チャーン分析とは？AIによる解約予測と改善の進め方

チャーン分析とは、サービスの解約・利用中止（チャーン）がどのような顧客に、どのようなタイミングで、どういった理由で起きているかを分析し、解約の予測と改善につなげる取り組みのことです。SaaS・サブスクリプション・ECなど、継続利用を前提とするビジネスモデルでは、新規獲得と同じかそれ以上に解約率のコントロールが事業の成長を左右します。

本記事では、チャーン分析の基本的な考え方・指標を押さえたうえで、AIによる解約予兆の検知と、生成AIを使った解約理由の定性分析（アンケート・問い合わせログの要約分類）を柱に、専任のデータアナリストがいない体制でも始められる進め方をご紹介します。CRMツールの比較や、Pythonなどを用いた実装の手順、LTV（顧客生涯価値）・料金設計の全体論は、本記事の範囲外としています。

チャーン分析とは何を分析するのか

チャーン分析は、大きく分けて「誰が・いつ・なぜ解約したか」を定量データと定性データの両面から明らかにする作業です。チャーン（churn）は「解約」「離反」を指す言葉で、チャーン分析はマーケティング・カスタマーサクセス双方の実務で使われる用語です。

チャーンには2種類あります。

• カスタマーチャーン：契約数・アカウント数を基準にした解約率。契約単位で数える指標です。
• レベニューチャーン：解約に伴って失った売上金額を基準にした解約率。アップセル・ダウンセルの影響も含めて把握できます。

同じ解約率でも、単価の高い顧客が解約した場合と、単価の低い顧客が解約した場合ではレベニューチャーンの数値は大きく異なります。カスタマーチャーンだけを見ていると、実際の事業インパクトを見誤ることがあるため、当社は両方を並べて確認することをお勧めしています。

チャーン分析で見るべき定量指標

チャーン分析の出発点は、いくつかの基本指標を定義し、定期的に同じ条件で追い続けることです。

これらの指標は、GA4（Googleアナリティクス4）やCRM（顧客関係管理）ツールに蓄積されたデータから算出できることが多いですが、指標の定義（どの時点を「解約」とみなすか、無料トライアルの終了を含めるかなど）は会社ごとに運用がばらつきやすい項目です。生成AIに集計を依頼する際は、この定義を先に明記しておく必要があります。この点は、当社の別記事「マーケティングデータ分析に生成AIを使う方法」でも扱っている、生成AIにデータを渡す前に前提をそろえるという考え方と同じです。

定量データだけでは「なぜ」が分からない

チャーン率やコホート分析は「どこで解約が増えているか」を教えてくれますが、「なぜ解約したか」までは教えてくれません。チャーン分析が定量指標だけで終わってしまうと、「解約が増えている」という事実は分かっても、打ち手につながらないという状態に陥りやすくなります。

「なぜ」を明らかにするためには、解約時アンケートの自由記述、カスタマーサポートへの問い合わせログ、解約前の利用ログ（機能の利用頻度・ログイン頻度の変化）といった定性・準定性のデータを合わせて見る必要があります。ここに生成AIを活用できる余地が大きくあると当社は考えています。従来であれば専任のアナリストが手作業で読み込み、分類していた作業を、生成AIによる要約・分類の支援によって進められるようになってきています。

AIによる解約予兆の検知

チャーン分析においてAI・機械学習が最も力を発揮しやすい領域の一つが、解約が起きる前に予兆を検知する取り組みです。

解約予兆の検知でよく使われる特徴量（AIが予測の材料とするデータ）には、次のようなものがあります。

• ログイン頻度・利用頻度の変化（直近1か月の利用回数が過去の平均より大きく減っているか）
• 主要機能の利用状況（コア機能に触れているか、利用しているアカウント数が減っているか）
• サポートへの問い合わせ内容・頻度（不満につながる問い合わせが増えているか）
• 契約更新・支払いに関するイベント（支払い失敗の履歴、無料トライアルの終了タイミング）

これらのデータをもとに、解約の可能性が高い顧客に「解約予兆スコア」のようなラベルを付け、カスタマーサクセス担当者が優先的にフォローする対象を絞り込む、という使い方が一般的です。

ここで当社が特に重要だと考えているのは、AIが出したスコアを「解約する・しない」の断定として扱わないことです。予兆スコアはあくまで確率的な目安であり、スコアが高い顧客が必ず解約するわけではなく、スコアが低い顧客が解約しないという保証もありません。スコアを根拠に一律の対応（例えば強引な引き止め連絡）を機械的に行うのではなく、「優先してフォローする対象を絞り込むための一次情報」として使い、最終的な対応方針は人が判断するという役割分担が実務的だと当社は考えています。

なお、専任のデータサイエンティストがいない体制で解約予兆の検知に取り組みたい場合、最初から複雑な予測モデルを構築する必要はありません。まずは前章で挙げた特徴量を集計済みのデータとして整理し、生成AIに「どの特徴の組み合わせが解約と相関している傾向があるか」を分析させる、という簡易な形から始めることができます。本格的な機械学習モデルの構築・実装手順は本記事の範囲外としていますが、簡易な相関確認だけでも、フォロー対象の絞り込みには十分役立つケースがあります。

解約予兆検知でよくある落とし穴

解約予兆の検知に取り組む際、当社が実務でよく見かけるつまずきには次のようなものがあります。

• 過去の解約者だけを見て学習してしまう：過去に解約した顧客の行動パターンだけを基準にすると、その後の機能追加やサービス変更によって、将来の解約パターンが同じ形で続くとは限らないという前提を見落としてしまいます。定期的にモデル・分析の前提を見直すことが必要です。
• 契約直後の顧客（コールドスタート）を同じ基準で評価してしまう：契約してまもない顧客は十分な利用データが蓄積されておらず、スコアの精度が下がりやすい傾向があります。契約からの経過期間によって評価の重み付けを変えることをお勧めします。
• スコアの閾値を最初から厳密に決めようとしてしまう：どこからを「予兆あり」とするかの閾値は、最初は厳しめ（対象を絞る方向）に設定し、運用しながら調整するほうが、現場のフォロー対応が回りやすくなります。

生成AIによる解約理由の定性分析

本記事でもう一つの柱として位置づけているのが、生成AIを使った解約理由の定性分析です。解約時アンケートの自由記述や、解約前の問い合わせログには、数値化されていない解約理由の手がかりが多く含まれています。

生成AIが得意とするのは、次のような作業です。

• 自由記述を「価格」「機能不足」「サポート対応」「競合への切り替え」などのカテゴリに分類する
• カテゴリごとの件数を集計し、件数の多い理由から優先して対応を検討できる状態にする
• 似た表現・言い回しの違う自由記述を、同じ理由としてグルーピングする
• カテゴリごとの代表的な意見を、要約として抜き出す

この作業を依頼する際も、指示の具体性によって結果の使いやすさが変わります。

この作業は、当社の別記事「マーケティングデータ分析に生成AIを使う方法」でご紹介した、アンケートの自由記述を生成AIで分類・要約する考え方と基本的には同じです。チャーン分析においては、この分類対象を「解約理由」に絞り込み、さらに解約前の問い合わせログも合わせて分析することで、アンケートに答えなかった顧客の傾向も補完的に把握できる点が特徴です。

分類のカテゴリをあらかじめ決めすぎると、実際にはもっと多様な理由が存在するにもかかわらず、無理に既存のカテゴリに押し込んでしまうことがあります。最初の分析では、カテゴリを厳密に固定せず、生成AIに自由記述の内容からカテゴリ案自体を提案させ、人がその妥当性を確認してから確定する、という進め方をお勧めします。

専任アナリスト不在でも始められる進め方

ここまでの内容を、専任のデータアナリストがいない体制でも実行できる手順として整理すると、次のようになります。

1. チャーン率・レベニューチャーン率の定義を決める：解約の定義（無料トライアル終了を含むか等）と、集計の周期（月次など）を社内で統一します。定義がそろっていないと、後から集計をやり直すことになります。
2. 定量データを整形する：CRM・GA4等から、解約日・契約期間・利用頻度などのデータを、後述するマスキングを行った上で集計済みの数値として書き出します。
3. 定性データを集める：解約時アンケートの自由記述、解約前の問い合わせログを収集します。アンケートが未整備の場合は、まず簡易な解約理由の選択式＋自由記述欄を用意するところから始めます。既存の問い合わせログだけでも、解約前30日程度に絞れば十分な手がかりになることがあります。
4. 生成AIに定性データの分類・要約を依頼する：前章の手順で、解約理由をカテゴリに分類し、件数の多い理由を洗い出します。
5. 定量データと定性データを突き合わせる：どのコホート・どの利用パターンで、どの解約理由が多いかを重ね合わせて確認します。
6. 打ち手の仮説を立て、検証する：分析結果から「特定の機能の使い方が分かりにくいことが解約要因になっているのではないか」といった仮説を立て、小さく改善を試して効果を確認します。効果が出たかどうかは、施策実施前後だけでなく、施策を行っていない比較対象と並べて確認することをお勧めします。
7. 定期的に同じ手順を繰り返す：一度きりの分析で終わらせず、月次・四半期などの周期で継続して見ることで、変化に気づきやすくなります。

この手順のうち、AIに任せやすいのは2の集計補助と4の分類・要約作業です。1の指標定義、6の仮説立案と打ち手の決定、7の継続運用の設計は、人が主導すべき領域だと当社は考えています。

分析結果をチームに共有するときのAI活用

チャーン分析は、分析して終わりではなく、社内の関係者（経営層・カスタマーサクセス・プロダクト部門など）に共有し、改善アクションにつなげるところまでが本来の目的です。この共有の場面でも、生成AIを役割分担の中で活用できます。

当社は、生成AIをグラフや集計そのものの作成に使うというよりも、「集計結果が出たあとの読み解きと言語化」に使うのが実務的だと考えています。具体的には、次のような役割を任せることができます。

• カテゴリ別の解約理由集計から、前月・前四半期との変化点を文章で指摘させる
• 複数の指標（チャーン率・レベニューチャーン率・カテゴリ別件数）をまとめた経営層向けサマリー文章の初稿を作らせる
• 「なぜこの数字が動いたと考えられるか」の仮説を、生成AIにも複数出させ、人がその妥当性を吟味する材料として使う

一方で、「どの変化を注意すべき変化とみなすか」という閾値の設計や、集計結果から改善の打ち手を最終的に決める判断は、人が担うべき領域です。生成AIに任せるのは、その閾値に基づいて検出された変化を分かりやすい文章にする部分だと当社は考えています。

データを渡す前に必ずやること：顧客データのマスキング

解約時アンケートや問い合わせログには、氏名・メールアドレス・勤務先名・契約プランの詳細など、個人や企業が特定されうる情報が含まれていることがあります。生成AIサービスに読み込ませる前に、こうした情報を必ずマスキング・匿名化してください。

• 氏名・メールアドレス・電話番号などの識別情報は削除・置換し、顧客ID（連番など）に置き換える
• 自由記述に含まれる勤務先名・担当者名・具体的な取引条件は削除・置換する
• 契約金額など機密性の高い数値は、集計済みのレンジ（例：「10万円台のプラン」）に加工してから渡す
• 利用している生成AIサービスのデータ取り扱い方針（学習への利用可否、法人プランの学習オプトアウトの有無等）を、対象データの機密度に応じて確認する

個人情報の加工水準の考え方は、個人情報保護委員会の「個人情報の保護に関する法律についてのガイドライン（仮名加工情報・匿名加工情報編）」にまとまっています。本記事は実務上のマスキングの考え方を紹介するものであり、法的な適合性の最終判断は、このガイドラインや専門家への確認が必要だと当社は考えています。判断に迷う場合は、社内の法務担当者や情報セキュリティの専門家に確認することをお勧めします。

顧客データを社内の別チームやCRMツールから連携して使う場合、連携元でどのような形式のデータを保持しているかによって、マスキングすべき項目は変わります。CRMツールに蓄積された顧客データをAIで活用する際の全般的な考え方は、CRMのAI活用の記事で詳しくご紹介しています。

数字だけで解約の因果を断定しないための注意

チャーン分析を進めていると、「この機能を使っていない顧客ほど解約率が高い」「このアンケート理由が多いから、これが解約の原因だ」と結論づけたくなる場面が出てきます。しかし、GA4やCRMの数値、そしてAIによる分析結果は、あくまで相関関係を示しているに過ぎず、それが因果関係であるとは限りません。

例えば、「特定の機能を使っていない顧客の解約率が高い」という相関が見えたとしても、次のような可能性を排除できていません。

• そもそも解約を考えるようになった顧客が、その時点で機能の利用をやめている（逆の因果）
• その機能を使わない顧客層は、もともと契約継続の意思が薄い業種・利用目的だった（第三の要因）
• 母数が少なく、たまたまその期間だけ偶然に見えた差である（サンプルサイズの問題）

生成AIは、渡されたデータの中から相関関係を見つけ出すのは得意ですが、「その相関が因果かどうか」を最終的に判断する材料までは、こちらが与えなければ持っていません。当社は、AIによる分析結果を意思決定に反映する前に、次のような点を確認することをお勧めしています。

• 比較対象の有無：同じ時期・同じ属性で、その機能を使っている顧客と使っていない顧客を並べて比較できるか
• 逆の因果の可能性：機能の利用低下が解約の原因なのか、解約を決めたことの結果として利用が減っているのかを区別できるか
• サンプルサイズの十分性：解約理由として挙がった件数が、たまたまの偏りと言えるほど小さくないか
• 再現性：同じ傾向が、別の期間・別のコホートでも確認できるか

生成AIへの指示に「相関と因果を区別したうえで回答してください」と含めることはできますが、それでも最終的な判断の責任は人が持つべきだというのが当社の考え方です。数字とAIの分析結果は、打ち手を考えるための手がかりであり、断定の根拠そのものではないという線引きを、チーム内で共有しておくことをお勧めします。

AIに任せる作業と、人が最終判断する作業

チャーン分析における役割分担を整理すると、次のようになります。

チャーン分析においても、AIは「集計と一次分類を速く出す」役割であり、解約が起きている理由の解釈と、そこから何を改善するかという意思決定は、人が担うべき領域だと当社は考えています。

よくある質問

Q. チャーン分析には、どのくらいのデータ量が必要ですか。 A. 明確な下限はありませんが、コホート別・カテゴリ別に分けて見たときに、極端に少ない母数で判断すると偶然の偏りを実態として誤認しやすくなります。母数が少ない期間は、複数月・複数コホートをまとめて見るなど、集計単位を調整することをお勧めします。

Q. チャーン分析にAIを使う場合、専用の分析ツールが必要ですか。 A. 必須ではありません。まずは社内で契約している生成AIサービスのデータ取り扱い方針を確認したうえで、CRMやスプレッドシートに蓄積された既存のデータから始めることができます。専用の予測ツールが必要になるのは、対象データの量や更新頻度が大きくなってからで十分なケースが多いと当社は考えています。

Q. 解約理由のアンケートに回答してくれない顧客の分析はどうすればいいですか。 A. アンケートの自由記述に加えて、解約前の問い合わせログや利用ログの変化を合わせて見ることで、アンケートに回答しなかった顧客の傾向を補完的に把握できます。本記事の該当章でご紹介した手順を参考にしてください。

Q. チャーン率が高いことは、必ず問題だと言えますか。 A. 一概には言えません。事業の成長段階や顧客層によって、適切なチャーン率の水準は変わります。まずは自社の過去の推移や、コホート別の差分を継続して見ることから始め、変化があった時期に何が起きていたかを確認する姿勢が実務的だと当社は考えています。

Q. 解約予兆スコアが高い顧客には、どう対応すればいいですか。 A. スコアを根拠に一律の対応を機械的に行うのではなく、優先してフォローする対象を絞り込むための一次情報として使うことをお勧めします。最終的な対応方針（連絡するかどうか、どのような提案をするか）は、顧客の状況を踏まえて人が判断する領域だと当社は考えています。

Q. 契約直後の顧客も、既存顧客と同じ基準で解約予兆を判定してよいですか。 A. 契約からまもない顧客は利用データの蓄積が少なく、既存顧客と同じ基準で判定すると精度が下がりやすい傾向があります。契約からの経過期間に応じて評価の重み付けや判定タイミングを分けることをお勧めします。

Q. 顧客の個人情報を含むデータをAIに渡しても問題ないですか。 A. マスキング・匿名化をせずに個人情報を含むデータを渡すことは避けるべきです。本記事の該当章でご紹介した手順で、識別情報を削除・置換したうえで利用してください。判断に迷う場合は、社内の情報セキュリティ担当者や専門家に確認することをお勧めします。

さいごに

チャーン分析は、チャーン率などの定量指標を追うだけでは「なぜ解約が起きているか」まで見えてきません。AIによる解約予兆の検知と、生成AIを使った解約理由の定性分析を組み合わせることで、専任のアナリストがいない体制でも、解約の傾向をつかみ、打ち手につなげやすくなると当社は考えています。一方で、数字やAIの分析結果を解約の因果関係だと決めつけないこと、顧客データを扱う際にマスキングを徹底することは、AIに任せず人が担うべき役割です。

顧客データの活用全般についてはCRMのAI活用、マーケティング組織としてどこからAI化に着手すべきかという全体像についてはマーケティング組織のAI化とはで、それぞれご紹介しています。

チャーン分析の進め方やAI活用について相談したい方は、ぜひ当社までお気軽にご相談ください。

自社のAI導入・AI活用について相談したい場合は、企業からのご相談もご検討ください。

最後までお読みいただき、ありがとうございました。