顧客解約率 (目減り率ともいいます) とは、特定の期間に企業との取引を停止している顧客の割合を指します。解約率は、売上や収益性に直接影響する重要な指標です。事業者は、解約率を追跡することで、自社の顧客維持の取り組みと、その取り組みが顧客関係の維持にどの程度効果があるかを測定します。解約率が高い場合は、顧客がその事業者の商品やサービスに満足していないことを示し、低い場合は、顧客がロイヤルティーを感じていること、また、満足していることを示します。平均的な解約率は業種ごとに異なります。民間のサービスとしてのソフトウェア (SaaS) 事業者の、2022 年度の顧客解約率の中央値は 13% でした。
自社の解約率を把握するには、特定期間に維持または喪失した顧客の数を調べ、喪失の理由を特定する必要があります。顧客解約モデルによって、解約の背後にある問題に対処する、総合的な顧客維持戦略の構築が可能になります。この記事では、さまざまな顧客解約モデルについて知っておくべきこと、自社に最適なモデルを選んで構築する方法、そこから得た情報を使ってすべきこと、について解説します。
この記事の内容
- 顧客解約率の測定方法
- 顧客解約率が重要である理由
- 顧客解約を予測するための主な判断材料
- 顧客解約モデルの種類
- 顧客解約モデルの構築方法
- 予測分析を使って顧客解約率を減らす方法
- 顧客解約モデルの効果の測定方法
- 顧客解約率を下げるベストプラクティス
顧客解約率の測定方法
顧客解約率を計算するには、特定の期間に解約した顧客の数を、その期間の開始時の顧客数で割ります。顧客解約率の計算式は、次のようになります。
(特定の期間に解約した顧客の数 / 期間の開始時の顧客数) × 100 = 顧客解約率
この式は、以下の手順で実際に応用できます。
解約率を測定する期間を決める (1 カ月、1 四半期、1 年など)。
上記期間の開始時の総顧客数を調べる。
上記期間中に取引を停止した顧客数を調べる。
取引停止した顧客数を、上記期間の開始時点の総顧客数で割る。
算出した数値に 100 を掛けてパーセンテージに換算する。
このパーセンテージが解約率であり、特定の期間に、特定の企業との関係を停止した顧客の割合を示します。
顧客解約率が重要である理由
解約率は、企業の売上、収益性、評判などに大きく影響することがあります。解約率が事業運営にどのように影響するのかを、次にご紹介します。
顧客獲得費が増える: 一般に、新規顧客の獲得は、既存顧客の維持よりもコストがかかります。顧客が離脱した場合、企業は、それを補うためにマーケティングや営業活動への投資を増やして新規顧客を獲得しなければなりませんが、其れには費用が掛かります。
売上が減る: 顧客を失うとまっさきに売上が減り、企業の財務健全性にただちに影響します。
長期的な顧客が減る: 特定の企業を長く利用している顧客は、時間が経つにつれて購入する商品やサービスの数が増え、サービス提供にかかるコストが安く済む傾向があります。こうした顧客は、粗利益率の高い商品やサービスを購入する傾向も見られます。解約率が高まるとこうした長期的な顧客が減るため、収益性が下がりかねません。
ブランドの評判に対する影響: 解約率の高さは顧客の不満の表れであり、そうした不満は、企業の評判の低下につながるおそれがあります。満足度が高い顧客は、その企業を他人に紹介することが多い一方で、満足度が低い顧客は、そこでのネガティブな経験を他人に広めて、潜在顧客の意欲をそぐ場合があります。
長期の成長に対する影響: 持続可能な成長には、安定した顧客基盤が必要です。解約率 の高さは、長期的な成長戦略を弱体化させ、拡張や、新たな機会への投資を難しくします。
顧客解約の予測の主な判断材料
解約に直接影響する判断材料の 1 つに、商品やサービスに対する顧客の満足度があります。顧客満足度は、アンケート、ネットプロモータースコア (NPS)、フィードバックシステムなどを使って測定できます。満足度の低い状態が続いたりネガティブなフィードバックが返ってきたりすることは、解約の強力な予兆となります。
利用中止の判断に影響するその他の要因には、以下のようなものがあります。
カスタマーサポート時のやりとり: 熱心な顧客の中には、顧客サポートを通じてその企業を存分に活用する人がいますが、サポート依頼もまた、問題や不満を示唆する指標になり得ます。サポートでのやりとりの内容や結果を分析することで、解約を予測できることがあります。特に問題の解決で満足のゆく結果を得られなかった場合などに言えることです。
商品またはサービスの利用状況: 顧客が商品またはサービスをどのように、あるいはどの程度の頻度で利用しているかを監視することで、企業は、顧客エンゲージメントのレベルに関するインサイトを得ることができます。利用率が低い、または低下傾向にある場合は、顧客がその商品やサービスへの興味を失っているか、それらに価値を見いだせなくなっていることを示しており、解約の兆しとみることができます。
請求や支払い時の問題: 請求や支払いの際に、頻繁に問題が発生すると、顧客は嫌気がさして解約に至る可能性が高くなります。こうした問題とその解決状況を調べることで、解約リスクの兆候を早期につかむことができます。
購買行動の変化: 注文数や注文頻度が減少するなど顧客の購買パターンが突然変わることは、満足度が低下したか、ニーズが変化したことを示す兆しであり、解約に至る可能性があります。
顧客のフィードバックや苦情: 顧客から直接寄せられるフィードバックや苦情は、解約の潜在性を示す重要な指標です。時間を割いて不満や懸念を伝えている顧客は、その問題が解消されなければ、離脱を検討する可能性があります。
マーケティング用コミュニケーションの利用状況: メール、ニュースレター、プロモーション、その他マーケティング用コミュニケーションの利用を停止することは、顧客の関心や関連性が低下したことの表れであり、解約に至る可能性があります。
市場および競合他社による要素: 市場の変化や競合他社の活動の変化が、解約に影響を及ぼすこともあります。たとえば、競合他社が新商品を発売したり、類似の商品をより安い価格で販売したりすると、解約の増加につながる可能性があります。
契約およびサブスクリプションの更新: サブスクリプションや契約ベースのモデルを採用している企業では、契約更新時期が、解約リスクを評価する重要な時期となります。利用者が更新するかどうかを判断する時期は、解約が起きやすいためです。
人口統計的、心理学的要素: 解約は、顧客の人口統計的要素の変化や、価値観および好みの変化から予測できる場合もあります。たとえば、経済状況の変化、転居、ライフスタイルの変化は、特定の商品やサービスの使用を続けるかどうかの判断に影響します。
顧客解約モデルの種類
顧客解約モデルは、アルゴリズムの種類、対象期間、予測の詳細度など、さまざまな要素に基づいて分類されています。次に、各種の顧客解約モデルについてご紹介します。
予測解約モデル: このモデルでは、履歴データを使用して、顧客の将来の解約確率を予測します。通常は、機械学習のアルゴリズムを使用して、以下に示すような解約のパターンや解約の予兆を特定します。
ロジスティック回帰: 1 つ以上の独立変数にもとづいて、2 つの値 (解約する / しない、など) の確率を予測する統計モデルです。シンプルで、人間に解釈が可能であることから、幅広く利用されています。
決定木: 特定の決定と、それによって生じ得る結果とを、木の形をしたグラフで示すモデルです。解釈は容易であるものの、過剰適合が起きやすいという側面もあります。
ランダムフォレスト: 複数の決定木を使用して予測の精度を上げ、過剰適合を制御する集合的な手法です。決定木を 1 つのみ使用する場合よりも包括度が上がり、多くの場合、高正解率を達成することができます。
勾配ブースティングマシン (GBM): 先行するトレーニング済みの決定木がでj発生したエラーを、新たな決定木で修正しながら、決定木を連続して構築していく集合的な手法です。XGBoost や LightGBM のような GBM は、解約の予測に大いに役立ちますが、調整が複雑になる場合もあります。
ニューラルネットワーク: ノードまたは「ニューロン」のレイヤーを通じて複雑な非直線関係をキャプチャーできるディープラーニングモデルです。非常に効率的で、大規模なデータセットにとりわけ有効ですが、シンプルなモデルに比べると解釈の難易度が上がります。
記述的解約モデル: 将来の解約を予測するのではなく、過去の解約行動に関するインサイトを提供するモデルです。多くの場合、クラスタリングや主成分分析の方法を使用して、解約の背景となった傾向、パターン、理由の特定に利用できます。
時系列解約モデル: 解約率が、時間の経過とともにどのように展開していくのかに注目するモデルです。季節ごとのパターンがはっきりしているビジネスや、特定のイベントが長期的に及ぼす影響を測定する場合などに特に適しています。
コホートベースモデル: 顧客コホート (集団) ごとに解約率を分析するモデルです。コホートは、顧客の登録時期、最初に購入した商品、その他主要なイベントなどによって定義されます。特定のコホートが、他のコホートに比べて解約傾向が強いかどうかを判断する際などに利用できます。
サバイバル分析モデル: 生存時間解析モデルとも呼ばれ、特定の事象 (解約) の発生までにかかる時間を測定するモデルです。顧客の将来の解約時期を予測する場合に、とりわけ有効です。
リアルタイム解約モデル: ユーザーとのリアルタイムのコミュニケーションに基づいて、予測をすぐに生成するモデルです。強力なデータインフラストラクチャーが必要であり、企業が、解約を防ぐ対策をすぐに講じられる場合に用いられます。
ハイブリッドモデル: さまざまなモデルの要素を組み合わせ、その長所を生かし、弱みを補います。たとえば、ハイブリッドモデルでは、解約確率の予測には予測解約モデルを、解約時期の予測にはサバイバル分析モデルを組み合わせて使用するなどします。
自社に最適なモデルの選択は、ビジネスの具体的状況、顧客との関係の特徴、入手可能なデータ、モデル構築に期待する成果などに応じて異なります。特定のユースケースに適した、最も精度が高く実用的なインサイトを入手できるモデルはどれかを見きわめるには、複数のモデルを試してみることもお勧めします。
顧客解約モデルの構築方法
顧客解約モデルの構築は、複数のステップのプロセスです。「解約」の定義方法、データから明らかになること、自社に最適なモデルの分析の特定で構成されます。次は、自社のビジネスニーズを満たす解約モデルの構築方法の詳細について説明します。
「解約」の定義: 解約という言葉が指し示す事柄は、企業によって異なります。サブスクリプションサービスの場合、解約とは顧客がサブスクリプションをキャンセルすることです。E コマースのプラットフォームの場合は、顧客がそのプラットフォームで一定期間、商品やサービスを購入しないことを指します。
データの収集: 解約した人としなかった人の両方を含めて、履歴データを集めます。このデータセットには、顧客の人口統計情報、取引履歴、商品の使用に関するデータ、カスタマーサービスでのやりとり、解約に影響するその他の関連データなど、さまざまな特徴量を含めます。
データの準備: データのクリーニング (不足している値の処理や重複の削除など) を行って、データをモデリングに適した形態に変換します。これには、カテゴリー変数のエンコード、数値の正規化、予測的特徴の時間枠の作成などが含まれます。
特徴の明確化: 顧客の行動や特性を効果的に把握できる特徴を明確にします。たとえば、取引データを集計して有意の指標にする、使用頻度を測定する、生データからインサイトを含むその他属性を抽出する、などです。
探索的データ分析 (EDA) の実施: モデルを構築する前に、EDA を実施してデータのパターンを特定します。特徴と解約との関連を探し、外れ値を特定し、主要な変数の分布を把握します。
アルゴリズムの選択: 解約を予測する機械学習アルゴリズムを選択します。ロジスティック回帰、決定木、ランダムフォレスト、勾配ブースティングマシン、ニューラルネットワークなどが一般的な方法です。モデルは、データセットのサイズ、特徴量の重要度、解釈可能性の必要性などに基づいて決定します。
トレーニングとテスト: データをトレーニングセットとテストセットに分けて、モデルのパフォーマンスを評価します。トレーニングセットはモデルのトレーニングに使用し、テストセットは未知のデータの予測能力の評価に使用します。
モデルの検証: 正解率、適合率、再現率、F1 スコア、ROC 曲線下面積 (AUC-ROC) などの指標を使用して、モデルのパフォーマンスを評価します。特に、事業目標に影響を与える指標に注目します。たとえば、偽陽性のコストが高い場合には適合率を最大化します。
モデルのチューニング: モデルのハイパーパラメーターを調整してパフォーマンスを改良します。グリッドサーチ、ランダムサーチ、ベイズ最適化などの手法を使って、ハイパーパラメーターの最適なセットを見きわめます。
特徴の分析: 顧客維持戦略を方向付ける解約予測に、最も影響を与えている特徴はどれかを見きわめます。
デプロイ: モデルを、継続的な予測が行える本番環境にデプロイします。これには、自社の業務システムへのモデルの統合、顧客を定期的にスコアリングするバッチプロセスの設定などが含まれます。
予測分析を使って顧客解約率を減らす方法
実践可能なインサイトと介入の戦略
モデルの予測を使って的を絞った顧客維持戦略を策定します。たとえば、解約リスクが高いと判定された顧客にパーソナライズされたプロモーションを行う、先手を打った顧客サービスやその他インセンティブを提供して顧客維持に努めるといったことを検討します。
顧客の特性や解約可能性の理由に応じて、解約リスクの高い顧客をセグメント化し、それぞれに応じて介入方法を調整します。
監視とフィードバックループ
モデルのパフォーマンスを継続的に監視します。顧客行動や営業活動におけるパターンの変化にあわせて、必要に応じて調整や再トレーニングを行います。
フィードバックの仕組みを確立し、顧客維持の取り組みの成果を把握して、維持戦略の効果を定期的に監視します。そこで得られたデータを使って、予測モデルと介入戦略にさらに改良を加えます。
コラボレーションおよび組織間の連携
予測分析のプロセスから得られた知見と推奨事項とを関連部門に共有し、包括的な顧客維持戦略を作成します。
データ主導型のインサイトを意思決定のプロセスに導入し、顧客のニーズに積極的に対応して解約率を下げます。
顧客解約モデルの効果の測定方法
誤った予測に基づいてビジネスの意思決定を下すことがないようにするには、顧客解約モデルがどの程度有効であるかを測定することが重要です。解約モデルが有効に機能しているかどうかを評価する際は、以下のような指標を使用できます。
正解率: すべての予測のうち、モデルが正解した割合を示す指標です。正解率は開始ポイントであり、特に解約した人としなかった人の数が不均衡である場合などは、必ずしも全体像を把握できるわけではありません。
適合率: モデルが「解約する」と予測した顧客のうち、実際に解約した人の数を示す指標です。偽陽性 (「解約する」と予測されたが、実際には解約しなかった) のコストは高くなる可能性があるた、この指標の評価は重要です。
再現率: 解約した顧客のうち、モデルが正確に特定できた人の数を示す指標です。再現率は、偽陽性を多少許容してでも実際の解約数をできるだけ正確に把握したいときは、これが重要になります。
F1 スコア: この指標は適合率と再現率を 1 つの数値にまとめて、バランスの取れたビューを得られるようにします。
ROC 曲線下面積 (AUC-ROC): ROC 曲線は、さまざまなしきい値設定で、真陽性率を偽陽性率と対照してプロットします。AUC は、ROC 曲線全体の下部分の、2 次元の面積全体を測定します。予測が完璧なモデルでは AUC の値は 1.0 になり、ランダムに推量するモデルでの AUC 値は 0.5 になります。
混同行列: 真陽性、偽陽性、真陰性、偽陰性の数を示した表です。モデルで発生したエラーのタイプを確認するときに役立ちます。
リフト値: モデルによる解約の予測精度が、ランダムな推量に比べてどの程度高いかを示す指標です。リフト値が 1 以上であれば、そのモデルはランダムな推量よりも精度が高いことを意味します。
ビジネスへの影響: モデルは、ビジネス指標への影響を測定することで、その有効性を真にテストすることができます。モデルの予測に基づいて行動することで、解約率を低下させることができているでしょうか。顧客維持戦略では、顧客生涯価値 (LTV) の改善、あるいは顧客満足度の強化につながるモデルのインサイトが、利用されているでしょうか。ビジネスへの影響は、解約モデルが提案した介入を実施した場合と実施しなかった場合の結果を比較する対照試験 (A / B テストなど) を行うことで、測定できます。解約率、顧客満足度のスコア、収益性の変化を長期的に観察することで、モデルの真の有効性を見きわめることができます。
顧客解約率を下げるベストプラクティス
行動予測的なセグメント化: 過去のやりとりや購買パターン、顧客エンゲージメントのデータなどに基づいて、機械学習を使って将来の顧客行動を予測します。それにより、顧客のニーズを予想し、解約の兆しが表れる前に介入を行って、さらに対象を絞り、効果的な顧客維持戦略を実施できます。
高度なパーソナライゼーション技術: 高度な分析や AI を使って、各顧客が尊重され理解されていると感じることができる、パーソナライズされた体験を生み出します。これには、商品提案のパーソナライズ、コミュニケーション内での動的コンテンツの使用、デジタルプラットフォームでのユーザー体験のパーソナライズなどが含まれます。
顧客体験の改善: カスタマージャーニー全体を綿密に計画および分析し、主要な接点および潜在的な摩擦点を明らかにします。それにより、ユーザー体験をシンプルにして、障害を取り除き、顧客とのすべてのやりとりに価値を付加して、満足度を高めることができます。
解約に対する予防的な介入: 分析をリアルタイムで行い、解約しそうな顧客を特定し、顧客維持戦略を実行に移します。これには、パーソナライズされたオファーの自動開始、カスタマーサクセスチームからの 1 対 1 の接触、専用のコンテンツまたはサポートへのアクセスなどが含まれます。
価値実現の追跡: 顧客が、商品やサービスを使って、望む成果をどの程度効果的に達成できているかを監視します。価値実現を測定する指標を作成して、顧客が目標値を達成していない場合には介入を行ないます。顧客が投資の価値を最大化できるよう、ガイダンス、サポート、追加のリソースなどを提供します。
コミュニティの構築: 専用のフォーラム、ユーザーグループ、ソーシャルプラットフォームなどを通じて、顧客間のコミュニティを醸成します。仲間とコミュニケーションをとることで、商品への愛着が深まり、サポートの手段が増え、顧客ロイヤルティーが高まります。
高度なロイヤルティープログラム: 取引に基づいたロイヤルティープログラムにとどまらず、顧客エンゲージメント、アドボカシー、共創で報いるプログラムを活用します。アイデアでの貢献や、フィードバックの共有、ベータ試験への参加を顧客に促し、他では得られない特典や認証を報酬として与えます。
AI によるサービスの強化: 顧客のサポートに 24 時間いつでもすぐに対応できるチャットボットや予測的サポートなど、 AI を活用したツールを導入します。こうしたツールは、人間による介入が必要なタイミングを特定したり、複雑な問題を担当エージェントに報告したりすることもできます。
データ主導型の商品開発: 顧客のフィードバックや使用データを利用して、商品開発を推進します。商品のロードマップを顧客のニーズや好みに合わせることで、顧客満足度を高め、プロダクトマーケットフィットに起因する解約の確率を減らすことができます。
戦略的な顧客管理: B2B の顧客や高額の顧客については、これまで以上に関係性を深めてそのビジネス目標を理解しながら、戦略的に管理します。自社のサービスまたは商品を調整して顧客の目標達成をサポートします。
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。