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
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。
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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
Doug Norton, Senior Director of Customer Success @ BILL
Crystal McHenry, Client Enablement Product Manager @ Ambassador Software
Parul Vij Chopra, Head of Customer Success @ AVATOUR
Ed Powers, Customer Success Leader & Principal Consultant @ Service Excellence Partners
Nancy Raia, Customer Success Manager @ TRUCE Software
Manuel Harnisch, VP of Customer Success @ FOSSA
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
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
Doug Norton, Senior Director of Customer Success @ BILL
Philipp Wolf, Founder & CEO @ Custify
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
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