ユースケース：適切なタイミングでコンテンツの再エンゲージメントを行い、解約を防止する

この例は、架空のブランドがPredictive Churnを活用して、ユーザーの離脱を事前に減らす方法を示しています。解約の発生を待つのではなく、リスクのあるユーザーを予測し、まだアクティブなうちにカスタマイズされたメッセージを届けます。

カミラは、インディーズ映画やドキュメンタリー、海外シリーズを配信するストリーミングプラットフォーム「MovieCanon」のCRMマネージャーだとしましょう。

カミラのチームは気になる傾向を発見しました。ユーザーは登録して映画を1、2本ストリーミングした後、姿を消してしまうのです。これまでは1週間後に「あなたがいなくて寂しいです」という定型メールを送っていましたが、コンバージョン率はわずか3%で、対応が遅すぎました。ほとんどのユーザーは再エンゲージメントせず、解約は避けられないものとなっていました。

カミラはこの状況を変えたいと考えています。解約が発生してから対応するのではなく、Predictive Churnを活用して今後14日以内に非アクティブになる可能性が高いユーザーを特定します。これにより、チームはユーザーがまだアクティブなうちに再エンゲージメントを図る機会を得られます。

このチュートリアルでは、カミラが以下をどのように行うかを説明します。

• ユーザー行動に基づいた解約予測モデルの作成
• リスクレベルによるユーザーのセグメント化
• 最もリスクの高い層向けにカスタマイズされた再エンゲージメントキャンペーンの構築
• キャンペーン分析を用いた効果の評価

ステップ 1：解約予測モデルを作成する

カミラはまず、避けたい結果のモデル化から始めます：ユーザーが非アクティブになることです。MovieCanonにとって、解約とは14日以内にストリーミングを開始しないことを意味します。つまり、それが予測したい行動です。

1. Brazeダッシュボードで、カミラはAnalytics > 解約予測に移動します。
2. 新しい解約予測を作成し、「2週間以内の解約リスク」と名付けます。
3. 解約を定義するために、do notとカスタムイベントstream_startedを選択します。これはアクティブなエンゲージメントを示すイベントです。
4. 予測期間を14日に設定します。これにより、モデルは14日間新しいストリーミングを開始しない可能性が高いユーザーを特定します。

5. 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ます。これにより、モデルが学習するのに十分な最近の行動データが確保されます。
6. 予測の更新スケジュールを週次に設定し、スコアが最新の状態を維持できるようにします。
7. 予測を作成を選択します。

モデルはその後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て、離脱を予測するパターンを見つけ出します。1時間後、カミラは予測のトレーニングが完了したというメールを受け取り、Brazeで開いて予測品質スコアを確認します。「Good」と表示されており、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しています。モデルのパフォーマンスに自信を持ち、次のステップに進みます。

ステップ 2：解約リスクでユーザーをセグメント化する

モデルのトレーニングが完了すると、Brazeは対象となる各ユーザーに0〜100の解約リスクスコアを割り当てます。

ターゲティングの初期しきい値を決定するために、カミラは予測対象ユーザーの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数と、そのレベルでの予測精度をプレビューします。予想される真陽性に基づいて、カバレッジと精度のバランスを取ります。これに基づき、リスクスコアが70より高いユーザーをターゲットにすることを決定します。

1. カミラはBrazeでセグメントに移動します。
2. 解約リスクスコアフィルターを使用してセグメントを作成し、先ほど作成した解約予測を選択します：
   • 解約の可能性が高い： スコアが70より大きい

ステップ 3：リスクのあるユーザーに繰り返しの再エンゲージメントコンテンツでアプローチする

予測とセグメントの準備ができたので、カミラは毎週リスクが高まったユーザーに自動的にアプローチする定期キャンペーンを設定します。

1. カミラは定期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します。これにより、固定の日時に頼るのではなく、各ユーザーがエンゲージする可能性が最も高いタイミングでメッセージが配信されます。
2. 先ほど作成した「解約の可能性が高い」セグメントをターゲットに設定します。
3. 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、実際にコンテンツの視聴に戻ったユーザー数をトラッキングします。
4. カミラはメールを主要チャネルとして選択します。メールなら、パーソナライズされた複数のコンテンツのおすすめを、視覚的にリッチなフォーマットでプレッシャーをかけすぎずにハイライトできるスペースがあるからです。メールには以下が含まれます：
   • AI 項目のレコメンデーションを活用した、MovieCanonのカタログからダイナミックに選択されるパーソナライズされたウォッチリスト
   • ユーザーをアプリに直接誘導するCTA（行動喚起）

これにより、MovieCanonは毎週、後押しが必要なユーザーにのみアプローチできます。過剰なメッセージングも当てずっぽうもありません。

メールの例

• 件名： これらのタイトルを見逃さないで
• ヘッダー： あなたの次の素晴らしい作品が待っています
• 本文： 最近再生ボタンを押していませんか？心配ありません。あなたのためにいくつかのおすすめを用意しました。じわじわ引き込まれるスリラーから受賞歴のあるドキュメンタリーまで、あなたにぴったりの作品がここにあります。
• CTA： もっとおすすめを見る

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分析をチェックし、戦略のパフォーマンスを評価します。

彼女が確認した結果は以下の通りです：

• 開封率： 31%
• クリック率： 15%
• コンバージョン率（48時間以内にストリーミングを開始）：11%

以前の「お久しぶりです」キャンペーン（コンバージョン率が約3%前後だった）と比較すると、この新しいフローはターゲットグループの解約を28%削減しました。カミラはファネルレポートを詳しく調べ、ユーザーがどこで離脱するかを特定します。開封率とクリック率は好調ですが、クリックから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のコピーをテストしたり、レイアウトを試したりすることを検討します。

長期的な影響を把握するため、カミラは「解約の可能性が高い」セグメントに入るユーザーの数も週ごとに追跡しています。これにより、ライフサイクル全体の健全性を評価し、より広い視点でリテンション戦略に役立てることができます。最後に、解約予測の予測分析ページを再確認し、予測された解約者と実際の解約者を比較します。これは、モデルが期待通りに機能しているかを確認するのに役立ちます。

これらのインサイトに基づき、カミラは件名のA/Bテスト、異なるタイミングウィンドウのテスト、そしてアプリ内メッセージでカルーセル形式のレコメンデーションなどのコンテンツフォーマットの実験を計画しています。

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り、カミラのチームは解約に対して単に反応するだけでなく、先手を打っています。そしてキャンペーンはバックグラウンドで静かに動き続け、適切な人に、適切なタイミングで、本当に関心を持つコンテンツを届けています。