ユースケース:適切なタイミングでコンテンツのエンゲージメントを再提供し、解約防止を行う

この例は、架空のブランドが解約予測を活用して、ユーザーの離脱を事前に減らす方法を示している。顧客離れの発生を待つのではなく、離脱リスクのあるユーザーを予測し、彼らがまだアクティブユーザーであるうちに個別対応したメッセージを届けるのだ。

カミラは、インディーズ映画やドキュメンタリー、国際的なシリーズを配信するプラットフォーム「MovieCanon」のCRMマネージャーだ。

カミラのチームは気になる傾向を発見した。ユーザーは登録し、映画を1、2本ストリーミングすると、その後姿を消すのだ。これまで、彼らは一週間後に「あなたがいなくて寂しいです」という定型メールを送る試みをしてきた。しかし、コンバージョン率はわずか3％で、手遅れすぎる。ほとんどのユーザーはエンゲージメントせず、離脱は避けられない。

カミラはそれを変えたいと思っている。顧客離脱が発生してから対応するのではなく、彼女は解約予測を活用して、今後14日以内に非アクティブ化する可能性が高いユーザーを識別する。これにより、チームはユーザーがまだアクティブなうちに再エンゲージメントを図る機会を得られるのだ。

このチュートリアルでは、カミラがどのように行うかを説明する。

• ユーザー行動に基づいて解約予測モデルを作成する
• ユーザーをリスクレベルでセグメントする
• 最もリスクの高い層向けにカスタマイズされた再エンゲージメントキャンペーンを構築する
• キャンペーン分析を用いて影響を評価する

ステップ 1: 解約予測モデルを作成する

カミラはまず、避けたい結果——ユーザーが非アクティブになること——をモデル化する。MovieCanonにとって、解約とは14日以内にストリーミングを開始しないことを意味する。つまり、彼女が予測したいのはこの行動だ。

1. Brazeのダッシュボードで、カミラは分析＞解約予測に移動する。
2. 彼女は新たな解約予測を作成し、「2週間後の解約リスク」と名付けた。
3. チャーンを定義するため、彼女は とカスタムイベントdo not を選択する。これはアクティブなstream_startedエンゲージメントを示すものである。
4. 彼女は予測期間を14日間に設定した。つまり、このモデルは14日間新しいストリームを開始しない可能性が高いユーザーを識別する。

5. 彼女は予測対象ユーザーとして、過去30日間に該当するイベントをトリガーした全ユーザーを含むように選択する。これによりモデルは学習に十分な最近の行動データを得られる。
6. 彼女は予測の更新スケジュールを週次設定し、スコアを最新の状態に保つ。
7. 彼女は「予測を作成」を選択する。

モデルはその後、トレーニングを開始する。最近のセッションや閲覧頻度、コンテンツとのインタラクションといった行動を分析し、離脱を予測するパターンを抽出する。カミラは1時間後に、予測モデルのトレーニングが完了したというメールを受け取った。彼女はBrazeでそのメールを開封し、予測の品質スコアを確認した。「良好」と表示されている。これはモデルの予測が正確で信頼できる可能性が高いことを意味する。モデルのパフォーマンスに自信を持って、彼女は先に進む。

ステップ 2:ユーザーを解約リスクでセグメント化する

モデルがトレーニングを終えると、Brazeは対象となる各ユーザーに0から100までの解約リスクスコアを割り当てる。

ターゲティングの開始閾値を決定するため、カミラは予測対象ユーザースライダーを使用する。これにより、各スコア範囲に該当するユーザー数と、そのレベルでの予測精度をプレビューできる。彼女は真陽性率を基に、検出範囲と精度をバランスさせている。これに基づき、彼女はリスクスコアが70を超える者を対象にすると決めた。

1. カミラはBrazeのセグメントに移動する。
2. 彼女は解約リスクスコアのフィルターを使ってセグメントを作成し、自身が作成した解約予測を選択する：
   • 解約する可能性が高い：70点以上を取る

ステップ 3:リスクのあるユーザーを対象に、繰り返しエンゲージメントを促すコンテンツを提供する

カミラは予測とセグメントを準備し、毎週リスク状態になるユーザーに自動的に届く定期的なキャンペーンを設定した。

1. カミラは繰り返しキャンペーンを作成し、インテリジェントタイミングをイネーブルメントした。これにより、固定の日時ではなく、各ユーザーが最もエンゲージメントする可能性が高いタイミングでメッセージが配信される。
2. 彼女は先ほど作成した「離反の可能性が高い」セグメントをターゲットにする。
3. 彼女はキャンペーンコンバージョンイベントをカスタムイベントに設定stream_startedし、実際にコンテンツを閲覧するために戻ってくるユーザー数をトラッキングする。
4. カミラはメールを主なチャネルとして選ぶ。メールなら、視覚的に豊かな形式で複数のパーソナライズされたコンテンツを強調できる余地があり、過度なプレッシャーもかからないからだ。メールには以下が含まれている：
   • AIアイテム推薦機能によるパーソナライズされたウォッチリスト。MovieCanonのカタログからダイナミックに選択される。
   • ユーザーを直接アプリに誘導するアクション。

これにより、毎週、MovieCanonは必要なユーザーだけに届く。過剰なメッセージングも、当てずっぽうな推測も一切ない。

例メール

• 件名：これらのタイトルを宙ぶらりんにしておくのはやめろ
• ヘッダー:次の素晴らしい時計が待っている
• Body:しばらく再生ボタンを押してないのか？心配ないさ——君のためにいくつか選んでおいた。スローバーンのスリラーから受賞歴のあるドキュメンタリーまで、君にぴったりの作品がここにある。
• CTA:もっと見る

ステップ 4: パフォーマンスを測定する

数週間後、カミラはキャンペーンの分析データを確認し、戦略のパフォーマンスを評価する。

彼女は見る：

• 開封率:31%
• クリック率：15%
• コンバージョン率（48時間以内に配信を開始した割合）:11%

従来の「あなたがいなくて寂しい」キャンペーン（コンバージョン率が3％前後だった）と比べて、この新しいフローは対象グループの解約防止に28％貢献する。彼女は漏斗レポートを掘り下げて、ユーザーが離脱する箇所を特定する。開封率とクリック率は高いものの、クリックからコンバージョンへの移行にわずかな摩擦があることに気づいた。そのため、CTAコピーのテストやレイアウトの変更を検討している。

長期的な影響を理解するため、カミラは「解約の可能性が高い」セグメントに入るユーザー数を週単位でトラッキングしている。これにより、彼女はライフサイクル全体の健全性を評価し、より広範なレベルでリテンション戦略を策定するのに役立つ。最後に、彼女は解約予測の予測分析ページを再確認し、予測された解約者と実際の解約者を比較する。これはモデルが期待通りにパフォーマンスを発揮しているかを確認する有用な手段だ。

これらのインサイトに基づき、カミラは件名のABテストを実施し、異なる送信タイミングを検証し、アプリ内メッセージにおけるカルーセル形式のおすすめコンテンツといったフォーマットを実験する予定だ。

解約予測、インテリジェントタイミング、AIを活用したパーソナライゼーションにより、カミラのチームは解約にただ対応しているだけではない。むしろ先回りして対応しているのだ。彼女のキャンペーンは静かにバックグラウンドで進行し、適切な人々に、適切なタイミングで、彼らが実際に興味を持つコンテンツを届けている。