解約予測

解約予測について

解約予測とは、過去のデータを用いて、どの顧客やアカウントが実際に解約する前に離脱（または解約）する可能性が高いかを特定するプロセスです。これにより、手遅れになる前にチームが行動を起こすためのシグナルが得られ、顧客維持率の向上と組織の解約率の低減につながります。解約モデルは、健全なカスタマーエクスペリエンスプログラムの一部にすぎません。解約モデル自体が解約を減らすわけではありませんが、解約前にどの顧客に介入すべきかを判断するのに役立ちます。

解約予測は単一の機能ではありません。包括的な解約予測プログラムは、誰にリスクがあるか、その理由は何か、どのコホートが最も脆弱か、どのような介入が有効か、そしてその介入が効果をもたらしたか、という5つの異なる問いに対応します。それぞれの質問には、異なるデータ、異なる方法、そして異なるアクションが必要です。

ヒント：始めますか？解約率低減のユースケースや、貴社プログラムに適したアプローチについてご相談いただくには、アカウントチームまでお問い合わせください。 

回答すべきビジネス上の質問

顧客維持プログラムは、単にリスクのある顧客を特定するだけでなく、その理由や対処法まで含めた全体像に対応することで、最も効果を発揮します。以下の表は、中核となるビジネス上の疑問と、クアルトリクスがそれぞれをどのようにサポートするかをまとめたものです。

ヒント: 適切なアプローチは、プログラムの成熟度、データの可用性、ビジネス目標によって異なります。お客様のニーズに適したソリューションを検討するには、アカウントチームにお問い合わせください。

解約予測の基本

解約予測への適切なアプローチは、プログラムの成熟度、データの可用性、およびビジネス目標によって異なります。以下について、貴社のアカウントチームにお問い合わせください。

• 現在保有しているデータと、収集する必要があるデータは何か。
• 上記の5つのビジネス上の質問のうち、現在お客様のプログラムに最も関連性の高いものはどれですか？
• 貴社の状況において、現実的なスコープとタイムラインはどのようなものですか？

必要なデータはどれですか？

解約予測は、複数のデータソースを組み合わせることで最も効果的に機能します。これらのソースは高レベルの提案であり、追跡する正確な指標は、貴社の業界、CX施策、関心のあるビジネス上の質問、およびユースケースによって異なることに注意してください。

• エクスペリエンスデータ：満足度スコア(NPS、CSAT、CES)、自由回答フィードバック、リレーションシップおよびトランザクションアンケートの回答、自発的なフィードバック(ソーシャルメディアへの投稿、オンラインレビュー、コンタクトセンター)。 
• オペレーショナルデータ：業界によって異なりますが、これにはアカウントの保有期間、製品の使用状況、サポートチケットの量、契約額、購入履歴、支払い行動などの測定値が含まれます。
• 履歴データ：モデルのトレーニングと検証に使用される、実際に解約した顧客の履歴記録です。

ヒント：アンケートデータだけでは、解約予測に大きな限界があります。エンゲージメントの低い顧客(多くの場合、最もリスクが高い)はアンケート調査を完了する可能性が低く、それがカバレッジにおける体系的なギャップを生み出します。アンケートのシグナルを他の行動データ、オペレーショナルデータ、またはエクスペリエンスデータと組み合わせることで、より精度の高いモデルを構築し、回答のバイアスを低減できます。

先行 vs. 遅行指標

すべてのデータシグナルが同じとは限りません。解約予測プログラムを構築する際は、先行指標と遅行指標を区別することが有効です。強力な離職防止プログラムは、先行指標に基づいて構築されます。介入がまだ可能で意味のあるうちに、リスクを早期に特定することが目標です。

• 先行指標とは、顧客が解約する前に現れるシグナルであり、チームが行動を起こすための時間を与えてくれます。エンゲージメントスコアの低下、製品使用率の減少、サポートへの問い合わせの増加、コンタクトチャネル全体でのエフォートスコアの上昇、支払い方法の変更などが例として挙げられます。
• 遅行指標とは、解約がすでに発生した、または差し迫っていることを示すシグナルですが、介入する時間はほとんどありません。契約の非更新通知、アカウントの解約リクエスト、支払いの失敗などがその例です。

解約予測を成功させるための要件

個人レベルの解約予測 (各顧客またはアカウントに解約の可能性をスコアリングする) は、最も要求の厳しいタイプの予測の 1 つです。以下が必要です。

• 大量のデータ：意味のあるパターンを特定するのに十分な履歴レコード（実際の解約イベントの十分な事例を含む）。
• クリーンで構造化されたデータ：データに一貫性がない、値が欠落している、データ構造が不安定である、といった問題はすべて、モデルのパフォーマンスを低下させます。
• 専門的なデータ準備：特徴量エンジニアリング、変数の再コーディング、データの結合は、データサイエンスの専門知識を必要とする時間のかかる前提条件です。
• 継続的なメンテナンス：データや行動は時間とともに変化するため、モデルには再トレーニングが必要です。