よくあるデータ活用のテーマの1つに、顧客のチャーン予測（離反予測）というものがあり、離反率をはじき出すことができます。離反率は、顧客満足度の重要な指標です。離反率が低いということは、顧客が満足しているということです。通常、新規顧客の獲得コストは、既存顧客の維持コストより大きくなります。最大で5倍とも言われています。そのため、離反率を下げることは、利益にとって大きなプラスの影響を与えます。今回は「機械学習と相性のいい顧客のチャーン予測（離反予測）」というお話しをします。
【目次】
1. チャーン予測（離反予測）は重要
(1) 2つのチャーン
(2) 4つのMRR変化
2. チャーン予測（離反予測）モデルの2つのシチュエーション
3. チャーン予測（離反予測）モデルを構築し活用するまでの流れ
【この連載の前回：データ分析講座（その249)2つの市場反応分析へのリンク】
1. チャーン予測（離反予測）は重要
最近、サブスクリプション系サービスが流行っています。このようなビジネスモデルの場合、チャーン予測（離反予測）をすることは、特に重要です。
チャーン予測（離反予測）をすることで、CLTV（顧客生涯価値）を見積もったり、事業の成長性を測ることができるからです。また、チャーン予測（離反予測）から、適切なリテンション戦略（顧客維持戦略）につなげることができます。
先程も言いましたが、通常、新規顧客の獲得コストは、既存顧客の維持コストより大きくなります。より高収益なビジネスを目指す上で、非常に重要になってきます。
(1) 2つのチャーン
チャーンには2種類あります。
- 顧客チャーン（例：月間離反顧客数÷月初顧客数）
- 収益チャーン（例：月間減益MRR÷月初MRR）
顧客チャーンとは、顧客がサブスクリプションなどのサービスを解約したりすることです。収益チャーンとは、例えば月初の月次経常収益MRR（Monthly Recurring Revenue）の損失のことです。
顧客離反がなくても、顧客がダウングレード（下位のサービス・商品への変更）すると、収益チャーンが起こります。イメージとしては、収益チャーンの方が、顧客チャーンよりも幅広い概念です。
(2) 4つのMRR変化
月次経常収益MRR（Monthly Recurring Revenue）の概念に不慣れな方もいると思いますので、補足説明します。
以下の4つのMRR変化があり、それぞれに対し名称がついています。
- New MRR：新規顧客からもたらされるMRR
- Expansion MRR：取引額の増えた既存顧客から得られるMRR
- Downgrade MRR：取引額の減った既存顧客から得られるMRR
- Churn MRR：離反顧客から得られたであろうMRR
さらに2つに分類できます。
- 増益MRR：New MRR + Expansion MRR
- 減益MRR：Downgrade MRR + Churn MRR
この比をQuick Ratioと言い、成長性を測る指標として用いることがあります。
- Quick Ratio = 増加MRR ÷ 減少MRR
Quick Ratioは、基準として「1」と「4」が用いられます。1未満だと対策が必要で、4以上だと素晴らしいとなります。
2. チャーン予測（離反予測）モデルの2つのシチュエーション
以上より、機械学習で作るチャーン予測（離反予測）モデルには、2つのシチュエーションがあります。
- 完全なる離反（取引金額0）
- ダウングレード（下位のサービス・商品への変更）
完全なる離反（取引金額0）の場合、「離反 or 継続」の2値分類問題になります。ダウングレード（下位のサービス・商品への変更）の場合、「ダウングレード or 維持」の2値分類問題になります。ただ、ダウングレード対象のサービスが複数ある場合には、多値分類問題となります。
3. チャーン予測（離反予測）モデルを構築し活用するまでの流れ
チャーン予測（離反予測）モデルを構築して、ビジネスで活用したい！ と思われた方も多いことでしょう。これは、通常の機械学習のモデル構築と同じです。
① テーマ設定：ビジネス上の問題と達成すべき目標を定義します。モニタリング可能な指標でBefore→Afterを定義します。
② アナリティクス設計：構築したモデルと必要なデータを定義します。多くの場合、取引履歴やCRM（顧客関係管理）システムなどのデータです。
③ データ...
セット生成：データを準備しEDA（探索的データ分析）を実施したり、必要な前処理を実施したりし、機械学習アルゴリズムに適したデータセットを作ります。
④ 予測モデルの学習とテスト：分類問題の様々な機械学習アルゴリズムを用いチャーン予測（離反予測）モデルを学習します。学習した予測モデルはテストします。
⑤ デプロイとモニタリング：学習した予測モデルをデプロイ（現場で活用できる状態にする）します。予測モデルを活用した結果をモニタリングし効果検証します。
◆【特集】 連載記事紹介：連載記事のタイトルをまとめて紹介、各タイトルから詳細解説に直リンク！！
◆データ分析講座の注目記事紹介
