定期購入のお客様が、気づいたときには解約していた。引き止めのためにクーポンを配っても、利益が減るばかりで効果が続かない。サブスクや定期通販のECを運営する事業者のなかには、こうした悩みを抱える方も多いはずです。新しいお客様を集める費用が年々上がるなか、今いるお客様に長く続けてもらう取り組みが、利益を左右するようになっています。
この記事では、次のことがわかります。
- AIが解約の「前ぶれ」をどのようなデータから見つけ出すのか
- 解約しそうな度合いに応じた、値引きに頼らない引き止め施策
- AIによる解約予測を導入するまでの手順と、つまずきやすいポイント
難しい専門用語はできるだけ言い換えながら、データの準備から施策の自動化まで、実務の流れに沿って解説します。す。
目次
この記事を読んでいる方におすすめ
H2：サブスク・定期ECにおける「解約（チャーン）」構造とAI活用の必然性
H3：従来の「ルールベース検知（回数・期間）」が抱える限界と機会損失
多くの定期ECでは、「3回目のお届け前」や「最後のログインから30日が経った」といった条件を人が決め、当てはまるお客様にフォローの連絡をしています。このように、あらかじめ決めた条件で対象を見つける方法を「ルールベース」と呼びます。
ルールベースの弱点は、気づくのが遅れやすいことです。例えば、あるお客様が先月お届けを1回スキップし、お届け間隔を30日から60日に延ばし、マイページで「解約の手順」を見たとします。1つひとつの行動はルールの条件に当てはまらないため、見過ごされがちです。しかし3つが重なると、解約が近いサインである可能性は高まります。条件を満たして連絡したときには、すでに解約を決めていた、ということが起こりやすいのです。
一方、AIの手法の1つである機械学習は、過去のデータからパターンを自動で学ぶ仕組みです。人が条件を決めなくても、複数の行動の組み合わせから「いつもと違う小さな変化」を見つけられる点が強みです。
H3：CAC高騰時代の生命線：チャーンレート改善がもたらすLTVと収益へのインパクト
CAC（Customer Acquisition Cost）とは、新しいお客様1人を獲得するためにかかる費用のことです。広告費の上昇により、CACは多くのEC事業者にとって重い負担になっています。そこで注目したいのが、チャーンレート（一定期間に解約したお客様の割合）です。
定期購入では、LTV（1人のお客様が取引期間全体でもたらす利益）を「1か月あたりの粗利÷月の解約率」で簡易的に計算できます。例えば月額4,000円、粗利率60%の商品なら、1か月あたりの粗利は2,400円です。月の解約率が10%ならLTVは24,000円、8%に下がると30,000円になり、25%増えます。契約者が1万人いれば、毎月の解約者は1,000人から800人に減ります。解約を防げた200人から、月48万円の粗利が得られる計算です（数値は説明のための計算例です）。
顧客維持の価値については、「顧客維持率を5%上げると、利益が25〜95%増える」というベイン・アンド・カンパニーの研究がよく知られています。出典：Harvard Business Review「The Value of Keeping the Right Customers」 ただし、効果の大きさは業界や事業の形によって異なるとされています。自社の数字で一度試算してみてください。指標の決め方は【KPI設計】で解説しています。
H2：AIが捉える「解約予兆シグナル」と予測メカニズム
H3：EC特有の行動ログから導く主要な特徴量（説明変数）
AIが予測の手がかりにするデータの項目を「特徴量」（説明変数）と呼びます。定期ECで手がかりになりやすい特徴量と、そのデータの取り出し元は次のとおりです。
- マイページを見る回数の減少：カートシステムのログイン記録、GA4（Googleアナリティクス4）
- お届け間隔の変更やスキップ：定期購入の管理画面
- 決済エラーの発生（クレジットカードの期限切れなど）：決済代行会社からの通知
- 「解約方法」など特定のよくある質問ページの閲覧：GA4のページ閲覧の記録
- 商品レビューを一度も投稿していない：レビュー機能の記録
- 問い合わせの回数と内容：問い合わせ管理ツール
データを集めるときは、まずすべてのデータを同じ顧客IDで結びつけます。GA4のデータを顧客と結びつけるには、ログイン時に顧客IDを送る設定が必要になる場合があります。次に、行動に日付を付けて記録します。「いつ変わったか」が予測の大事な手がかりになるためです。さらに、過去の解約日と解約理由も残しておきます。AIは「過去に解約した人」の記録から学ぶため、この記録がないと予測モデルを作れません。
H3：予測モデルの基本挙動：解約確率のスコアリングと分類ロジック
予測モデルとは、データから将来の結果を予想する計算の仕組みのことです。解約予測では、「ランダムフォレスト」や「勾配ブースティング」といった手法がよく使われます。名前は難しく聞こえますが、基本は「お届けをスキップしたか」「マイページを見る回数は減ったか」といった「はい・いいえ」の質問を大量に組み合わせて判断する仕組みです。
仕組みは次のように進みます。まず、過去のお客様を「解約した人」と「続けている人」に分け、それぞれの行動の違いをAIに学ばせます。次に、今のお客様1人ひとりの行動を当てはめ、「過去に解約した人と、どのくらい似た行動をしているか」を0〜100%のスコアで表します。スコアは、1日1回など定期的に自動で更新します。
スコアが出たら、施策に使いやすいように段階分けします。例えば「70%以上は高リスク、30〜70%は中リスク、30%未満は低リスク」といった形です。区切りの数字は、自社で対応できる人数や施策の費用に合わせて決めます。
また、時間の流れに沿った変化を見る方法を、時系列解析と呼びます。例えば「マイページの閲覧回数が先月の半分に減った」といった変化です。時系列解析を加えると、「今の状態」だけでなく「変化の勢い」もスコアに反映できます。
H3：定性データ（CS問い合わせ・レビュー・解約理由）を解析する自然言語処理（NLP）
行動の記録のような数字のデータだけでは、「なぜ解約しそうなのか」まではわかりません。そこで、問い合わせの文面やレビュー、アンケートの自由回答といった文章のデータも活用します。文章をコンピューターが読み取って処理する技術を、自然言語処理（NLP）と呼びます。
具体的には、2つの方法を使います。1つは感情分析で、問い合わせの文面が「不満」「疑問」「満足」のどれに近いかを判定します。もう1つはクラスタリングで、似た内容の文章を自動でグループにまとめます。例えば解約理由の自由回答を分析すると、「量が余ってしまう」「効果を実感しにくい」「価格が負担」「使い方がわからない」といったグループに分かれます。
この結果を、行動データのスコアと組み合わせます。例えばスコアが60%でも、直近の問い合わせが「不満」と判定されたお客様は、高リスクに引き上げて優先的に対応します。数字のデータと文章のデータを掛け合わせることで、「解約しそうな人」を見つけるだけでなく、その理由まで把握できます。理由がわかれば、次の章で紹介する施策を、お客様ごとに選び分けられます。
H2：【解約リスク度別】AIスコアを成果に変えるパーソナライズ引き止め施策
H3：高リスク層（直前離脱）：安易な割引を避け「根本的な阻害要因」を取り除く介入
解約しそうなお客様に一律でクーポンを配る方法は、手軽な反面、デメリットもあります。利益が削られるうえ、「解約しようとすれば割引がもらえる」という印象が広がると、値引きを待つお客様が増えるおそれがあります。ブランドの価値も下がりかねません。
高リスクのお客様には、解約の理由そのものを取り除く提案をします。理由と施策の組み合わせの例は、次のとおりです。
- 量が余ってしまう：お届けのスキップや一時休止、お届け間隔を延ばす提案
- 使い方がわからない：使い方ガイドや動画をLINEやメールで届ける
- 価格が負担：内容量の少ないコースへの変更を案内する
- 効果を実感しにくい：続けるうえでの目安や使い方のコツを案内する
注意したいのは、引き止めが解約手続きの妨害にならないようにすることです。特定商取引法では、通信販売の解約を妨げるために事実と違うことを伝える行為が禁止されています。出典：消費者庁「特定商取引法ガイド（通信販売）」 解約の手続きはわかりやすいままにし、そのうえで別の選択肢を示すのが基本です。商品の効果に関わる表現は、薬機法などの規制にも注意が必要です。本記事の内容は一般的な整理であり、法的な判断が必要な場合は専門家にご相談ください。
H3：中・低リスク層（熱量低下）：利用習慣化（オンボーディング）の再設計とクロスセル
まだ解約を決めていない中・低リスクのお客様には、商品を使う習慣を身につけてもらう支援が効果的です。使い始めのお客様が商品になじむまでの支援を、オンボーディングと呼びます。
具体的な施策には、次のようなものがあります。
- 2回目のお届けに、関連商品のお試しサンプルを同梱する
- 6回目など継続の節目に、値引きではない限定アイテムを贈る
- 会員限定のオンラインコミュニティやイベントに招待する
- 使い方のコツを、お届けのタイミングに合わせて少しずつ届ける
関連商品のサンプルは、クロスセル（関連する別の商品を提案すること）のきっかけになります。例えば化粧水の定期購入者に美容液のサンプルを届け、気に入れば次回のお届けに追加できるようにします。こうした接点を重ねてブランドへの愛着（ロイヤルティ）を育てることで、解約リスクの低いお客様を増やせます。
H3：最適なタイミングと接点で届けるマルチチャネル自動配信
同じ施策でも、届けるタイミングと手段で反応は変わります。そこで、AIのスコアをCRMツール（顧客情報を管理するツール）やMAツールとつなぎ、配信を自動化します。MAツールとは、条件に応じてメールやLINEを自動で配信するツールです。
運用の流れの例は次のとおりです。まず、毎朝スコアが更新されると、MAツール上のお客様に「高リスク」「中リスク」などの目印（タグ）が付きます。高リスクのお客様には、次回お届けの7日前にLINEでスキップ提案を送り、マイページにも同じ案内のバナーを表示します。中リスクのお客様には、使い方のコツをメールで届けます。決済エラーが起きたお客様には、気づきやすいSMSでカード情報の更新をお願いします。
次回のお届けに同梱するチラシを出し分ける方法もあります。ただし印刷と梱包に時間がかかるため、出荷の数日前に対象者を確定させる運用が必要です。また、同じお客様に連絡が重なりすぎないよう、「週2回まで」など配信の上限を決めておきます。メールで広告を送る場合は、特定商取引法により、事前にお客様の承諾を得ておく必要があります（前掲の特定商取引法ガイド参照）。
H2：失敗を防ぐ！AI解約予測・防止施策の導入ロードマップと運用体制
H3：データ収集・PoC（概念実証）から本格運用までの4ステップ
導入は、小さく試してから広げるのが基本です。本格導入の前に、効果があるかを小規模で確かめることを、PoC（概念実証）と呼びます。次の4ステップで進めます。各ステップの期間は目安です。
- Step1：データの棚卸し・統合（2〜4週間）
どのデータがどこにあるかを一覧にし、顧客IDで結びつけます。まずは過去1年分の購入・お届け・解約の記録がそろうかを確認します。 - Step2：PoCによる予測モデル検証（1〜2か月）
過去のデータでモデルを作り、直近3か月の解約がどのくらい当たるかを確かめます。例えば「スコア上位10%のお客様に、実際の解約者がどれだけ含まれていたか」を見ます。 - Step3：小規模テスト配信での効果測定（1〜2か月）
高リスクのお客様を2つのグループに分け、片方にだけ施策を届けて継続率を比べます。この方法をA/Bテストと呼びます。 - Step4：MA・CRM連携による自動化
効果が確認できた施策だけを、前章で紹介した自動配信の仕組みに組み込みます。
いきなりStep4から始めると、効果のない施策まで自動化されてしまいます。Step3で「施策を届けなかったグループ」と比べて効果を確かめることが、失敗を防ぐ一番の近道です。
H3：内製（自社開発）と外部ツール（SaaS）導入の比較選定基準
解約予測の仕組みを用意するには、自社で開発する「内製」と、外部のクラウドサービス（SaaS）を利用する2つの選択肢があります。主な比較の基準は次のとおりです。
| 比較の基準 | 内製 | SaaS |
| 必要な人材 | データサイエンティスト（データ分析とAIモデル作りの専門職）が必要 | 専門職がいなくても始めやすい |
| 費用 | 人件費と開発費が中心 | 月額の利用料が中心 |
| 導入までの速さ | 数か月以上かかることが多い | 比較的早く始めやすい |
| カートシステムとの連携 | 自由に設計できるが開発が必要 | 対応しているカートなら設定で連携しやすい |
| 予測の中身の見えやすさ | 判断の理由まで確認しやすい | サービスによっては理由が見えにくい |
選ぶ際は、まず自社のカートシステム（ShopifyやEC-CUBE、定期通販向けのカートなど）と、データの受け渡しがしやすいかを確認しましょう。あわせて、顧客データをどこに保管し、どう扱うかも必ず確認します。個人情報を外部のAIサービスで扱う場合は、利用目的の範囲内かを十分に確認するよう、個人情報保護委員会が注意を呼びかけています。出典：個人情報保護委員会「生成AIサービスの利用に関する注意喚起等」 詳しくは【生成AIリスク】もご覧ください。
H3：現場が直面する3つの落とし穴と回避策
導入の現場では、次の3つのつまずきがよく起こります。
1つ目は、データが部署やツールごとにばらばらで、つなげられない状態です。この状態を「サイロ化」と呼びます。対策は、すべてのデータに共通の顧客IDを付けることです。いきなりシステムをつなぐのが難しければ、週1回、各ツールからCSVファイルを出して1つの表にまとめるところから始めます。
2つ目は、AIの予測が外れて、解約するつもりのないお客様にまで特典を配ってしまうことです。対策は、費用のかからない案内から始めることです。特典は「スコアが高く、かつ解約理由がわかっている人」に限ります。先ほどのA/Bテストで、施策を届けないグループと常に比べられるようにしておくと、ムダな特典に早く気づけます。
3つ目は、スコアが出ても、施策を回す人手が足りないことです。最初は施策を数個に絞り、文面や手順をテンプレートにしておきます。文面の下書きは生成AIに任せ、担当者は確認だけを行う形にすると、少人数でも回しやすくなります。
H2：解約予測を起点に「選ばれ続けるブランド」へ進化するCXサイクル
H3：予測データをプロダクト改善・サービス設計へ還元するフィードバックループ
CX（Customer Experience：顧客体験）とは、お客様がブランドと接するすべての場面で得る体験のことです。解約予測のデータは、引き止め以外にも使えます。「なぜ解約されそうになったのか」というお客様の声は、CXを良くするための貴重な材料です。得られた気づきを改善に戻し、その結果をまた次の分析に生かす流れを、フィードバックループと呼びます。
例えば、解約理由で「量が余る」が多ければ、初回のお届け間隔の初期設定を見直します。「容器が使いにくい」という声が多ければ、容器の改良を商品開発に提案します。「最初の使い方がわからない」が多ければ、初回に同梱するガイドを作り直します。
こうした気づきは、マーケティング・商品開発・カスタマーサポートの担当者が月1回集まって共有する場を設けると、改善が続きやすくなります。解約予測を引き止めに使うだけでなく、CX全体の改善に生かすことが、選ばれ続けるブランドへの道筋です。
H3：チャーン防止から「LTV最大化・ロイヤルカスタマー創出」への転換
AIでお客様ごとの使うペースや関心ごとがわかれば、解約を防ぐだけでなく、関係をさらに深める提案ができます。例えば、使用量から残りの量を予測し、「そろそろなくなる頃」に合わせて次のお届け日を提案します。気に入って長く続けているお客様には、上位のコースへのアップセル（より上のグレードの提案）や、関連商品のクロスセルを案内します。
さらに、満足度の高いお客様には、口コミや写真の投稿をお願いします。お客様自身が投稿する口コミや写真をUGC（User Generated Content）と呼び、新しいお客様にとって信頼できる情報になります。ブランドを積極的に人に勧めてくれるお客様（アンバサダー）が増えれば、広告に頼らずに新しいお客様を集められるようになります。どのお客様を優良顧客と見なすかの考え方は、【顧客分析4フレームワーク】で解説しています。
まとめ
【この記事のポイント】
- 人が決めた条件だけでは解約の前ぶれに気づくのが遅れやすく、AIは複数の行動の組み合わせから変化を見つけられる
- 行動データと、問い合わせやレビューなどの文章データを組み合わせると、「解約しそうな人」と「その理由」の両方がわかる
- 高リスク層には値引きではなく解約理由を取り除く提案を、中・低リスク層には使う習慣づくりの支援を届ける
- 導入はデータの棚卸しから始め、小さなテストで効果を確かめてから自動化する
AIを入れただけでは、解約は減りません。データを整え、施策を試し、得られた気づきを商品やサービスに戻していくことで、成果が積み上がっていきます。まずは自社の解約の記録と理由が、きちんと残っているかを確認することから始めてみてください。
H3：解約のデータ、分析に使える状態になっていますか？
AIで解約を予測するには、その前に、顧客データを集めて整え、分析する土台が欠かせません。KUROCOでは、EC事業のデータ分析の進め方を解説したセミナーのアーカイブを公開しています。
自社のデータで何がわかり、何から手を付けるべきかを整理する際にお役立てください。
齋藤健太 代表取締役 
慶応義塾大学理工学部卒業後、株式会社船井総合研究所に入社。主に中堅規模（数百億）以上の企業をメインクライアントとしたプロジェクトに従事。化粧品メーカや卸・リテール業界など、幅広い業種において、中期経営計画策定やマーケティング戦略の構築、M&Aにおけるビジネスデューデリジェンス等の実績を有する。独立後も製造業や小売業、サービス業に至るまで大小様々な企業の課題発見に従事、成果を上げる。特にデータ分析においては、複数のコンサルファームにもアサインされる実力を有する。コンサルティングに加え、ヘアサロン2店舗と、まつげ・眉毛専門のアイサロン1店舗の運営、ならびに伝統工芸品の販売事業にも携わり、現場視点での売上づくりにも取り組んでいる。その他、AI関連スタートアップや教育関連企業からもデータ分析支援の依頼を数多く受けている。2013年9月にクロスメディア・パブリッシングより「問題解決のためのデータ分析」を出版（2019年2月に新装版を出版）。教育プラットフォームUdemyで展開しているオンライン講座（「ビジネスの現場で使えるデータ分析」、他）の受講者数は4万人（2024年2月現在）を超える。2020年10月KUROCO株式会社を設立、現在に至る。
東亜大学芸術学部トータルビューティ学科非常勤講師。
＼ この記事を読んでいる方におすすめ！ ／
