予測分析

予測が構築され、トレーニングされると、予測分析ページにアクセスできるようになる。このページは、Churn Risk Score（解約リスクスコア）やカテゴリーに基づいて、どのユーザーをターゲットにすべきかを決めるのに役立つ。

予測がトレーニングされ、このページが入力されるとすぐに、セグメントやキャンペーンでフィルターを使うだけで、モデルの出力を使い始めることができる。しかし、誰をターゲットにするのか、なぜターゲットにするのかを決める手助けが欲しいのであれば、このページがモデルの歴史的正確さとあなた自身のビジネス目標に基づいて手助けしてくれるだろう。

アナリティクス・コンポーネント
- 解約スコアとカテゴリー
- 予測の質
- 推定結果
- 解約相関表

概要

予想者全体の得点分布は、ページ上部にチャートで表示され、カテゴリー別または得点別に見ることができる。さらに右側のビンにいるユーザーはスコアが高く、解約する可能性が高い。左側にあるビンのユーザーは、解約する可能性が低い。チャートの下にあるスライダーでユーザーの範囲を選択し、選択した_解約リスクスコア_またはカテゴリの範囲のユーザーをターゲットにした場合の結果を見積もることができる。

スライダーを動かすと、下パネルの左半分にあるバーが、予測対象者全体のうち何人のユーザーをターゲットにするかを知らせてくれる。

解約スコアとカテゴリー

予測対象のユーザーには、0から100の間で_解約リスク・スコアが_割り当てられる。スコアが高ければ高いほど、解約の可能性は高くなる。

• スコアが0から50のユーザーは、_「低リスク」_カテゴリーに分類される。
• スコアが50から75、75から100のユーザーは、それぞれ_「中リスク_」と「_高リスク」の_カテゴリーに分類される。

得点と対応するカテゴリーは、モデル作成ページで選択したスケジュールに従って更新される。20の等しい大きさのバケツにそれぞれ解約スコアを持つユーザー数が、ページ上部のグラフに表示されている。この予測によって、母集団全体の解約リスクがどのようになるかを判断することができる。

ユーザーをターゲットにして解約を減らす

予測品質

モデルの精度を測定するために、_Prediction Quality_指標は、過去のデータでテストしたときに、この特定の機械学習モデルがどの程度効果的であるかを示す。指標についての詳細は「予測品質」を参照されたい。

以下は、様々な_予測クオリティの_範囲に対して我々が推奨するものである：

予測品質範囲(%)	推薦
60 - 100	素晴らしい。トップクラスの精度だ。観客の定義を変えても、新たなメリットが得られるとは思えない。
40 - 60	良いことだ。このモデルは正確な予測を行うが、観客の設定を変えてみると、さらに良い結果が得られるかもしれない。
20 - 40	フェアだ。このモデルは、正確さと価値を提供することができるが、パフォーマンスが向上するかどうかを確認するために、異なる視聴者定義を試してみることを検討する。
0 - 20	貧しい。視聴者定義を変更して、もう一度試してみることをお勧めする。

予測は2週間ごとに再度トレーニングされ、予測品質指標とともに更新されるため、予測は最新のユーザー行動パターンに更新され続ける。この再トレーニングが最後に行われた時刻は、予測リストページと予測のアナリティクスページに表示される。

推定結果

グラフの下のパネルの右半分には、予測視聴者のこの範囲をターゲットにした場合の期待精度の推定値を示している。過去の予測オーディエンスのユーザーに関するデータと、その過去のデータに対する解約ユーザーと非解約ユーザーを識別するモデルの見かけの精度に基づき、これらのプログレスバーは、スライダーで強調表示されたオーディエンスを使用した将来の潜在的なメッセージの推定を行う：

1. 実際の解約者のうち、どれだけが正しいターゲットになるかの見積もり
   
   もちろん、私たちは未来を完璧に知っているわけではないので、予測視聴者のどのユーザーが将来解約するのか正確にはわからない。しかし、この予測は信頼できる推論である。過去の実績に基づいて、このプログレスバーは、予測オーディエンスで予想される（過去の解約率に基づく）「実際の」または「真の」解約者のうち、現在のターゲティング選択でターゲットにされる人の数を示している。余計なメッセージングや変わったメッセージングをしなければ、この数のユーザーは解約すると予想される。
   
   

2. 実際には解約していないはずのユーザーのうち、どれだけが誤ったターゲットになるかを推定する。
   
   すべての機械学習モデルは誤りを犯す。選択したユーザーの中に、_解約リスク・スコアが_高くても解約に至らないユーザーがいるかもしれない。あなたが何もしなくても、彼らは解約しないだろう。いずれにせよ標的にされるのだから、これはエラー、あるいは “偽陽性 “である。この2番目のプログレスバーの全幅は、解約しないユーザーの予想数を表し、塗りつぶされた部分は、現在のスライダーの位置でターゲットとして間違っているユーザーである。

この情報をもとに、どれだけの解約者を捕捉したいのか、また誤検知のコストはどれくらいなのかを決めることをお勧めする。価値のあるプロモを送るのであれば、ターゲットとする非回転者を最小限に抑える一方で、モデルが許す限り、期待される真の解約者を獲得したいと思うかもしれない。あるいは、誤検知にあまり敏感でなく、ユーザーが余分なメッセージを受け取る場合は、より多くのオーディエンスにメッセージを送り、より多くの解約予定者を捕捉し、エラーの可能性が高いものを無視することができる。

解約相関表

この分析では、過去の予測対象においてユーザー離脱と相関のあるユーザー属性や行動が表示される。表はそれぞれ、解約の可能性が高い方を左、低い方を右に分けている。各行について、左の列の行動や属性を持つユーザーが解約する可能性が高いか低いかの比率が右の列に表示される。この数値は、この行動や属性を持つユーザーの解約可能性を、予測対象者全体の解約可能性で割った比率である。

このテーブルは、予測が再トレーニングされるときにのみ更新され、ユーザーの_解約リスク・スコアが_更新されるときには更新されない。