ユースケース：適切なタイミングでコンテンツの再エンゲージメントを行い、解約を防止する
この例は、架空のブランドがPredictive Churn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ます。解約の発生を待つのではなく、リスクのあるユーザーを予測し、まだアクティブなうちにカスタマイズされたメッセージを届けます。
カミラは、インディーズ映画やドキュメンタリー、海外シリーズを配信するストリーミングプラットフォーム「MovieCanon」のCRMマネージャーです。
カミラのチームは気になる傾向を発見しました。ユーザーは登録して映画を1、2本ストリーミングした後、姿を消してしまうのです。これまでは1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っていましたが、コンバージョン率はわずか3%で、対応が遅すぎました。ほとんどのユーザーは再エンゲージメントせず、解約は避けられないものとなっていました。
カミラはこの状況を変えたいと考えています。解約が発生してから対応するのではなく、Predictive Churnを活用して今後14日以内に非アクティブになる可能性が高いユーザーを特定します。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ます。
このチュートリアルでは、カミラが以下をどのように行うかを説明します。
- ユーザー行動に基づいた解約予測モデルの作成
- リスクレベルによるユーザーのセグメント化
- 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Campaignの構築
- Campaign分析を用いた効果の評価
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——をモデル化するところから始めます。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します。つまり、彼女が予測したいのはこの行動です。
- Brazeダッシュボードで、カミラはAnalytics > Predictive Churnに移動します。
- 新しい解約予測を作成し、「2週間後の解約リスク」と名付けます。
- チャーン定義として、
do notとカスタムイベントstream_startedを選択します。これはアクティブなエンゲージメントを示すイベントです。 - 予測期間を14日間に設定します。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特定します。
- 予測対象ユーザーとして、過去30日間に関連イベントをトリガーした全ユーザーを含むように選択します。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ます。
- 予測の更新スケジュールを週次に設定し、スコアを最新の状態に保ちます。
- Create predictionを選択します。
モデルはトレーニングを開始し、最近のセッションや視聴頻度、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て、離脱を予測するパターンを抽出します。1時間後、カミラは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ります。Brazeで開いて予測の品質スコアを確認すると、「Good」と表示されています。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します。モデルのパフォーマンスに自信を持ち、次のステップに進みます。
ステップ 2：ユーザーを解約リスクでセグメント化する
モデルのトレーニングが完了すると、Brazeは対象となる各ユーザーに0〜100の解約リスクスコアを割り当てます。
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して、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します。期待される真陽性率に基づいて、カバレッジと精度のバランスを取ります。これに基づき、リスクスコアが70を超えるユーザーをターゲットにすることを決めました。
- カミラはBrazeのSegmentsに移動します。
- 解約リスクスコアフィルターを使ってSegmentを作成し、自身が作成した解約予測を選択します。
- 解約の可能性が高い： スコアが70を超える
ステップ 3：リスクのあるユーザーに定期的な再エンゲージメントコンテンツを配信する
予測とSegmentの準備ができたら、カミラは毎週リスク状態になるユーザーに自動的に届く定期Campaignを設定します。
- カミラは定期Campaignを作成し、インテリジェントタイミングを有効にします。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しやすいタイミングでメッセージが配信されます。
- 先ほど作成した「解約の可能性が高い」Segmentをターゲットにします。
- Campaignのコンバージョンイベントをカスタムイベント
stream_startedに設定し、実際にコンテンツを視聴するために戻ってきたユーザー数をトラッキングします。 - カミラはメールを主要チャネルとして選択します。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紹介でき、過度なプレッシャーもかかりません。メールには以下が含まれます。
- AI Item Recommendations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ます。
- ユーザーを直接アプリに誘導するコールトゥアクション。
これにより、毎週MovieCanonはリマインドが必要なユーザーだけにリーチできます。過剰なメッセージングも、当てずっぽうな推測もありません。
メールの例
- 件名： これらのタイトルを見逃さないで
- ヘッダー： 次の素晴らしい作品があなたを待っています
- 本文： しばらく再生ボタンを押していませんか？ご心配なく——あなたのためにいくつかピックアップしておきました。じわじわ引き込まれるスリラーから受賞歴のあるドキュメンタリーまで、あなたにぴったりの作品がここにあります。
- 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Campaign分析を確認し、戦略のパフォーマンスを評価します。
結果は以下の通りです。
- 開封率： 31%
- クリック率： 15%
- コンバージョン率（48時間以内にストリーミングを開始した割合）：11%
従来の「あなたがいなくて寂しいです」Campaign（コンバージョン率が約3%だった）と比較して、この新しいフローは対象グループの解約を28%削減しています。カミラはファネルレポートを掘り下げて、ユーザーが離脱するポイントを特定します。開封率とクリック率は好調ですが、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きました。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ます。
長期的な影響を把握するため、カミラは「解約の可能性が高い」Segmentに入るユーザー数を週単位でトラッキングしています。これにより、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てています。最後に、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します。これはモデルが期待通りに機能しているかを確認するための有用なチェックです。
これらのインサイトに基づき、カミラは件名のA/Bテストを実施し、異なるタイミングウィンドウを検証し、アプリ内メッセージでの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試す予定です。
Predictive Churn、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するだけでなく、先回りして対策を講じています。Campaignはバックグラウンドで静かに稼働し、適切な人々に、適切なタイミングで、彼らが実際に関心を持つコンテンツを届けています。