Biデータサイエンスは、統計的アプローチを用いてお客様のビジネス課題の本質的な解決に貢献します。ここでは、あるサブスクリプション型サービス企業様の顧客行動ログを題材に、生存時間分析という高度な統計手法を用いて、特定の施策が顧客の継続利用期間に与える影響を定量的に測定し、意思決定に繋げた事例をご紹介します。
【お客様の課題】
あるサブスクリプション型サービスを提供する企業様は、複数の顧客エンゲージメント施策を実施していました。しかし、どの施策が顧客の継続利用期間を本当に延ばしているのかを客観的に把握できていないことが大きな課題でした。特に、特定の施策（例えば、初期のオンボーディングプログラム）を受けた顧客とそうでない顧客とで、長期的な継続率に有意な差があるかを厳密に検証することが経営層から強く求められていました。単なる平均的な利用期間の比較では、顧客の年齢層や初期の利用状況といった様々な要因が結果に影響を与えるため、信頼性の高い分析が不可欠でした。
【Biデータサイエンスによるデータ分析の実施】
ご提供いただいた顧客の行動ログには、個々の顧客のサービス利用開始日と解約日、そして様々な顧客特性（利用開始時のサービスプラン、利用開始後の活動頻度など）が含まれていました。これらのデータに、時間経過とイベント（解約）の発生を考慮できる生存時間分析を適用しました。また、分析に先立ち、データの欠損値を統計的に適切に補完し、異なる属性を持つ顧客グループを公平に比較するために傾向スコアマッチング（PSM）という手法を導入しました。
分析プロセスの詳細
- データの欠損値処理と正規性検証
まず、不完全な顧客データに対して多重代入法を適用し、統計的な偏りを最小限に抑えながら欠損値を埋めたデータセットを作成しました。また、顧客特性データの分布を厳密に検証した結果、一部のデータは正規分布に従わないことが判明しました。しかし、データ数が十分であったため、中心極限定理に基づき、その後の統計分析においては正規分布として扱うことが可能と判断しました。 - 傾向スコアマッチング（PSM）による公平な比較
特定の施策を実施した顧客群と、実施しなかった顧客群とで、年齢層や利用プランなどの属性が偏らないよう、傾向スコアマッチングによって類似した特性を持つ顧客同士をマッチングさせました。これにより、施策の効果をより正確に評価できる比較可能なグループを形成しました。 - 生存時間分析による施策効果の検証
公平に比較できるグループが形成された後、施策の有無が顧客の継続期間に与える影響を検証するために、Cox比例ハザードモデルとロングランク検定を用いました。しかし、一部の期間においてハザード比が一定ではない（比例ハザード性の仮定が満たされない）ことが判明したため、その問題に対処できるRMSTモデル（Restricted Mean Survival Time）も併用しました。これにより、複数の手法で結果の頑健性を確認しました。
【統計学的に配慮した点・工夫】
- 欠損値の適切な補完
単純な削除や平均値代入ではなく、多重代入法という高度な手法を用いることで、欠損値が分析結果に与える影響を最小限に抑えました。 - 複数手法の組み合わせによるロバスト性の担保
Cox比例ハザードモデルやロングランク検定だけでなく、RMSTモデルを併用することで、分析の前提条件が満たされない場合でも信頼性の高い結論を導き出すことができました。これは、統計的アプローチの頑健性（ロバスト性）を確保する上で不可欠なプロセスです。 - 傾向スコアマッチングによるバイアスの排除
施策を実施した顧客とそうでない顧客の比較において、データ収集段階で発生する可能性のあるバイアスを、傾向スコアマッチングによって統計的に排除しました。これにより、「施策の効果」と「顧客の元々の特性」を切り離して評価することが可能となりました。
【分析結果から得られた示唆】
本分析により、特定の施策を実施した顧客群は、施策を受けなかった顧客群と比較して、統計的に有意に長い期間サービスを継続していることが明らかになりました。特に、RMSTモデルによる分析では、特定の期間における両グループの平均継続期間に明確な差があることが証明されました。この結果に基づき、企業様は効果が証明された施策を全顧客セグメントに展開する方針を決定し、より効率的なリソース配分で顧客継続率と顧客生涯価値（LTV）を最大化できる明確な根拠を得ることができました。
【補足】
※本事例は実際の分析プロジェクトをベースにしていますが、守秘義務の観点から題材や内容を改変し、顧客およびプロジェクトが特定されないように配慮して掲載しています。
