解約予測のトラブルシューティング
このページでは、解約予測のトレーニングおよびオーディエンスエラーを解決します。分析とモデル品質については、解約予測の分析を参照してください。
解約予測（およびすべての機械学習モデル）は、モデルに利用可能なデータと同程度の精度しか発揮できません。また、ワークスペースに十分なユーザーボリュームがあることにも依存しています。
まずはここから：症状を確認する
予測を作成する際に表示されるエラーメッセージ、警告、または結果を以下の表から見つけて、修正方法が記載されたセクションに移動してください。
| 症状 | 参照先 |
|---|---|
| 「トレーニングに十分なデータがありません」エラー | トレーニングに十分なデータがない |
| 「過去の非解約ユーザーが十分にいません」警告 | 予測対象ユーザーが少なすぎる |
| 予測対象ユーザーがサイズ上限を超えている | 予測対象ユーザーが大きすぎる |
| 予測品質が40%未満 | 予測品質が低い |
| データがモデルに適しているかわからない | データに関する考慮事項 |
標準的な調査パス
予測の構築に失敗した場合や、データまたはオーディエンス要件によってブロックされている場合は、このワークフローを使用してください。ステップ1から始めてください。
- 解約予測が会社で有効になっていること、およびワークスペースに十分な月間アクティブユーザー（MAU）があることを確認します。通常、単一のワークスペースで300,000 MAUが必要です。
- 解約の定義を確認します。フィルターが厳しすぎると、トレーニングに使用できる解約ユーザーの数が減少します。
- 予測対象ユーザーの定義を確認します。過去の非解約ユーザーが少なすぎると、モデルのトレーニングがブロックされます。
- カスタムイベント（カスタム属性のみではなく）が、解約リスクを示す高価値アクションをキャプチャしていることを確認します。
- 定義を広げてもエラーが解消しない場合は、Brazeサポートにお問い合わせください。
トレーニングに十分なデータがない
症状： 予測を作成する際に「トレーニングに十分なデータがありません」というエラーが表示されます。
このエラーは、解約の定義が厳しすぎて、解約ユーザーの数が少なすぎる場合に表示されます。
これを修正するには、日数を変更するか、解約を定義するアクションを変更してより多くのユーザーを取得するか、またはその両方を行ってください。AND/OR フィルターを正しく使用して、過度に制限的な定義を作成しないようにしてください。
解約予測は会社レベルで有効になっていますが、一部のワークスペースでは予測を作成するのに十分なユーザーがいない場合があります。通常、1つのワークスペースに300,000人の月間アクティブユーザーが必要です。
予測対象ユーザーのサイズに関する問題
症状：「予測を確実に構築するのに十分な過去の非解約ユーザーがいません」というメッセージが表示されます。
モデルのトレーニング対象となる用途を微調整するために予測対象ユーザーを構築する際、予測対象ユーザーのユーザー数が少なすぎることを通知するこのメッセージが表示される場合があります。
予測対象ユーザーの定義が厳しすぎると、過去のユーザーとアクティブユーザーの両方のプールが十分に確保できない可能性があります。これを修正するには、この定義で使用する日数や属性の種類を変更するか、解約を定義するアクションを変更するか、またはその両方を行ってください。
定義を変更しても予測対象ユーザーの問題が解決しない場合は、このオプション機能をサポートするのに十分なユーザー数がない可能性があります。追加のレイヤーやフィルターを使用せずに予測を構築してみてください。
予測対象ユーザーのサイズが大きすぎる
症状： 予測対象ユーザーの定義が許容される最大サイズを超えています。
予測対象ユーザーの定義は1億ユーザーを超えることはできません。オーディエンスが大きすぎるというメッセージが表示された場合は、オーディエンスにレイヤーを追加するか、基準となる期間を変更してください。
予測の品質が低い
症状：予測品質が39%以下です。
モデルの予測品質が40%以上であれば、良好な状態です。しかし、予測品質が39%以下に低下した場合は、解約の定義や予測対象ユーザーの定義をより具体的に編集するか、異なる時間枠を設定する必要があるかもしれません。
予測の定義を構築する際にオーディエンスサイズの要件を満たしつつ、40%を超える予測品質を達成することができない場合、Brazeに送信されているデータがこのユースケースに適していないか、モデルを構築するのに十分なユーザーがいないか、または製品のライフサイクルが現在サポートされている60日間のルックバックウィンドウよりも長い可能性があります。
データに関する考慮事項
以下は、解約予測を設定する際に自問すべき質問です。機械学習モデルはトレーニングに使用するデータと同程度の精度しか発揮できないため、適切なデータ衛生の実践を行い、モデルに入力されるものを理解することが大きな違いを生みます。
- リテンションとロイヤルティにつながる高価値アクションとは何ですか？
- これらの特定のアクションにマッピングされるカスタムイベントを設定しましたか？解約予測は、カスタム属性ではなく、カスタムイベントで動作します。
- 解約を定義する時間枠を考慮していますか？解約は、最大60日以内に発生するものとして定義できます。
- 休日など、非定型的なユーザー行動につながる時期を考慮しましたか？消費者行動の急激な変化は、予測に影響を与えます。