Predicting Customer Churn in Telecom Services Using Machine Learning

通信業界において、企業の健全性は単にどれだけ多くの新規加入者が増えたかではなく、どれだけの人が継続して利用しているかによって測定されます。月額制のサブスクリプションに依存する企業にとって、顧客を失うことは二重の打撃となります。その人の即時的な収入を失うだけでなく、代わりの顧客を見つけるために多額の費用を投じなければならないからです。新規加入者を獲得することは既存の顧客を維持することよりもはるかにコストがかかるため、「誰が離脱しようとしているのか」を予測する能力は極めて重要なビジネススキルとなっています。従来、企業は多くの場合、サービスが解約された後に初めて顧客が去ったことを知りましたが、その時点では介入するには遅すぎました。現代のデータ分析の目標は、離脱に対して「反応する」ことから、顧客の行動に関する過去の記録を用いて、契約が破棄される前に警告サインを察知し、「予測する」ことへと移行することです。

インドのハイデラバードにあるチャイタニヤ・バラティ国立研究所の2人の研究者は、顧客が実際に離脱する前に、離脱のリスクがある顧客を特定するように設計されたシステムを構築することで、この課題に取り組んできました。彼らの研究は「機械学習を用いた通信サービスにおける顧客離脱（チャーン）の予測」と題されており、特定の種類のコンピュータプログラムである「分類器（クラシファイア）」に焦点を当てています。簡単に言えば、これは過去の例から学習して将来の予測を行うツールです。研究者たちは、7,000人以上の個々の加入者に関する情報を含む、現実世界の膨大なデータ収集を用いてシステムに学習させました。このデータには、顧客がどのような人物か、会社との契約期間、利用しているサービス、支払い方法、そして最終的にサービスを解約したかどうかといった詳細が含まれていました。

チームは、顧客がサービスを解約することを決定付ける要因となる情報のパターンを見つけ出すよう、システムを訓練しました。彼らは、どの手法がこれらのパターンを特定するのに最も適しているかを確認するために、いくつかの異なる数学的アプローチをテストしました。複雑で「ブラックボックス」のように機能する手法もありますが、研究者たちは最終的に、ロジスティック回帰として知られる明快なアプローチを選択しました。この選択は、明確さを求めるという動機によるものです。選ばれた手法は優れた性能を発揮しただけでなく、どの要因が顧客を離脱へと向かわせているのかを正確に理解することを可能にしました。その結果、「ChurnGuard AI」と呼ばれるデジタル・ダッシュボードが誕生しました。これはビジネスチームのための意思決定支援ツールとして機能します。このダッシュボードは、生の数値を提示するのではなく、コンピュータの計算結果を明確なリスクレベルへと翻訳し、スタッフが「誰にどのように連絡すべきか」を判断できるようにします。

研究者が、見たことがない顧客グループに対してシステムをテストしたところ、その結果は「何もしない」場合と比較して明確な優位性を示しました。「誰も離脱しない」と仮定する単純な戦略は、ほとんどの人は継続するという事実から、約73パーセントの確率で正解となります。しかし、その戦略はその本来の役割において完全に失敗しています。つまり、離脱しようとしている一人をも特定できないのです。対照的に、この新しいシステムは、実際に解約しようとしていた顧客の約78パーセントを正しく特定することができました。システムは、継続している顧客を誤ってリスクがあると判定してしまうこともありましたが、研究者たちはこのトレードオフは許容範囲内であると判断しました。顧客維持のビジネスにおいては、忠実な顧客に余分な電話を一本かける方が、離脱しようとしている顧客を見逃すよりも価値があるからです。

分析の結果、顧客の離脱を強く予測する具体的な行動が明らかになりました。最も重要な要因は、顧客が結んでいる契約の種類でした。月単位の契約を結んでいる顧客は、1年または2年の契約を結んでいる顧客よりも、はるかに離脱しやすい傾向にありました。さらに、会社との履歴が短い新規顧客や、オンラインセキュリティやテクニカルサポートなどの追加サービスを利用していない顧客も、はるかに高いリスクにさらされていました。システムはこれらの関係性をうまくマッピングし、単に「誰がリスクにさらされているか」だけでなく、「なぜか」をハイライトすることができました。例えば、月単位のプランでテクニカルサポートを利用していない顧客は離脱する可能性が高いことを示し、長期契約への切り替えを促す割引の提供や、サポートサービスの追加が適切な策であることを示唆できるのです。

研究者たちは、このシステムが完璧ではないことも認めています。大多数の離脱予定者を捉えることには成功していますが、忠実な顧客をリスクとして誤ってフラグ立てしてしまう「誤検知」も発生させています。これは既知の限界事項ですが、著者らは、このようなツールの第一版としては、完璧な精度よりも、リスクのある顧客の大部分を捉える能力の方が価値が高いと主張しています。彼らは、システムの感度を調整したり、各顧客がもたらす収益に関するより詳細な財務データを統合したりすることで、将来のバージョンではこれらの誤検知を減らすことができると示唆しています。

結局のところ、この研究は、データがいかに実用的な資産になり得るかを証明しています。分析を研究ノートの中からユーザーフレンドリーなインターフェースへと移行させることで、研究者たちは非技術的なスタッフでも日常的に使用できるツールを作り上げました。このシステムは人間の判断に取って代わるものではなく、顧客維持活動のための明確でデータに基づいた出発点を提供するものです。それは「顧客離脱（チャーン）」という抽象的な概念を、管理可能なアクションのリストへと変貌させ、企業が受動的ではなく能動的になれるようにします。顧客を失うコストが高い業界において、警告サインを早期に察知する能力は、安定と成長への具体的な道筋を提供します。