この記事は著作権を有する Custifyの許可を得て翻訳したものです。
Original article: How to Build a Churn Prediction Model that Works
カスタマーサクセスの仕事では、常に製品やサービスに対する顧客の感情を予測して動く必要があります。特に解約予測に関してはその傾向が強いです。 たとえ解約を予測できる正確なデータがあったとしても、それを活用できる形にするまでには、多くの時間や労力、そして費用がかかることがほとんどです。 では、私たちはどうすればよいのでしょうか？ 解約予測の「セオリー」を見つけるにはどうすればよいのでしょうか？そもそも「セオリー」は存在するのでしょうか？ 本記事では以下の点を中心に解約予測に関して解説をしていきます。
- 解約予測が実際にどのようなものなのか、どのように行うのか、そもそもなぜ行うのか、そしてそれをできるだけ効率的に行うために必要なことについて見ていきます。
- そして次に、あなたやカスタマーサクセスマネージャー、そして企業全体のために、解約予測モデルを構築する方法について詳しく説明していきます。（もそも解約予測モデルを作ることを優先する企業は少ないですが、一度作ってしまえば、誰もがそれを利用したくなるでしょう。）
- また、CS分野のプロが使用するAIツール、ノウハウ、ヒントについてもご紹介します。
解約予測モデルとは？
解約予測モデルは、データに基づく統計的予測モデルであり、その主な目的は、企業の顧客解約率の推移を示し、収益維持と中長期的な事業安定性を予測することです。 解約予測モデルは単純なものではありませんが、必ずしも複雑である必要もありません。解約予測モデルはさまざまなタイプがあり、それぞれのビジネスのニーズに合わせて設計されています。
具体的には、通常はカスタマーサクセス部門の責任者や、顧客維持の取り組みを監督しながら全体の組織目標を把握している人が作成します。 「解約予測モデルの構築方法」の1つ目のポイントでは、予算の限られた小規模な SaaS 企業のニーズに最適な解約予測モデルの簡単な例を紹介します。
解約予測が重要な理由
解約予測はSaaS業界において不可欠な取り組みです。これにより企業は、NRR（Net Revenue Retention）を予測するだけでなく、アカウントの維持に向けて積極的に行動し、顧客全体の解約率を低減することが可能です。他にも、解約予測を始める理由がいくつかあります
- 顧客維持率の向上 基本的には、解約予測は解約を防ぐ手段として機能します。実際、それがその主な目的です。解約につながる一般的な要因を理解するためのモデルを作成することで、CSチームは常にその兆候を探ることができます。
- より適切なリソース配分 事前の対応は、通常、後手に回るよりもコスト効果が高いです。簡単に言えば、解約が起こる前に対処するチームとプロセスを整えておく方が、解約が起こった後に対応するよりも全体的にコストが少なくなります。顧客はさまざまな理由で離れていくことがありますが、解約予測モデルを準備していないと、その理由を理解するために時間とお金を無駄にすることになります。
- 効率的に収益を守る 大口顧客が解約しそうだとします。 実際に調査してみると、その顧客がほとんど解約する段階にあることが判明しました。 解約予測モデルがあれば、もっと早く気づいて、適切な対策を立てて契約を維持できたかもしれません。
- より良い製品とCX 解約を徹底的に分析することで、顧客の行動パターンが明らかになります。これにより、製品の良い点や改善すべき点、UXの向上方法、役立つ新機能などがわかります。シンプルな解約予測がより良い製品を生み出します。
- 成功要因を理解する 具体的なデータがないまま運用していると、顧客にとって有益な機能が変更されてしまうことがよくあります。そのような機能は、あるユーザーにとっては日々の作業に不可欠なものであることもあります。解約予測をモニタリングすることで、本当に改善が必要な部分に集中しを集中的に取り組むことができ、またその重要性を示す具体的なデータも得ることができます。
しかし、解約予測モデルの有用性とその作成にかかる時間はバランスが重要です。モデルの作成に手間がかかりすぎたり、複雑すぎたり、更新が難しかったりする場合、それは間違ったやり方です。解約予測モデルは、効率的で費用対効果が高く、CSチームやその他の利害関係者にとって使いやすく、読みやすいものでなければなりません。
解約予測モデルの構築方法
さて、「何を」「なぜ」行うのかを説明したところで、実際にそのようなモデルを構築するための前提条件と方法を確認しましょう。
前提条件
無料で簡単な当社のSaaS顧客離脱率計算ツールをご利用ください
今後1年間の解約率の推移を予測できる、すっきりとしたシンプルなグラフをお探しでしたら、ぜひご利用ください！
当社の SaaS 顧客離反率計算機は、スタートアップ企業や小規模な SaaS 企業にとって最適です。グラフの数値が悪い場合は、より高度な顧客解約予測と防止策に予算を割り当てる時期かもしれません。まずはこのようなグラフで、今後 12 か月間の概要を把握することができます。
自分でやってみましょう
1. 解約分析の実施
まずは解約分析から始めましょう。この分析の目的は、以下の点を明らかにすることです。
-
- 顧客が解約する理由
- 顧客が解約しない理由
- 解約の兆候をどのように特定するか
- これらの指標をインサイトに変える方法
- 顧客を再び呼び戻す方法
- リスクのあるアカウントの解約を防止する方法
解約分析の手順はこちらからご覧いただけますが、その要点は、複数の調査方法から適切なものを選び、それぞれの方法論に忠実に従うことです。
-
- **コホート分析。**つまり、購入月、ユーザー属性、獲得チャネルなど、アカウントの詳細情報から始まる顧客セグメントに基づいて、顧客グループを分析することです。
- **顧客行動の分析。**さらに進めると、前述のヘルススコアを活用して、行動セグメンテーションの精度を高め、各セグメントに対するインサイトを導き出すことができます。ヘルススコアの例：アプリ内アクション、エンゲージメントスコア、利用率。
- **VOC（Voice of the customer）分析。**数千ものアカウントを管理している場合、それらを正確に分析するのは非常に大変です。そのような場合は、優良顧客（どのような基準で選んでも構いません）に連絡を取り、直接フィードバックを収集し、解約予測やその他のインサイトに活用することができます。
- カスタマーサービスのためのギャップ分析。ギャップ分析は、カスタマーサービスがいかにうまく機能しているかを測定する高度な手法です。特に、数百以上のアカウントがあり、それぞれが異なったサブスクリプションプランを持っている場合、SaaS にとって非常に役立つツールとなります。ギャップ分析は、解約予測だけでなく、顧客満足度の測定にも役立ちます。
2. 予測モデルの作成
解約分析が完了すると、解約の兆候を示す典型的な要因が明らかになり、それらの要因をモニタリングできるようになります。この時点で、以下の点を考えておく必要があります。
- 解約の前兆を確実に、かつ大規模にモニタリングする方法
- アカウントの解約リスクが高まった際に、カスタマーサクセス担当者にアラートを送信する方法
- その顧客と効率的に関わるためのプロセス
- 顧客の解約を引き止めるための、テスト済みの対応策やオファーのスクリプト
これらすべてが整ったら、顧客とのやり取りを完璧にすること、すべての顧客の解約阻止はできないと認識すること、そして解約予測プロセスを継続的に改善することが重要です。
**注：**一部の CS チームは、Python、BI ツール、または機械学習アルゴリズムを使用して独自のモデルを設計することを選ぶ場合があります。これは大規模な組織にとっては有益かもしれませんが、解約予測にそれほどの時間と費用、開発時間を費やすことは往々にして逆効果です。CS のリーダーは、意思決定を行う際には、製品の複雑さ、開発者の可用性、社内 CS の優先事項、ビジネスの安定性、市場の動向、顧客の感情、そしてもちろん現在の解約率を考慮し、微妙なバランスを取る必要があります。
3. インサイトに基づいて行動する
解約予測モデルを使用することで、お客様の考え方、製品の機能、お客様が一般的に達成したいこと、そして製品がそれを実現する方法について、通常とは異なるインサイトを得ることができます。
そのため、この分析結果を活用すれば、製品やサービスを改善し、顧客との関わり方を改善することができます。顧客対応に積極的に取り組むだけでは、より良い製品ができるわけではありません。プロダクトチームに適切な情報を伝え、彼らがそれに基づいて行動するようにするのは、あなた次第なのです。
CSPやオンボーディングツールのようなツールを活用する
Custifyでは、私たちの誇るサービス、コンシェルジュオンボーディングを提供しています。ここでは、お客様のニーズを理解し、アカウントを成功に導くための設定を行います。その一環として、解約予測も含まれます。
解約予測に必要な情報が揃えば、ヘルススコアリングと自動化プレイブックを設定するだけで、解約を予測することができます。これにより、Custifyがアカウントのメトリクスを監視し、解約を予測する間、あなたは先回りした顧客対応を通じてリスクのあるアカウントに効果的に対処するための時間を確保できます。
ChatGPT 4などのAI LLM（大規模言語モデルAI）を活用する
AIはもはや目新しいものではなく、私たちのデジタル社会における日常的なものとなっています。競合他社よりも効果的にAIを活用し、成功を収めたいと考えるのであれば、それを自社の目的に合わせて活用する必要があります。その目的の一つが、もちろん顧客解約予測です。
AIにデータを入力する
解約分析に AI を効果的に活用するには、GPT 4.0 またはお好みの AI に顧客データを入力する必要があります。問題は、顧客データを保護しながら、予測モデルを効果的にするために過去のデータも含めることができる人が少ないことです。
ChatGPT 予測的解約モデリング用プロンプトとテンプレート
もちろん、必要なデータをAIに正しく入力できれば、AIは非常に有用です。いくつかのプロンプトテンプレートと例を見てみましょう。
GPTエンジンを使用して、AIによる解約予測プロンプトの最適な構造を決定しました。
1. プロンプトの構造
導入と背景： 分析の目的（解約予測）を簡単に説明し、データに関する関連情報を提供します。 データ概要： 解約予測に関連する主な機能とデータのポイントについて説明します。顧客離れに影響を与える重要な側面を強調するようにしてください。 予測の依頼： AIエンジンに、与えられたデータセットに基づいて解約の可能性を予測するよう明確に依頼します。 （必要に応じて）具体的な質問： 予測モデルに特に注目してもらいたい特徴や側面がある場合は、別の質問で具体的に言及するなどしてください。 締めくくりと要約: モデルの推論を理解するのに役立つ追加のインサイトや説明を求めることで、質問を締めくくります。
2. プロンプトの例:
導入と背景： あなたはカスタマーサクセスマネージャーとして、顧客の解約を予測することを目指しています。過去6か月間の顧客とのやりとり、利用パターン、フィードバックなどのデータを提示しました。 データ概要： このデータセットには、顧客ID、利用頻度、サポートチケット履歴、顧客満足度スコア、およびその他の関連データが含まれています。利用頻度が高い、ポジティブなフィードバックがある、サポートチケット履歴が少ない、といった状況は、一般的に解約率の低下と関連付けられます。 予測依頼： 提供されたデータに基づいて、今後 1 か月間の各顧客の解約の可能性を予測してください。 具体的な質問例： a. 解約予測に最も大きな影響を与えると思われる機能はどれですか？ b. 顧客行動の特定の傾向やパターンで、解約につながるものはありますか？ 締めくくりと要約： 詳細な分析結果を提示し、予測の根拠を自由に説明してください。積極的な顧客維持戦略を立てる上で、新たな見解があれば非常に有益です。
ChatGPTおよびその他のAIモデルは、顧客解約を予測するために特別に設計されたものではないため、不正確な結果、時期尚早な結論、ありきたりな内容、非常に漠然とした分析、または一般的に役に立たないアドバイス（文脈や論理的根拠に欠ける）を提供する場合があります。 できるだけ有益で正確な結果を得るためには、提供するデータは関連性のあるものでなければならず、データ管理原則に従う必要があります。また、上記のプロンプト構造をできるだけ守るようにすることをお勧めします。
カスタマーサクセスリーダーが考える、今日の解約予測について
単純な解約予測は、後手に回る
私が携わった企業では、顧客離反率に焦点を当てると、すでに手遅れであることが分かりました。顧客が価値目標を達成できるかを測定することで、より大きな成長につながります。成長した顧客は解約しにくい傾向があります。そのため、顧客価値を最優先することで高い ROI が得られるという結果になることがよくあります。
Doug Norton, Senior Director of Customer Success @ BILL
解約予測モデルの構築
私たちは、製品、ケース、カスタマーサポートの観点からデータを収集するスプレッドシートから始めました。私たちの目標は、これをより自動化することですが、チームは少人数なので少しずつ進めています。
Crystal McHenry, Client Enablement Product Manager @ Ambassador Software
私は、利用変動率（実際の利用数/見込み利用数）は解約リスクの重要な判断基準であると考えています。
Parul Vij Chopra, Head of Customer Success @ AVATOUR
解約予測プロセスの確立
私は、6つのステップからなるプロセスを用いて、より正確でデータに基づく顧客ヘルススコアを構築する方法について、多くのカスタマーサービスチームと協議しています。また、回帰分析を用いてデータに基づく顧客ヘルススコアを構築する方法をクライアントや学生に教えています。これにより主観性が排除され、予測精度が飛躍的に向上します。例えば、最近私はあるクライアントの依頼を受け、わずか3つの要素を用いて95%の精度を持つモデルの導入を支援しました。私の6つのステップは以下の通りです。
-
- なぜ一部の顧客が離れ、なぜ他の顧客が残りさらに購入するのかを学ぶ。
- 理由を定量化する。
- 上流要因を特定し、仮説を生成する。
- データを収集し、因子分析を使用して変数をスクリーニングする。
- 予測モデルを開発する。
- 実装し、監視し、継続的に改善する。
Ed Powers, Customer Success Leader & Principal Consultant @ Service Excellence Partners
これらはSalesforce内のアカウント計画記録の一部であり、会社の誰もがいつでもアカウント情報にアクセスできます。私たちはエンゲージメント、利害関係者の管理、更新時期、独自に作成したリスクレベルの評価、予想される解約確率のパーセンテージ、リスクがあると考えられるサブスクリプション、および顧客がビジネスを脅かす可能性があると述べた会話のメモ（競合製品や優先事項、予算の問題、合併/買収、リーダーシップや現場からの支持の欠如、過剰なサポートチケット、オンボーディングの問題、データの問題、低使用率など）を確認します。
Nancy Raia, Customer Success Manager @ TRUCE Software
私たちは、使用状況、確認された価値、そしてミーティングやCSMのペースでの顧客エンゲージメントを組み合わせて使っています。私たちはは高接触・高価格のSaaSとオンプレミスのプラットフォームを提供しています。
Manuel Harnisch, VP of Customer Success @ FOSSA
私もナンシーやマニュエルと同じく、複数のデータポイントに基づいてCSMに頼って更新リスクを予測しています。私の見解では、ほとんどのソフトウェアは、これらのデータポイントを標準化して、エクセル地獄に陥らないように、優れたレポート機能を提供しているだけです。
私たちが注目するデータポイントには、リレーションシップ、採用状況（製品のメトリクス）、オンボーディング、顧客の適合性、バグ、機能リクエスト、外部の影響力があります。それをもとに、CSMは顧客を低リスク、中リスク、高リスク（赤、黄、緑）としてタグ付けします。
Kevin Williams, SVP Customer Success @ Tracer
AI活用による解約予測
Artificial intelligence-powered tools that leverage natural language processing, for example, are able to perform sentiment analyses and assess customer reviews, emails, and even phone calls for tone and terminology indicators of churn.
人工知能（AI）を活用したツールは、自然言語処理を利用して感情分析を行い、顧客のレビュー、メール、さらには電話のトーンや用語から解約の兆候を評価することができます。
Falon Fatemi, FiresideのCEO兼共同創設者, 2019年のForbes記事「How To Conquer Customer Churn with AI」より
AIは相関関係を見つけるのは得意ですが、因果関係を理解するための文脈を欠くことが多いです。例えば、顧客が移行を開始した後に製品の使用状況が大幅に変わることがあります。これは解約と強く関連しますが、CSMが介入するには遅すぎることが多いのです。本当に重要なのは、データサイエンティストが解約の「先行」指標、つまり解約と相関があり、かつ結果が既に決まっていないことを示すものを発見する時です。
Doug Norton, Senior Director of Customer Success @ BILL
カスタマーサクセスの複雑さを乗り越える上で、データを分析し、解約を予測するAIツールの魅力は否定できません。しかし、そのメリットと潜在的なリスクを慎重に検討することが重要です。データプライバシーを脅かす可能性のある手動データ入力が必要なAIツールとは異なり、Custifyのようなカスタマーサクセスプラットフォームは、シームレスなリアルタイムデータ統合を提供し、顧客情報のセキュリティとプライバシーを確実に保護します。さらに重要なことは、CSP（顧客成功プラットフォーム）は、自動化されたプレイブックを通じて、解約を予測するだけでなく、事前に解約防止策を講じることを可能にすることです。この先を見越したアプローチは、インサイトを即座に活かすことに根ざしており、まさに CSP の真骨頂です。リアルタイムデータに基づいてカスタマイズされた顧客エンゲージメント戦略を自動的に実行することで、解約リスクが深刻化する前に手を打つことができます。これは、単独の AI ツールでは実現できないことです。
Philipp Wolf, Founder & CEO @ Custify
私は、解約予測だけではあまり役に立たないと考えています。行動セグメンテーションは解約を減らすだけでなく、事業の成長にも役立つでしょう。
また、AIはたいてい良い予測を出しますが、利害関係者にとってはほとんどブラックボックスです。行動セグメンテーションや単純なロジスティック回帰など、解約率の低下に役立つ解約の原因も探すべきでしょう。
Muhammad Saad Khalid, Senior Data Specialist @ MarketLytics
解約予測はうまくいっていますか？
よく考え抜かれた解約予測戦略と少しの努力で、すぐにその成果を享受できるようになります。 正確な解約データを入手できれば、あらゆる前兆に直面しても対処できるようになります。コントロールできることとできないことに対する安心感があれば、効果的かつ拡張性のあるカスタマーサクセスへの道が開けます。次のステップに進む準備はできていますか？
この記事は著作権を有する Custifyの許可を得て翻訳したものです。
Original article: How to Build a Churn Prediction Model that Works
