解約予測を作成する

Braze ダッシュボード内で解約予測を作成する方法について説明します。

ステップ 1: 新しい予測を作成する

Braze で、[分析] > [解約予測] に移動します。

予測は、訓練された機械学習モデルとそれが使用するすべてのパラメーターとデータの 1 つのインスタンスです。このページには、現在アクティブな予測のリストと、それらに関する基本情報が表示されます。ここでは、名前の変更、アーカイブ、および新しい予測の作成を行えます。アーカイブされた予測は非アクティブであり、ユーザースコアは更新されません。

新しい予測を作成するには、[予測を作成] を選択し、新しい [解約予測] を選択します。

[基本情報] ページで、新しい予測に一意の名前を付けます。また、オプションの説明を指定して、この特定の予測に関するメモを記すこともできます。

「次へ」を選択して次のステップに進みます。オプションで「今すぐビルド」を選択すると、すべてのデフォルト設定を使用して作成の最終ステップにスキップできます。ビルドプロセスを開始する前に設定を確認できます。進捗トラッカーで選択すれば、後からどのステップにも戻れます。

ステップ 2:解約の定義

[解約の定義] パネルで、提供されたフィルターを使用して貴社にとってのユーザー解約とは何かを定義します。つまり、ユーザーがどのような時間枠で何をした場合に「解約した」とみなされるかをここで定義します。

ここで、解約の前にどのような行動があったかを説明する必要はないということに注意してください。ユーザーが解約ユーザーに変わるために必要なものだけを指定します。これは、ユーザーが特定のアクションを 1 回行う（「行う」）か、やめる（「行わない」）と解約とみなす、という考え方です。たとえば、7 日以内にアプリを開いていないユーザーを解約することがあります。アンインストール、購読解除、アカウントの無効化などのカスタムイベントによってユーザーを解約することも考えられます。

チャーン期間

解約ウィンドウとは、ユーザーの活動が解約の条件を満たす期間を指す。利用可能なデータに応じて、最大60日間まで設定できる。このウィンドウは、予測のトレーニングのために履歴データを取得するために使用される。予測モデルが構築されたら、正確な結果を得るのに十分なデータがあったかどうかがわかる。

予測が構築されユーザーがスコアを受け取った後、_解約リスクスコア_は、設定した解約期間内にユーザーが解約する可能性を示している。

ここでは、過去 7 日間の離脱セッションに基づく単純な定義の例を示します。

この場合、「行わない」と「セッションを開始する」を選択します。他のフィルターを AND および OR と組み合わせて、必要な定義を作成できます。考慮に値する潜在的な解約の定義をいくつか見てみましょう。次のセクションでは、サンプル解約定義 のインスピレーションをいくつか示します。

定義の下には、利用可能なユーザー数（定義に基づいて過去に解約したユーザーと解約しなかったユーザー）の見積もりが表示されます。必要な最小値も表示されます。予測を構築するには、履歴データで利用可能なユーザー数がこの最小要件を満たしている必要があり、これにより予測が学習に必要な十分なデータを確保できます。

ステップ 3:予測オーディエンスをフィルタリングする

予測対象ユーザーとは、解約リスクを予測したいユーザー群を指す。予測対象ユーザーは、機械学習モデルが過去のデータから学習するために参照するユーザー群を定義する。デフォルトでは、これは「全ユーザー」に設定されている。つまり、この予測はアクティブユーザーに対して離反リスクスコアを生成する（解約予測モデルにおける「アクティブユーザー」の定義については前の注記を参照のこと）。

ユースケースによっては、モデルの評価対象となるユーザーを指定するためにフィルターを使用したい場合がある。これを行うには、自分の予測オーディエンスを定義を選択し、オーディエンスフィルタを選択します。例えば、ライドシェアアプリでドライバーと乗客がユーザー群にいる場合、乗客向けの解約予測モデルを構築する際には、予測対象ユーザーを乗客だけに絞り込む必要がある。多くのユースケースでは、特定の予測対象ユーザーを選択する必要がないことを覚えておけ。例えば、EU地域のユーザーで解約する可能性が最も高い層をターゲットとするユースケースの場合、まず全ユーザーに対してモデルを実行し、その後キャンペーンのセグメントにEU地域のフィルターを追加するだけでよい。

Brazeは予測対象ユーザー数の推定値を表示する。オーディエンスを指定した場合、モデルを実行するための最低要件を満たさないときは、より広いフィルターを指定するか、全ユーザーオプションを使用してみよ。「全ユーザー」グループの規模は固定ではなく、モデルごとに異なることに注意せよ。これは顧客離脱の定義を考慮しているためだ。例えば、顧客離脱の定義を「30日間購入しないこと」とすると、この場合Brazeは過去30日間に購入したユーザーに対してモデルを実行する（そして今後30日間で購入しない可能性を予測する）。したがって「全ユーザー」指標に反映されるのはそうしたユーザーである。

予測期間が 14 日以下の場合、「最後に…」で始まるフィルター（例：「最後に使用したアプリ」「最後に購入した商品」）の時間枠は、解約定義で指定した解約ウィンドウを超えることはできません。たとえば、解約定義のウィンドウが 14 日の場合は、「最後に…」フィルターの時間枠も 14 日以内に設定する必要があります。

解約ウィンドウは、モデルが最後に実行された日からさかのぼって日数で評価されます。たとえば、解約ウィンドウが 15 日で、モデルが最後に 12 月 1 日に実行された場合、モデルは 11 月 16 日から 11 月 30 日までの期間を分析し、オーディエンスの適格性とトレーニング用のユーザー行動を把握します。

フルフィルターモード

新しい予測をすぐに構築するには、Braze のセグメンテーションフィルターの一部のみがサポートされています。フルフィルターモードではすべての Braze フィルターを使用できますが、予測を構築するには 1 回分の解約ウィンドウのデータ収集が必要です。たとえば、チャーン期間が 15 日に設定されている場合、フルフィルターモードでのみサポートされるフィルターを使用すると、ユーザーデータの収集と予測の作成に 15 日かかります。 また、フルフィルターモードでは、オーディエンスのサイズに関する一部の見積もりが利用できなくなります。

予測オーディエンス定義のサンプルリストについては、 サンプル解約定義 の次のセクションでサンプル定義を確認してください。

前のページと同様に、下部のパネルには、解約定義と予測オーディエンス定義に起因するヒストリックユーザーの推定数が表示されます。これらの見積もりは、予測を作成するために表示される最小要件を満たす必要があります。

ステップ 4:解約予測の更新頻度の選択

機械学習モデルはユーザーごとにイベント発生確率スコアを生成する。それらのスコアは、ここで選択したスケジュールに基づいて更新される。イベント発生可能性スコアに基づいてユーザーをターゲティングできるようになる。

役立つ更新の最大頻度を選択します。たとえば、ユーザーの解約を防ぐために週次プロモーションを送信する場合は、更新頻度を週次に設定します。

ステップ 5: 予測を作成する

指定した内容を確認し、予測をビルドを選択します。下書きとして保存を選択すると、変更を下書きとして保存してこのページに戻り、後でモデルをビルドできます。予測をビルドを選択すると、モデルを生成するプロセスが開始されます。データの量によっては、30 分から数時間かかる場合があります。この予測では、モデル構築プロセスが進行中である間、トレーニングが実施中であることを説明するページが表示される。Brazeモデルはカスタムイベント、購入イベント、キャンペーンインタラクションイベント、セッションデータを考慮に入れる。

処理が完了すると、ページは自動的に分析画面に切り替わる。また、予測と結果の準備ができたことを知らせるメールも届く。エラーが発生した場合、ページは編集モードに戻り、何が間違っていたかが説明されます。

予測は再学習（リトレーニング）され、2 週間ごとに自動的に更新されます。これにより、最新の利用可能なデータが反映されます。これは、ユーザーの解約リスクスコア（予測の出力）が更新されるプロセスとは異なります。解約リスクスコアの更新は、ステップ 4 で選択した更新頻度に従います。

サンプル解約と予測オーディエンスの定義

解約の定義例

• 7 日以内に、カスタムイベント「購読のキャンセル」を実行する
  
• 30 日以内に、カスタムイベント「トライアルの期限切れ」を実行する
  
• “1 日以内にアンインストールを行います。”
  
• ” 14日以内に購入を行わない。”
  

説明した解約の定義には、対応する予測オーディエンスの定義があるかもしれません。

• 2 週間以上前に購読を開始した OR 2 週間未満前に購読を開始した
  この場合、2 つの予測を作成し、長期購読者とは異なる方法で新しい購読者にメッセージを送信できます。これは「30 日以上前に最初の購入を行った」として定義することもできます。
  
• アンインストーラー
  過去に何かを購入したことがあるか、最近アプリを使用したことがある顧客に焦点を当てるかもしれません。
  
• 購入しないリスクのあるユーザーを解約の定義とする
  最近、閲覧や検索、あるいはアプリとのエンゲージメントがより活発な顧客に焦点を当てるといいだろう。割引による適切な介入によって、エンゲージの度合いが比較的高いこのグループが解約するのを防ぐことができます。

アーカイブ済み予測

アーカイブされた予測では、ユーザースコアの更新が停止します。アーカイブされていない予測は、事前に設定したスケジュールでユーザースコアを更新し続けます。アーカイブされた予測は削除されず、リストに残ります。