Churn Predictor

解約予測

行動シグナル、エンゲージメントパターン、予測分析を活用し、離脱前にリスクの高い顧客を特定する専門的な解約予測システムです。このスキルでは、解約モデルの構築、リスクシグナルの監視、顧客維持のための介入を実行するための体系的なワークフローを提供します。

解約は成長をひそかに蝕む要因です。顧客が離脱を告げる頃には、手遅れになっていることがよくあります。このスキルは、介入によってまだ状況を改善できる早い段階で解約リスクを特定し、顧客維持の取り組みに優先順位を付け、体系的に解約を減らすのに役立ちます。

データサイエンスのベストプラクティスとカスタマーサクセスの手法に基づき、このスキルは先行指標分析、リスクスコアリング、介入プレイブックを組み合わせ、解約が起きる前に予測して防止します。

主なワークフロー

ワークフロー 1：解約シグナルの特定

解約を予測する行動を把握する

1. 行動シグナル

   シグナルの種類	例	リスクレベル
   利用の減少	ログイン、セッション、アクションが30％以上減少	高
   機能の利用停止	主要機能の利用を停止	中〜高
   エンゲージメントの低下	メールに返信しない、会議を欠席する	中
   サポートの傾向	問い合わせの急増、ネガティブな感情	高
   請求の問題	支払い失敗、ダウングレードの申し出	高

2. アカウントシグナル

   • 推進者の退職（主要ユーザーが離職）
   • 企業の人員削減または再編
   • 合併・買収の発表
   • 自社のカテゴリーに影響する予算削減
   • 競合他社を評価している兆候
   • 自動更新の契約が更新されていない

3. 関係性のシグナル

   • NPS スコアの低下（9～10 → 7以下）
   • QBR または定期確認の欠席
   • 連絡への応答がない
   • サポートの問題がエスカレーションされる
   • やり取りにおけるネガティブな感情

4. 時間に基づくシグナル

   • 更新時期が近づいている（90／60／30日前）
   • トライアルまたはパイロットの終了
   • 悪い顧客体験からの記念日
   • 導入後の利用停滞
   • 季節的な利用パターン

ワークフロー 2：リスクスコアリングモデル

複合的な解約リスクスコアを構築する

1. スコアの構成要素

   Churn Risk Score =
     (Usage Score × 0.30) +
     (Engagement Score × 0.25) +
     (Support Score × 0.20) +
     (Relationship Score × 0.15) +
     (Account Score × 0.10)
   
   Scale: 0-100 (higher = more at risk)
   

2. 利用スコアの要因

   • ベースラインと比較したログイン頻度
   • 機能採用の幅
   • ライセンス数に対するアクティブユーザー数
   • 製品の利用時間
   • 主要アクションの完了状況

3. エンゲージメントスコアの要因

   • メールの開封率／クリック率
   • 会議への出席
   • リソースのダウンロード
   • トレーニングの完了
   • コミュニティへの参加

4. リスクカテゴリー

   スコア	リスクレベル	対応
   0-20	低	通常のモニタリング
   21-40	中程度	積極的な連絡
   41-60	高まりつつある	介入が必要
   61-80	高	緊急の解約阻止を試みる
   81-100	危機的	経営幹部へのエスカレーション

ワークフロー 3：コホートと傾向の分析

顧客セグメントごとの解約パターンを把握する

1. コホート分析

   • 登録月／四半期ごとに分析する
   • 継続率の推移を追跡する
   • 継続率が低いコホートを特定する
   • 製品／市場の変化との相関を調べる
   • 成功しているコホートのパターンを見つける

2. セグメント分析

   • 顧客規模別（SMB／中堅／エンタープライズ）
   • 業種別
   • ユースケース／ペルソナ別
   • 獲得経路別
   • 料金プラン別

3. 解約時期のパターン

   • 顧客ライフサイクルのどの段階で解約が起きるか
   • 更新時と契約期間中の解約
   • 警告サインから解約までの期間
   • 季節的なパターン
   • 契約期間との相関

4. 先行指標の検証

   • シグナルと解約の相関を追跡する
   • シグナルの先行時間を算出する
   • 偽陽性率を測定する
   • スコアリングの重みを調整する
   • 介入をA/Bテストする

ワークフロー 4：アラートとエスカレーションのシステム

適切なタイミングで適切な人にリスクを知らせます

1. アラートのトリガー

   • スコアがしきい値を超える（例：「高まっている」レベルに入る）
   • スコアが急上昇する（7 日間で 10 ポイント以上）
   • 重大なシグナルが検出される（支払いの失敗、担当責任者の退職）
   • リスクが高まっている状態で更新時期が近づいている
   • 複数のシグナルが収束している

2. エスカレーションマトリクス

   リスクレベル	担当者	エスカレーション	対応 SLA
   中程度	CSM	なし	5 日
   高まり	CSM	マネージャーを CC に追加	48 時間
   高	CSM + マネージャー	VP に報告	24 時間
   重大	マネージャー	VP／エグゼクティブスポンサー	当日中

3. アラートの内容

   • 顧客名とリスクスコア
   • アラートのトリガーとなった具体的なシグナル
   • スコアの傾向（改善／悪化）
   • 更新日とリスクにさらされている ARR
   • 推奨アクション

4. アラートのチャネル

   • Slack／Teams の通知
   • メールのダイジェスト
   • CRM ダッシュボード
   • 週次リスクレポート
   • エグゼクティブ向けサマリー

ワークフロー 5：介入プレイブック

解約リスクのある顧客を維持するための体系的なアプローチ

1. 介入方法の選定

   根本原因	介入
   利用率の低さ	トレーニング、オンボーディングのやり直し
   技術的な問題	エンジニアリング部門へのエスカレーション、回避策
   価値が不明確	ROI 分析、エグゼクティブ間の連携
   担当責任者の退職	新たな関係者との関係構築
   価格への懸念	割引、プランの調整、支払い条件
   競合	機能比較、ロードマップの先行公開

2. 顧客維持施策の実行

   • 根本原因を診断する（決めつけない）
   • 原因に合った介入方法を選ぶ
   • 担当者とリソースを割り当てる
   • 明確なスケジュールとマイルストーンを設定する
   • 結果を追跡する（維持、解約、その理由）

3. 介入の戦術

   • 緊急コール：当日中にエグゼクティブが働きかける
   • ヘルスチェック：アカウントを包括的にレビューする
   • 集中トレーニング：集中的な導入支援セッション
   • サクセススプリント：価値提供に重点を置いた取り組み
   • エグゼクティブ間の連携：VP／C レベルの担当者が関与する
   • 商務上の協議：価格／契約条件の調整

4. 結果の追跡

   • リスクレベル別の維持率
   • 介入の種類別の維持率
   • 介入開始から解決までの期間
   • 顧客維持に失敗した理由
   • 維持できたアカウントの長期的な継続率

クイックリファレンス

アクション	コマンド／トリガー
リスクスコアを確認する	「[Customer] の解約リスクを表示」
解約リスクのあるアカウントを一覧表示する	「リスクスコアが [X] を超えるアカウントを表示」
解約パターンを分析する	「[segment] 別に解約パターンを分析」
アラートを確認する	「今週の解約アラートを表示」
顧客維持計画を作成する	「[Customer] の介入計画を作成」
スコアの検証	「解約モデルの精度を検証」
コホート分析	「コホート別に継続率を分析」
シグナル分析	「解約の先行指標を特定」
傾向レポート	「リスクスコアの傾向を表示」
介入レポート	「顧客維持施策の結果をレポート」

ベストプラクティス

シグナルの選定

• 観測できる行動に重点を置く
• 実際の解約との相関を検証する
• 遅行指標ではなく先行指標を使う
• 複数の種類のシグナルを組み合わせる
• 予測力に応じて重み付けする

スコアリングモデル

• シンプルな状態から始め、徐々に複雑さを加える
• 過去のデータを使って重みを調整する
• ブラインドのホールドアウトテストで検証する
• 四半期ごとに再調整する
• 手法を文書化する

アラートの設計

• スコアが変わるたびにアラートを送らない
• 実行可能なしきい値に重点を置く
• アラートに背景情報を含める
• 適切な担当者に送る
• アラート疲れを防ぐ

介入

• 対策を提案する前に診断する
• 根本原因に合った介入方法を選ぶ
• 明確な成功基準を設定する
• 結果を厳密に追跡する
• 失敗から学ぶ

モデルのメンテナンス

• 精度を毎月確認する
• 新たな解約データで再トレーニングする
• 製品の変更に合わせて調整する
• 顧客基盤の変化に応じて更新する
• 偽陽性／偽陰性を文書化する

解約シグナルライブラリ

利用状況のシグナル

シグナル	計算方法	警告しきい値
ログイン数の減少	前週比の変化率	2 週以上にわたり -30%
DAU/MAU 比率	日間アクティブユーザー数 / 月間アクティブユーザー数	0.2 未満
機能の利用範囲	利用した機能数 / 利用可能な機能数	30% 未満
シート利用率	アクティブユーザー数 / ライセンス数	50% 未満
セッションの深さ	セッションあたりのアクション数	ベースラインを 40% 下回る

エンゲージメントのシグナル

シグナル	計算方法	警告しきい値
メールのエンゲージメント	開封率 × クリック率	5% 未満
会議への出席率	出席数 / 予定数	60% 未満
返信時間	返信までの平均日数	5 日超
QBR への参加状況	出席数 / 予定数	2 回以上連続で欠席
トレーニングの完了率	完了数 / 提供数	25% 未満

サポートのシグナル

シグナル	計算方法	警告しきい値
チケット数	チケット数 / 月	ベースラインの 3 倍
感情スコア	ネガティブな件数 / 総数	30% 超
エスカレーション率	エスカレーション数 / 総数	20% 超
解決への満足度	解決済みチケットの CSAT	3/5 未満
未解決チケットの経過日数	未解決期間の平均日数	7 日超

関係性のシグナル

シグナル	計算方法	警告しきい値
NPS の変化	現在値 - 前回値	3 ポイント以上の低下
ヘルススコア	複合スコア	60 未満
チャンピオンのリスク	チャンピオンの活動低下	ベースラインの 50% 未満
経営幹部との接点	四半期あたりの経営幹部との会議数	2 四半期以上 0 回
更新の確度	CSM による評価	70% 未満

リスクレポートのテンプレート

週次の要注意顧客サマリー

# Churn Risk Report: Week of [Date]

## Summary
- Accounts at elevated risk or above: [X]
- Total ARR at risk: $[Amount]
- New alerts this week: [X]
- Risk trending up: [X accounts]
- Risk trending down: [X accounts]

## Critical Risk (81-100)
| Account | ARR | Score | Key Signals | Owner | Action |
|---------|-----|-------|-------------|-------|--------|
| [Name] | $X | 87 | [Signals] | [CSM] | [Status] |

## High Risk (61-80)
[Same format]

## Elevated Risk (41-60)
[Same format]

## Interventions in Progress
| Account | Started | Intervention | Progress |
|---------|---------|--------------|----------|
| [Name] | [Date] | [Type] | [Status] |

## Outcomes This Week
- Saved: [X accounts, $ARR]
- Lost: [X accounts, $ARR, reasons]
- De-escalated: [X accounts]

危険信号

• モデルの過学習：トレーニングデータでは完璧でも、新しいデータでは精度が低い
• シグナルの遅れ：介入に間に合わないほど遅れて指標が反応する
• 誤検知による疲弊：実際のリスクではないアラートが多すぎる
• シグナルの欠落：重要な解約予測因子が追跡されていない
• スコアの不透明性：スコアが変化する理由をチームが理解できない
• 介入の不一致：異なる問題に同じプレイブックを適用する
• フィードバックループの欠如：解約防止の取り組みから学習できていない
• データ品質：基となるデータが欠落しているか、古くなっている

モデル検証指標

指標	測定内容	目標
正解率	予測全体のうち正しい割合	80% 以上
適合率	真陽性 / 予測した陽性の総数	70% 以上
再現率	真陽性 / 実際の解約の総数	85% 以上
リードタイム	高リスク判定から実際の解約までの日数	60 日以上
偽陽性率	誤警報 / 高リスクアラートの総数	30% 未満
解約防止率	解約を防止できた数 / 解約防止を試みた数	40% 以上
AUC-ROC	モデルの識別能力	0.75 以上