解約率1%の改善が年間収益に与える影響
サブスクリプションビジネスにおいて、月次チャーン率（解約率）の改善は最も費用対効果が高い施策のひとつだ。月間1,000人のユーザーを持つサービスで、チャーン率が3%から2%に下がると、12か月後のアクティブユーザー数は約120人（約14%）増える計算になる。
J社（国内向け動画配信サービス、月間アクティブユーザー8万人）では、AIを活用した離脱予測と個別コミュニケーションの自動化により、月次チャーン率を4.2%から3.1%に改善した。この事例から、実務で使えるアプローチを紹介する。
離脱リスクを「数字で」とらえる
チャーン予測に使うデータ
J社が離脱リスクの予測に使ったデータは以下の通りだ。
- ログイン頻度（直近30日の週平均）
- 視聴時間（直近30日の総時間）
- 視聴完了率（視聴開始した動画のうち、70%以上視聴したものの割合）
- 最終ログイン日からの経過日数
- 会員歴とプランの種類
- 過去の解約申請有無（解約手続きをしたが思いとどまった、など）
これらのデータをもとに「直近14日間ログインなし、かつ視聴時間が前月比50%以下」というような複数条件を組み合わせた「離脱リスクスコア」を設定した。
機械学習モデルは不要なのか
J社では当初、機械学習モデルを構築しようとしたが、データサイエンティストのコストと時間がネックになった。代わりに採用したのは「ルールベースのスコアリング」だ。上記の条件に重み付けして合計スコアを計算するシンプルな仕組みをBigQueryとスプレッドシートで構築した。
精度は機械学習モデルには劣るが、「明日から動ける」という速度を優先した判断だ。チャーン予測のベースとしては十分機能している。
AIをどう活用したか
コミュニケーション文の個別化
J社が最も効果を感じたのは、リスクユーザーへのメール・プッシュ通知の個別化だ。従来は全員に同じ「お久しぶりです。最近動画を見ていませんか？」というメッセージを送っていた。これをClaudeで個別化した。
具体的には、リスクユーザーの視聴履歴データ（最後に見たジャンル、視聴途中で止まったコンテンツ等）をClaudeに渡し、「このユーザーへのパーソナライズされた再訪問メッセージを作成してほしい」と依頼する。
ユーザー情報：
- 最後の視聴：14日前、韓国ドラマ「[タイトル]」第3話まで視聴
- 視聴傾向：ロマンス系ドラマ中心、週末に集中
- 会員歴：8か月
以下の形式でメール本文を作成してください。
・件名（30字以内）
・本文（150字以内）
・CTA（動画に誘導するリンクの前のテキスト）
続きを視聴したいと思わせる内容に。
この仕組みをPythonスクリプトで自動化し、毎週月曜日にリスクスコアが高いユーザー上位500名に対してClaudeが個別メッセージを生成・送信する仕組みを構築した。
解約申請ページでのAI活用
もうひとつの施策が、解約手続きページのチャットボットだ。ユーザーが解約ページに来たとき、「解約理由」を聞きながら「それなら一時停止プランが使えます」「来月新作が配信されます」といった情報を個別に提示するフローを設計した。
解約理由のパターンを「価格が高い」「時間がない」「見たいコンテンツがない」「他サービスに乗り換え」などに分類し、それぞれに対するクロダ（引き留めのオファーや情報提供）をClaudeに作成させた。
施策後の変化
3か月間の運用でJ社が確認した結果は以下の通りだ。
- 月次チャーン率：4.2% → 3.1%
- パーソナライズメールの開封率：従来比+42%
- メールからの動画再視聴率：従来比+28%
- 解約ページでの引き留め率：解約意思ユーザーの約8%が解約を取り下げた
チャーン率1.1ポイントの改善は、J社の月間収益に直すと約370万円の改善効果（ARPU×改善ユーザー数で試算）になった。
注意点
個人情報とメールの配信ルール
視聴履歴データをClaudeに渡す際、ユーザーの個人情報の取り扱いには注意が必要だ。J社ではユーザーIDのみを識別子として使い、氏名・メールアドレスはClaudeには渡さず、送信プロセスの別のステップで処理している。
またメール配信には法律上の同意確認と配信停止機能が必要だ（特定電子メール法）。パーソナライズメールだからといってこれを省略してはいけない。
まとめ
動画サブスクサービスのチャーン対策は、データで離脱リスクを把握し、AIで個別コミュニケーションを自動化することで大きく改善できる。機械学習モデルは不要で、ルールベースのスコアリングとClaudeの組み合わせでも十分な効果が出る。まず「14日間ログインなしのユーザー」への自動メール送信から試してみることをすすめる。
