Skip to content

ユースケース:タイムリーなコンテンツのリエンゲージメントで解約防止

この例では、ある架空のブランドが解約予測を利用して、ユーザーの離脱を積極的に防止している様子を示している。解約が起こるのを待つのではなく、リスクのあるユーザーを予測し、そのユーザーがまだアクティブなうちに、カスタマイズしたメッセージを配信する。

カミラは、インディーズ映画、ドキュメンタリー、国際シリーズのストリーミングプラットフォームであるMovieCanonのCRMマネージャーだとしよう。

カミラのチームは、ユーザーが登録し、映画を1、2本ストリーミングした後、消えてしまうという厄介な傾向を発見した。歴史的には、1週間後に一般的な「We miss you」メールを送ろうとしてきたが、コンバージョン率はわずか3％であり、遅きに失した。ほとんどのユーザーは再エンゲージメントせず、解約は避けられなくなる。

カミラはそれを変えたいと思っている。解約が起こってから対応するのではなく、彼女は解約予測を使って14日以内にアクティブユーザーになりそうなユーザーを識別し、アクティブなうちに再エンゲージメントの機会を与えている。

このチュートリアルでは、カミラの使い方を説明する：

  • ユーザー行動に基づいて解約予測モデルを作成する。
  • リスクレベル別にユーザーをセグメンテーションする。
  • 最もリスクの高い人々に合わせ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効果を評価する。

ステップ 1: 解約予測モデルを作る

カミラはまず、避けたい結果、つまりユーザーが非アクティブになることをモデル化することから始める。MovieCanonの場合、解約予測は14日以内にストリームを開始しないことを意味する。

  1. Brazeのダッシュボードで、カミラは分析＞解約予測に進む。
  2. 彼女は新しい解約予測を作成し、それを「2週間後の解約リスク」と名付けた。
  3. 解約を定義するために、彼女はdo not 、アクティブ・エンゲージメントを示すカスタムイベントstream_started を選択する。
  4. 彼女は予測ウィンドウを14日間に設定している。つまり、モデルは新しいストリームを開始せずに14日間を過ごす可能性が高いユーザーを識別する。

!過去14日間にカスタムイベント（”stream_started” ）を実行しなかったユーザーとして定義された解約を示す解約定義。

  1. 彼女は、過去30日間に関連するイベントをトリガーしたすべてのユーザーを含む予測対象ユーザーを選択し、モデルが学習するのに十分な最近の行動を与える。
  2. 彼女は予測更新スケジュールを毎週設定し、スコアが常に最新の状態に保たれるようにしている。
  3. 彼女は予測を作成するを選択した。

その後、モデルはトレーニングを開始し、最近のセッション、視聴頻度、コンテンツとのインタラクションなどの行動を分析し、離脱を予測するパターンを浮かび上がらせる。カミラは1時間後に予測がトレーニングを終えたというメールを受け取り、Brazeで開封して予測の品質スコアをチェックする。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ち、彼女は次に進む。

ステップ 2: ユーザーを解約リスクでセグメンテーションする。

モデルのトレーニングが終了すると、Brazeは対象となる各ユーザーに0～100の間で解約リスクスコアを割り当てる。

ターゲティングの開始しきい値を決定するために、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の数と、そのレベルでの予測の精度をプレビューする。彼女は、予想される真陽性に基づいて、カバー率と精度のバランスをとっている。これに基づき、彼女は70点以上のリスクスコアを目標にすることにした。

  1. カミラはBrazeのセグメンテーションにナビゲートする。
  2. 彼女は解約リスクスコアフィルターを使って セグメンテーションを作成し、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

!解約リスクスコアが70以上のユーザーをセグメンテーションする。

ステップ 3: リスクのあるユーザーを対象に、定期的にリエンゲージメントコンテンツを提供する。

予測とセグメンテーションの準備ができたので、カミラは毎週リスクにさらされるユーザーに自動的にリーチする定期キャンペーンを設定する。

  1. カミラは定期的なキャンペーンを作成し、インテリジェントタイミングを有効にすることで、各メッセージは固定された曜日と時間に依存するのではなく、個々の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配信される。
  2. 彼女は、今作ったばかりの「解約しそうな」セグメンテーションをターゲットにしている。
  3. 彼女は、キャンペーン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、何人のユーザーが実際にコンテンツを閲覧するために戻ってきたかを追跡している。
  4. カミラはメールを主要チャネルとして選んでいる。視覚的にリッチなフォーマットで、パーソナライズされた複数のコンテンツピックを無理なく強調できるスペースがあるからだ。メールにはこう書かれている：

これにより、MovieCanonは毎週、後押しが必要なユーザーだけにリーチすることができる。

メールの例

  • 件名はこうだ：これらのタイトルを放置してはいけない
  • ヘッダー:次の素晴らしい時計が待っている
  • Body:しばらくプレーしていないのか？ご心配なく-私たちはあなたのためにいくつかのピックを並べた。スローバーンなスリラーから受賞歴のあるドキュメンタリーまで、あなたの名前を冠した作品がここにある。
  • CTAだ：ピックをもっと見る

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をチェックし、戦略のパフォーマンスを評価する。

彼女は見ている：

  • 開封率:31%
  • クリック率である：15%
  • コンバージョン率（48時間以内にストリームを開始）：11%

旧来の「We miss you」キャンペーン（コンバージョン率は3％前後だった）と比べ、この新しいフローはターゲットグループの解約防止を28％削減した。彼女はファネルレポートを掘り下げて、ユーザーがどこで脱落したかを突き止める。開封率とクリック率は好調だが、クリックとコンバージョンの間にわずかな摩擦があることに気づき、CTAコピーのテストやレイアウトの実験を検討するよう促している。

長期的な影響を理解するために、カミラは「解約する可能性が高い」セグメンテーションに入るユーザーの量も週ごとにトラッキング追跡している。これは、彼女がライフサイクル全体の健全性を評価し、より広いレベルでリテンション戦略に反映させるのに役立つ。最後に、彼女は解約予測の予測分析ページを再度訪れ、予測された解約者と実際の解約者を比較し、モデルが期待通りのパフォーマンスであることを確認する。

これらのインサイトに基づいて、カミラは件名をA/Bテストし、異なるタイミングウィンドウをテストし、アプリ内メッセージでカルーセルスタイルのレコメンデーションのようなコンテンツフォーマットを実験する予定である。

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って、カミラのチームは解約に対応するだけでなく、解約を先取りしている。そして、彼女のキャンペーンはバックグラウンドで静かに進行し、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ようなコンテンツを届ける。
Github   GitHub でこのページを編集
New Stuff!