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、Analytics > Predictive Churn に移動します。

予測は、トレーニング済みの機械学習モデルと、それが使用するすべてのパラメーターおよびデータの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。

進む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作成を選択すると、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する機会があります。進捗トラッカーでステップを選択すれば、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

チャーン定義パネルで、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の定義を指定します。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」とみなすかをここで定義します。

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ありません。ユーザーが解約ユーザーになるために何が必要かだけを指定します。これは、ユーザーが特定のアクションを1回行う（do）か、やめる（do not）と解約とみなす、という考え方です。たとえば、7日間アプリを開いていないユーザーを解約とみなすことができます。アンインストール、購読解除や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が解約とみなされるケースも考えられます。

チャーン期間

チャーン期間とは、ユーザーの活動が解約の条件を満たす期間を指します。利用可能なデータに応じて、最大60日間まで設定できます。この期間は、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ます。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ります。

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、設定したチャーン期間内にユーザーが解約する可能性を示します。

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、do not と start a session 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に興味がありますか？次のセクションのサンプル解約定義でインスピレーションを得ることができます。

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。Brazeが予測を構築するには、履歴データでこの最小数のユーザーが利用可能である必要があり、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: 予測対象ユーザー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します。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します。デフォルトでは、これはすべてのユーザーに設定されています。つまり、この予測はすべてのアクティブユーザーに対して解約リスクスコアを生成します（解約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述の注記を参照してください）。

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ります。これを行うには、独自の予測対象ユーザーを定義するを選択し、オーディエンスフィルターを選択します。たとえば、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ります。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いてください。たとえば、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CampaignのSegmentにてEU地域のフィルターを追加するだけで対応できます。

Brazeは予測対象ユーザー数の推定サイズを表示します。オーディエンスを指定した場合に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、すべてのユーザーオプションを使用してみてください。「すべてのユーザー」グループのサイズは固定ではなく、モデルごとに異なることに注意してください。これは解約定義を考慮しているためです。たとえば、解約定義を30日間セッションを開始しないこととした場合、Brazeは過去30日間にセッションを開始したユーザーに対してモデルを実行し（そして今後30日間でセッションを開始しない可能性を予測し）、「すべてのユーザー」指標に反映されるのはそうしたユーザーです。

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」「最後に注文した日」）の時間枠は、解約定義で指定したチャーン期間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。

チャーン期間は、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、チャーン期間が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回分のチャーン期間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、次のセクションのサンプル解約定義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基づく過去の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を選択する

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し、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ます。イベント発生確率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ります。

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、希望の曜日と時刻を選択します。

ステップ 5: 予測を作成する

指定した内容が正しいことを確認し、予測を作成を選択します。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。予測を作成を選択すると、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ます。Brazeモデルはカスタムイベント、購入イベント、eコマースイベント、Campaign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ます。

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ります。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きます。エラーが発生した場合、ページは編集モードに戻り、何が問題だったかの説明が表示されます。

予測は2週間ごとに自動的に再構築（リトレーニング）され、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）が生成されるプロセスとは別のものです。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う」
  
• 「14日以内に注文を行わない」
  

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、または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日以上前に最初の注文を行った」として定義することもできます。
  
• アンインストーラー
  最近購入したことがある、または最近アプリを使用した顧客に焦点を当てるとよいでしょう。
  
• 注文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よいでしょう。適切な割引による介入によって、エンゲージメント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。アーカイブを解除された予測は、事前に設定したスケジュールでユーザースコアの更新を再開します。アーカイブされた予測は削除されず、リストに残ります。