顧客行動データから具体的な行動パターンにおける離脱リスクを予測

【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、顧客の継続利用を促すための施策を複数展開していました。しかし、「どの顧客が、なぜサービスを解約してしまうのか」を明確に特定できていないことが大きな課題でした。従来の分析では、顧客を解約者と継続利用者に単純に分類するに留まっており、解約に至るまでにどのような行動パターンが見られるのか、具体的な要因を客観的に把握することが求められていました。経営層からは、漠然とした「顧客満足度」だけでなく、解約リスクのある顧客を事前に特定し、効率的にリテンション施策を実行するための明確な根拠が強く求められていました。

【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データ（サービスへのログイン頻度、利用時間、特定の機能の利用有無など）を基に、解約の有無に影響を与える要因を探索しました。これらの行動データは、単純な平均値比較では見過ごされがちな複雑な関係性を含んでおり、これを明らかにするために、データを複数のグループに分類する機械学習手法である決定木分析（CART分析）と、グループ間の差を統計的に検証する二項検定を組み合わせて用いました。これにより、膨大な行動データの中から、解約に繋がりやすい顧客の具体的な行動パターンを客観的かつ定量的に捉えることが可能となりました。

分析プロセスの詳細

• データの正規性検証と相関分析
  まず、各顧客の行動データ（ログイン頻度、利用時間など）が正規分布に従っているかを統計的な厳密性が高いシャピロ-ウィルク検定を用いて検証しました。その結果、データが正規性を持たないことが明らかになったため、正規性を前提としないスピアマンの順位相関係数を用いて、各行動指標間の関連性を網羅的に分析しました。
• 決定木分析による解約要因のパターン解析
  次に、目的変数である「解約の有無」と、説明変数である各種行動指標の関係性を解明するために決定木分析を実施しました。この分析により、「ログイン頻度が特定のしきい値を下回り、かつ、特定の機能の利用がない」といった、解約リスクが高い顧客の行動パターンをツリー構造として可視化しました。
• 二項検定によるグループ間の有意差の検証
  決定木分析によって導き出された各ノード（グループ）について、解約率に統計的に有意な差があるかを二項検定によって検証しました。これにより、各パターンにおける解約リスクの高さが、偶然ではなく統計的に確からしいものであることを証明しました。

【統計学的に配慮した点・工夫】

• ノンパラメトリック手法の活用
  正規分布に従わないデータに対して、安易に正規性を前提とする手法（例：ピアソン相関、T検定）を用いると、誤った結論を導くリスクがあります。本分析では、データの性質を事前に厳密に検証し、スピアマンの順位相関係数や二項検定といったノンパラメトリック手法を選択することで、分析結果の信頼性を担保しました。
• 複雑な変数間の関係性の考慮
  単一の行動指標だけでなく、複数の指標が複合的に解約に影響を与えている可能性を考慮しました。決定木分析は、この複雑な関係性をツリー構造として直感的に可視化できるため、複数の変数がどのように組み合わさって特定の行動パターンを生み出しているのかを明確に理解することが可能となりました。
• 分析結果のビジネスへの応用性
  統計的な有意差だけでなく、決定木分析によって得られた「ログイン頻度が低い顧客群は解約リスクが50%高い」といった具体的な数値やパターンを、クライアントのビジネス戦略に直接的に活かせる形で提示しました。これにより、データ分析の結果が机上の空論ではなく、具体的なアクションに繋がることを明確に示しました。

【分析結果から得られた示唆】

本分析により、これまでブラックボックスだった「顧客の解約」が、特定の行動パターンと強く結びついていることが明らかになりました。例えば、特定の機能を利用していない、またはログイン頻度が低い顧客は、解約リスクが統計的に高いことが証明されました。この結果に基づき、企業様はこれらの行動パターンを持つ顧客を早期に特定し、個別メッセージの送信や特定の機能の利用を促すような、よりパーソナライズされたリテンション施策をタイムリーに実行できるようになりました。これにより、限られたマーケティングリソースを最も効果的な層に集中させ、顧客の離脱率を抑制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。