解約は予測できます。ただし、「当てる」ことにはほとんど価値がありません。価値があるのは、手が打てるタイミングで、手が打てる相手を出せるかどうかです。当日に解約する人を99%の精度で当てても、その日にできることはありません。この記事では、予兆として実際に観測できる行動、精度をどう読むか、そして検知したあとに何をするかを書きます。予測が要らない場合についても、正直に書きます。
予測の目的は、当てることではない
最初に前提を揃えます。解約予測モデルの出力は、点数です。顧客ごとに「解約しやすさ」の値が付きます。この点数そのものは、何も生みません。
意味が出るのは、点数を使って誰かに何かをしたときだけです。だから設計は、モデルではなく出口から始めます。誰が、いつ、何をするのか。ここを決めてから、モデルの要件が決まります。
出口から見ると、必要な条件は2つです。1つは、手が打てるタイミングで出ること。次回発送の3日前に「解約しそう」と言われても、間に合いません。2つ目は、手が打てる相手であること。すでに解約手続を終えた人を高スコアで出しても使えません。
この2つを満たさないモデルは、精度が高くても運用に乗りません。
予測精度の罠
精度の話を先にします。ここを誤解したまま導入すると、社内の評価が狂います。
月次の解約率が5%の事業を考えます。ここで「全員が継続する」とだけ予測するモデルを作ります。このモデルの正解率は95%です。何も予測していないのに、95%です。
だからAccuracy（正解率）は見ません。解約のような不均衡なデータでは、機能しない指標です。
代わりに見るのは、次の3つです。
Recall（再現率） は、実際に解約した人のうち、何%を事前に拾えていたかです。取りこぼしの少なさを表します。
Precision（適合率） は、モデルが「解約しそう」と言った人のうち、何%が実際に解約したかです。無駄打ちの少なさを表します。
Lift は、上位N件に絞ったときに、無作為に選ぶ場合と比べて何倍の濃さで解約者を含んでいるかです。実務ではこれがいちばん使えます。
RecallとPrecisionは片方を上げるともう片方が下がります。どちらを優先するかは、打ち手のコストで決まります。架電のように1件あたりのコストが高いなら、Precisionを重く見ます。メール配信のように安い打ち手なら、Recallを取りにいけます。
ビジネス側の言葉に翻訳する
会議でF値の話をしても、判断は進みません。次の形に翻訳してください。
「上位500人に連絡します。このうち、何人が実際に解約する予定だった人でしたか」
この数字と、無作為に選んだ500人の場合を並べます。無作為なら25人、モデルの上位なら120人。仮の数字ですが、この比較で伝わります。倍率が2倍を切るなら、そのモデルを運用に乗せる意味は薄いと考えられます。
上位何件に絞るかは、モデルではなく体制で決まります。1日に架電できる件数、1通あたりの配信コスト。そこから逆算して、リストの長さを先に決めてください。
予兆に出る行動
単品リピート通販の文脈で、予兆として観測されやすい行動を挙げます。
マイページでの解約FAQ・退会ページの閲覧。 もっとも直接的です。ただし、見た時点でかなり決まっていることも多く、手を打つ余地は小さくなります。早期の予兆というより、直前の確認信号として扱うのが実際的です。
配送間隔の延長と数量の減少。 これは有力な予兆です。使い切れていないか、支出を絞ろうとしています。しかも、解約の数週間前に起きることが多い行動です。手が打てる時間が残っています。
メールやLINEの開封率の低下。 単に開封率が低い人ではありません。以前は開いていた人が開かなくなった、という変化を見ます。
決済エラーの発生。 これは予兆であると同時に、非自発的解約そのものの原因でもあります。扱いが違うので、後で分けて書きます。
問い合わせの発生。 これは注意が必要です。内容によって意味が逆になります。使い方の質問は、続ける意思の表れであることが多いです。価格や解約条件の確認は、逆の意味を持ちます。問い合わせの有無だけを特徴量に入れると、この2つが打ち消し合います。
初回商品の使用状況アンケートの未回答。 関与度の低さを示します。単体では弱い信号ですが、他と組み合わせると効きます。
見るべきは水準ではなく変化量
ここが実務での分かれ目です。
もともと開封率が低い顧客がいます。この人の開封率が低いことは、情報になりません。最初からそうだからです。一方、3か月間ずっと開いていた顧客が、直近2週間まったく開かなくなった。こちらは情報です。
だから特徴量は、水準ではなく変化量で作ります。直近4週間と、その前の8週間の比。前回購入からの経過日数と、その顧客の平均周期との差。ログイン頻度の対前月比。こうした形にすると、顧客ごとの基準線の違いに影響されにくくなります。
「配送間隔を60日にしている人」は予兆ではありません。「30日から60日に変えた人」が予兆です。
通話ログを特徴量に入れる
コールセンターの通話は、予兆の宝庫です。ただし、多くの事業者で使われていません。音声のまま眠っているからです。
使いたいのは、こうした通話です。解約とは一言も言っていない。しかし、価格の話を持ち出した。「今月から値上がりしましたよね」「他社だともう少し安いようで」。この種の発言は、その時点では解約の申し出ではありません。数週間後の解約と結びつくことがあります。
同じように、効果への疑問、家族の反対、体調の変化。オペレーターは会話の中で聞いています。しかし、応対履歴の自由記述欄には「商品について問い合わせ」としか残っていないことがあります。
これを特徴量にするには、テキスト化と構造化が要ります。通話をテキストに変換し、話題のタグを付け、顧客IDに紐づけます。ここまでやって、初めてモデルの入力になります。詳細はコールセンターの通話は4つの部署で使えますに書きました。
なお、通話の音声をどこまで自動で分類できるかは、録音の品質と業務の内容で変わります。私は特定の音声認識エンジンの精度を比較検証していません。
決済エラーは、予測の外に置く
決済エラーによる離脱は、予測モデルに混ぜないでください。別のパイプラインで扱います。
理由は2つあります。1つは、予測が要らないからです。決済が失敗したという事実は、確定した情報です。確率で扱う対象ではありません。もう1つは、打ち手が違うからです。カード情報の更新を促す通知は、継続意欲を高めるコミュニケーションとは別物です。
混ぜると、モデルは決済エラーの特徴を学習して、それ以外の予兆を見落とします。教師データを作る段階で、自発的解約と非自発的解約を分けてください。この分け方については解約率を下げる7つの打ち手でも扱っています。
検知したあとにやること
ここからが本題です。モデルを作って、そのままになっている事業者を何度も見ます。作ることと使うことの間には、距離があります。
出力先を先に決める
スコアが出た後、それがどこへ行くかを決めておきます。選択肢はおおむね3つです。
CRMのセグメントに入れて、配信の対象にする。コールセンターの架電リストに入れる。広告の除外リストや類似拡張の元データにする。
決めるべきは、更新の頻度と受け渡しの形式です。日次でCSVを渡すのか、CRMに直接書き込むのか。ここが決まっていないと、スコアはBIツールの画面に表示されるだけで終わります。データの受け渡しの土台についてはCDPの導入費用の記事で扱っています。
打ち手を理由別に分ける
高スコアの顧客全員に同じクーポンを送るのは、避けてください。
理由は、割引しなくても継続した人にまで割引をすることになるからです。高スコアの中には、放っておいても続いた人が必ず含まれます。その人たちへの割引は、純粋な損失です。
分けるための材料は、スコアではなく理由側の情報です。配送間隔を延ばした人には、数量の見直しを提案します。開封が止まった人には、内容とチャネルを変えて接触します。効果への疑問が通話に出た人には、使い方を確認します。
なお、打ち手が「解約させないための障害を増やすこと」にならないよう注意してください。予測して先回りすること自体は問題ありません。ただし、その先で解約手続を複雑にするなら、規制の議論に触れる領域に入ります。定期購入の解約妨害が法律で禁止される見通しです。
効果検証は必ずホールドアウトで
これは最初の設計に入れてください。後から足せません。
上位500人を抽出したら、そのうち250人には何もしません。残りの250人にだけ打ち手を当てます。どちらに入れるかは無作為に決めます。1か月後、2つの群の継続率を比べます。この差が、打ち手の効果です。
何もしない群を残さないと、何が起きるか。打ち手を当てた500人のうち400人が継続したとします。継続率80%です。この数字だけでは、打ち手が効いたのか、もともと80%が継続する集団だったのかが分かりません。
「解約しそうな人に手を打ったら、8割が残りました」という報告は、検証になっていません。比較対象がないからです。
ホールドアウト群を作ることには、抵抗が出ます。手を打てば残ったかもしれない250人を放置するからです。それでも、最初の数回は残してください。効果が分からないまま続ける施策のほうが、長期では高くつきます。効果が確認できた後は、比率を下げていけば構いません。
予測が要らない場合
正直に書きます。予測モデルを作らないほうがよい場合があります。
データが少ない場合。 解約の件数が月に数十件では、学習に足りません。特徴量の数に対してデータが少なすぎると、過去に偶然当てはまるだけのモデルができます。まずデータを溜める期間が要ります。
施策の実行体制がない場合。 スコアが出ても、架電する人も配信を組む人もいないなら、投資の順番が違います。先に打ち手の運用を作ってください。解約率を下げる7つの打ち手にある施策は、予測なしでも回せます。
解約理由が単一の場合。 離脱の大半が決済エラーなら、モデルは要りません。「決済失敗から3日以内に更新がない顧客」というルールで抽出できます。効果はモデルと変わらず、開発期間は短く、説明も簡単です。
ルールベースは、機械学習より劣るものではありません。「配送間隔を延ばした」「開封が3回連続でゼロ」といった条件を組み合わせるだけで、実用的なリストが作れることがあります。まずルールで運用し、限界が見えてからモデルに移るのが、失敗の少ない順番です。
★ 断定していないこと
モデルの精度は、事業とデータで大きく変わります。同じ手法でも、単価、購入周期、獲得経路の構成が違えば、結果は違います。他社が公表している精度の数値を自社に当てはめても、意味のある見積もりにはなりません。
本文で挙げた予兆の行動も、すべての事業で有効とは限りません。どれが効く特徴量かは、自社のデータで確認する必要があります。ここに書いたのは、最初に試す候補の一覧です。
私は、特定の解約予測ツールやAIサービスの性能を比較検証していません。本文では、実装手段を限定しない形で書いています。
この記事で扱わなかったこと
具体的なモデルの選び方は書いていません。ロジスティック回帰か勾配ブースティングかといった選択は、扱えるデータ量と説明可能性の要件で決まります。運用の設計が先です。
予測を使わない打ち手の中身は、解約率を下げる7つの打ち手と、やってはいけない1つにまとめました。
通話データの分析は触れただけです。テキスト化した通話を誰がどう使うかは、コールセンターの通話は4つの部署で使えますで扱っています。
データを1か所に集める基盤の話も外しました。予測の前提として顧客データの統合が要ります。費用感はCDPの導入費用は本当はいくらかにあります。
解約理由そのものの分析は、解約理由の選択式アンケートで分からないことを参照してください。予測が「誰が」を出し、理由分析が「なぜ」を出します。
相談先
自社のデータで何が出せるかを確認するところから始められます。受注データ、広告データ、コールセンターの通話記録が手元にあれば、現状で何が言えて何が言えないかを整理できます。
予測モデルを作る前に、教師データが組めるかを見るのが先です。解約日が正しく記録されているか、自発的解約と非自発的解約が分かれているか。この2点が満たされていない状態では、何を作っても評価ができません。
出典・注記
- 本文中の「上位500人のうち何人が解約予定だったか」という比較の数値は、説明のための仮の数字です。実際の値は事業で異なります。
- 月次解約率5%という前提も、精度指標の説明のために置いた仮の数字です。特定の事業の実績ではありません。
- Accuracy、Recall、Precision、Liftは一般的な機械学習の評価指標です。社内で使う際は算出方法を文書化してください。
- 消費者庁「デジタル取引・特定商取引法等検討会」では、2026年8月24日の第8回で中間取りまとめ（案）が資料として提示されました。解約手続を不当に遅延させる行為などを規律対象とすべきという方向が示されています。これは案であり、確定した規制内容ではありません。
- 特定のツールやAIサービスの性能比較は行っていません。