツリーを利用する際の課題
デシジョンツリーは、さまざまな状況に適していますが、課題もあります。キャプチャーしたトレーニングデータに含まれる関連性のないパターンが多すぎると、デシジョンツリーが非常に複雑になり、新しいデータの一般化が不十分になります。これは「過学習」と呼ばれます。モデルはトレーニングデータに正確に適合しますが、新しいデータを正確に解釈できないため、基礎となるパターンではなくデータの「ノイズ」(不要な情報) をキャプチャーしてしまいます。デシジョンツリーは、線形関係のキャプチャーが必要なタスクをうまく処理できません。このようなタスクには、ロジスティック回帰の方が適していることがあります。
結論: デシジョンツリーは、解約モデリングに有益な手段です。利用者が意思決定を行う際の具体的なプロセスを分析することが重要な場合には、特に有効です。表示がシンプルであり、かつ多様なデータの種類を処理できるため、このモデルは広く使用されています。デシジョンツリーには、過学習になりやすい、データ変更の影響を受けやすいなどの制約が伴いますが、デシジョンツリーは解約につながる要因の特定と可視化に優れているため、多くの企業にとって有用なツールになっています。
ニューラルネットワーク
ニューラルネットワークは機械学習の一種であり、解約予測モデルの分野では先進的な戦略になっています。ニューラルネットワークは、従来の線形モデルとは異なり、データ内の複雑な非線形関係をキャプチャーできます。解約の意思決定に影響する要因は、多面的で相互に関連している可能性があります。そのため、利用者の行動および解約の複雑さに対処するにはニューラルネットワークが適しています。
ニューラルネットワークの仕組み
ニューラルネットワークは、人間の脳の構造と機能を模倣します。相互接続したノード、つまり「ニューロン」のレイヤーで構成され、入力データを階層的に処理します。各ニューロンは入力データに計算式を適用し、その結果を次のレイヤーに渡します。解約予測の場合、ニューラルネットワークは利用者データを入力情報として受け取り、レイヤーを通じて処理し、解約の確率を出力します。ニューラルネットワークは、トレーニングと呼ばれるプロセスを通じてデータから学習します。そして、既知の結果 (たとえば、解約した利用者と解約しなかった利用者) から成るトレーニングデータで見られるパターンに基づいて、ニューロン間の結合の重みを調整します。このトレーニングにより、ニューラルネットワークは新しい未知のデータについての予測精度を高めることができます。この手法の使用が適した状況
ニューラルネットワークは、単純なモデルでは見逃す可能性のある複雑なパターンをデータが示している場合に、特に有益です。利用者とのやり取りのデータが膨大になる業界 (通信、ストリーミングサービス、オンライン小売業) は、ニューラルネットワークを利用して、利用者の行動に関する深いインサイトを得ることができます。利用者のやり取りや好みが多様かつ微妙に異なり、2 値結果に該当しない場合は、これらのモデルが適しています。ニューラルネットワークのメリット
ニューラルネットワークの強みは、データ内の複雑な非線形関係をモデル化できる点です。大規模なデータセットで繊細なパターンを特定できるため、利用者の解約をさらに正確かつ詳細に予測可能になります。ニューラルネットワークの課題
ニューラルネットワークの主な課題の 1 つは、「ブラックボックス」の性質です。多くの場合、ニューラルネットワークが特定の予測に達した方法と理由を正確に解釈するのは困難です。透明性と実用的なインサイトを求める企業にとっては、それが難点となります。また、ニューラルネットワークは、効果的にトレーニングを行うために大量のデータを必要とし、計算負荷が高くなるため、他の手法よりも多くのリソースと専門知識が求められます。
結論: ニューラルネットワークは、単純なモデルではできないやり方で、利用者の行動の複雑さと微妙な差異に対応することができます。利用者の解約を予測するために繊細なパターンの学習が重要である、データが豊富にある環境では、ニューラルネットワークが特に有益です。ニューラルネットワークには、解釈可能性やリソース要件などの課題が伴いますが、ニューラルネットワークは正確で詳細な予測が可能であるため、利用者の解約の軽減を重視する企業にとっては重要な手段になっています。
アンサンブル法
アンサンブル法は、予測モデリングの優れた手段であり、解約の予測に特に効果があります。アンサンブル法は複数の予測モデルを組み合わせて予測精度を高めるため、利用者の解約の予測に適しています。
アンサンブル法の仕組み
アンサンブル法は、単一のモデルが単独で動作するよりも複数のモデルが連携するほうが良い結果が得られる、という原則に基づいています。この手法では、同じデータでさまざまなモデルをトレーニングし、その予測を集約します。この際、通常はバギング、ブースティング、またはスタッキングの手法を使用します。アンサンブル法は、解約の予測で、デシジョンツリー、ニューラルネットワーク、ロジスティック回帰モデルなど、さまざまな種類のモデルを組み合わることがあります。各モデルは個別に利用者の解約を予測します。その後、その予測が投票や平均化などのプロセスを通じて組み合わされ、より精度の高い最終的な予測が生成されます。この手法の使用が適した状況
アンサンブル法は、単一のモデルでは十分な予測ができない場合や、データが複雑かつ多様な場合に特に有益です。アンサンブル法は、金融、通信、E コマースなど、利用者の行動パターンが複雑な業界に最適です。こうした業界では、利用者の解約を正確に予測するために、利用者の幅広いやり取りや行動をキャプチャーする必要があります。アンサンブル法のメリット
アンサンブル法の主なメリットは、個別のモデルに比べて精度と包括性が高いことです。複数のモデルの強みを組み合わせることで、モデルが生成した結果に「ノイズ」が多すぎる場合の過学習の可能性を減らすことができ、ほとんどの場合、多様で複雑なデータセットの処理が向上します。これにより、予測の信頼性と安定性が高まります。アンサンブル法の課題
アンサンブル法の課題の 1 つは、機能の高度化と計算コストの増加です。トレーニングと展開に必要なリソースと時間は、単一のモデルよりも多くなります。アンサンブル法では、ニューラルネットワークのように解釈の難易度が高いため、その予測に至った具体的な理由を特定するのが難しくなります。
結論: アンサンブル法は、解約を予測するための高度な手法です。複数の予測モデルの強みを組み合わせることで、精度を高めることができます。アンサンブル法は、複雑なデータ環境と、利用者の解約に対応する包括的な戦略を必要とする企業に適しています。複雑さとリソース要件に関する課題はありますが、予測の精度と安定性が高いため、利用者の解約を最小限に抑えたい企業には有益な戦略になります。
解約予測におけるデータの連携と管理
ここでは、利用者データを活用して解約予測の取り組みを強化するために知っておくべきことについて説明します。
高品質データの収集と連携の重要性
解約予測モデルを支えるのは使用するデータであるため、包括的で正確なデータの収集が重要です。そのために、情報を多く収集し、データが適切かつ最新であることを確認する必要があります。連携も同様に重要です。さまざまなソースのデータを単一のまとまりのあるデータベースに統合します。これは利用者の全体像を把握するために必要です。
データソースの探索
幅広いデータソースから解約予測に関する情報が得られます。たとえば、次のようなものです。
取引データ
取引データには、購入履歴、決済手段、商品またはサービスの利用パターンなどがあります。こうしたデータから、利用者の行動や好みを直接把握できます。利用者とのやり取り
カスタマーサービスのやり取り、フィードバック、苦情を記録することは非常に重要です。それらの記録は、利用者満足度と潜在的な問題点を知るきっかけになります。ソーシャルメディア
ソーシャルメディア活動を分析すると、一般の人が貴社のブランドに対して抱いているイメージと感情を明らかにすることができます。また、トレンドや利用者の期待を浮き彫りにすることもできます。
データのクレンジングと前処理の手法
収集したデータはクレンジングと前処理を行う必要があります。つまり、エラー、矛盾、無関係な情報を排除します。正規化、欠損値の管理、異常値の検出などの手法は、この重要なステップ、つまり予測モデルに入力されたデータの品質が非常に高いことを検証するステップに役立ちます。
データプライバシーの保護
データプライバシーは、目下の大きな懸念事項です。企業は欧州連合の一般データ保護規則などのデータ保護規制を遵守し、広範なセキュリティ対策を講じなければなりません。機密情報の匿名化やデータ利用に対する明確な同意の取得といった行為により、利用者との信頼を築きながらプライバシーを保護できるようになります。
解約予測の課題
解約予測は大規模な取り組みであり、次のような多くの課題が伴います。
データの品質と量
解約予測で使用するデータは、品質が高くなければならず、十分な量を確保する必要もあります。品質が低い、あるいは量が不十分であると、予測が不正確になり得ます。データ連携の難しさ
さまざまなソースのデータをまとめる際に、ソースごとに形式や構造が異なり、分析に適した統合データセットへのデータのマージが複雑化することがあります。利用者の行動の変化
利用者の好みや行動はすぐに変化するため、情報を最新の状態に保つのは困難です。昨年の解約予測で役立ったものが、今は役立たないかもしれません。プライバシーと法規制の遵守
企業は、利用者のプライバシーを尊重しながら利用者データを予測に使用することと、さまざまなデータ保護法に遵守することを、微妙なバランスを取りながら行う必要があります。適切な変数の特定
解約の予測に適したデータポイントの判断は、時間がかかる作業になります。モデルの正確性と過学習
トレーニングデータを過学習せずに解約を正確に予測するモデルを構築するのは、複雑な作業です。予測的インサイトの運用
もう 1 つの課題は、予測的インサイトを実行可能な戦略に変えることです。解約の予測は最初の一歩にすぎません。重要なのは、その情報を効果的に使用して利用者を維持することです。テクノロジーの進歩と足並みをそろえる
データ分析の分野は日進月歩で進歩しているため、最新のテクノロジーや理論に遅れをとらないようにするのは簡単なことではありません。
解約予測戦略の策定方法
単一の解約予測モデルがすべてのビジネスに完全に適合することはありません。それでは、ビジネスの実態とニュアンスを反映した解約予測のモデルと戦略は、どのように選択するとよいでしょう。このプロセスへのアプローチの方法を以下にご説明します。
自社のビジネスと利用者を知る
自社のビジネスと利用者に関する知識を徹底的に身に付けます。利用者を自社のビジネスに引き留める要因、そしてビジネスから遠ざける要因は何でしょうか。適切なデータを選択する
自社のビジネスと利用者の行動に最も関連するデータの種類を特定します。取引履歴、カスタマーサービスのやり取り、ソーシャルメディア活動などのデータがあります。データがアクセス可能で利用できることを確認します。チームを関与させる
営業、カスタマーサービス、IT などの組織内のチームから情報を集めます。その情報から、利用者とのやり取りや技術的な実現可能性のさまざまな側面について知ることができます。適切なモデルを選ぶ
解約予測に万能のモデルはありません。どのモデルを選択するかは、事業の性質や所有しているデータの種類によって変わります。選択肢を詳しく調べ、どれが最適かを判断してください。データを準備しクレンジングする
データは、使用する前にクレンジングして整理する必要があります。モデルを構築しテストする
データの準備ができたら、予測モデルを構築します。十分にテストし、精度と有効性を確認します。モデルを定期的に更新して改良する
利用者の行動と市況は経時的に変化します。モデルの関連性と有効性を維持するには、モデルを定期的に更新し改良する必要があります。インサイトを行動に変える
最後に、解約予測モデルから得られたインサイトをビジネス戦略に盛り込みます。この際、マーケティング戦略の調整、カスタマーサービスの改善、商品の変更などが行われる場合があります。
この記事の内容は、一般的な情報および教育のみを目的としており、法律上または税務上のアドバイスとして解釈されるべきではありません。Stripe は、記事内の情報の正確性、完全性、妥当性、または最新性を保証または請け合うものではありません。特定の状況については、管轄区域で活動する資格のある有能な弁護士または会計士に助言を求める必要があります。