顧客離れ

顧客離脱は、顧客離れ、顧客回転、顧客離反とも呼ばれ、クライアントまたは顧客の喪失を指します。

企業は、既存顧客を維持するためのコストが新規顧客を獲得するためのコストよりはるかに低いため、顧客離脱分析と顧客離脱率を（キャッシュフローやEBITDAなどとともに）主要なビジネス指標の1つとして使用することがよくあります。^[1]例としては、銀行、電話サービス会社、インターネットサービスプロバイダー、有料テレビ会社、保険会社、警報監視サービスなどがあります。これらのセクターの企業は、離反した顧客を取り戻そうとする顧客サービス部門を持っていることがよくあります。回復した長期顧客は、企業にとって新規獲得顧客よりもはるかに価値がある場合があるからです。

企業は通常、自発的な解約と非自発的な解約を区別します。自発的な解約は、顧客が別の企業またはサービス プロバイダーに切り替える決定をしたために発生し、非自発的な解約は、顧客の長期介護施設への移転、死亡、または遠隔地への移転などの状況によって発生します。ほとんどのアプリケーションでは、非自発的な解約の理由は分析モデルから除外されます。アナリストは、自発的な解約に集中する傾向があります。これは、自発的な解約は通常、請求のやり取りの処理方法やアフター セールス ヘルプの提供方法など、企業が管理する企業と顧客の関係の要因によって発生するためです。

企業が顧客離れを測定する際、通常は総減少と純減少を区別します。総減少とは、既存顧客が一定期間内に失ったことと、契約した商品やサービスに対する関連する経常収益のことです。純減少とは、総減少に元の場所での類似顧客の追加または獲得を加えたものです。金融機関は多くの場合、月間経常収益( MRR ) と呼ばれる加重計算を使用して減少を追跡および測定します。2000 年代には、顧客情報のデータベースをマイニングし、サービスやテクニカルサポートへの不満、請求に関する紛争、会社の方針に関する意見の不一致など、顧客離れに関連する要因を分析できるビジネスインテリジェンスソフトウェア プログラムも多数あります。より高度な予測分析ソフトウェアは、顧客離れリスクの傾向を評価することで顧客離れを予測する、顧客離れ予測モデルを使用します。これらのモデルは、潜在的な離脱者の優先順位付けされた小さなリストを生成するため、最も離脱の恐れがある顧客ベースのサブセットに 顧客維持マーケティング プログラムを集中させるのに効果的です。

銀行や保険などの金融サービスでは、顧客維持がほとんどの金融サービスのビジネスモデルの重要な部分であるため、解約モデリングに予測分析のアプリケーションを使用しています。小売、通信、有料テレビ事業者など、他のセクターでも予測分析の威力を発見しています。顧客解約をモデリングする主な目的の1つは、原因となる要因を特定して、企業が将来的に顧客離れが起こらないようにすることです。一部の企業は、優良顧客が悪化して（支払いが遅れるなどして）収益性の低い顧客になるのを防ぎたいと考えており、そのため部分的顧客解約という概念を導入しました。

顧客離れは、世界中のモバイル通信サービス プロバイダーにとって特別な注意を払う価値があります。これは、特にいくつかの国でモバイル番号ポータビリティ (MNP) が導入されたことにより、競合サービス プロバイダーへの切り替えの障壁が低くなったためです。これにより、顧客は電話番号を保持したまま別のプロバイダーに切り替えることができます。テレデンシティ (電話市場への浸透度) の高い成熟市場では、解約率が 1 か月あたり 1% から 2% の範囲であるのに対し、インドや中国などの急成長中の発展途上市場では、解約率が 1 か月あたり 3% から 4% の範囲にあります。解約予測モデルなどの新しいテクノロジーを効果的な保持プログラムと組み合わせて導入することで、顧客離れをより適切に管理し、顧客離れによる大幅な収益損失を食い止めることができます。

米国とカナダの銀行は西欧の銀行に比べて顧客離れが大きな懸念事項です。米国とカナダの銀行は西欧の銀行に比べて顧客離れがはるかに高いため、顧客離れが大きな懸念事項となっています。顧客離れが最も低い米国とカナダの銀行は、無料の当座預金口座、オンライン バンキングと請求書支払い、顧客サービスの向上などの戦略を採用することで、年間 12% という低い顧客離れ率を達成しています。ただし、顧客サービスの向上によって顧客離れ率を改善できるようになったとしても、それ以上の顧客サービスでは顧客維持率が向上しないというレベルに達する可能性があります。そのため、他の戦略やアプローチを検討する必要があります。

顧客離れや顧客離れは、顧客満足度の指標としてよく使用されます。しかし、顧客がサービスから離脱することを困難にすることで、離脱率を人為的に低く抑えることができます。これには、離脱要求を無視すること、平均的な消費者が実行できる長くて複雑な離脱手順を実施すること、およびさまざまな他の離脱の障壁が含まれます。したがって、顧客満足度が低下しても、離脱率は改善する可能性があります。この方法は近視眼的で、裏目に出るでしょう。しかし、電話会社やインターネット プロバイダーでは一般的であることが ^{[誰によって? ]示されました。}

研究者たちは、ヨーロッパの金融サービス企業における顧客離れを研究し、顧客離れの予測因子と顧客関係管理（CRM）アプローチの使用が顧客離れ率にどのような影響を与えるかを調査してきました。いくつかの研究では、複数の異なるタイプの予測因子を組み合わせて顧客離れモデルを開発しています。このモデルは、人口統計学的特性、環境の変化、その他の要因を考慮に入れることができます。^[2]

顧客離脱データモデリングに関する研究は、企業に顧客維持を強化するためのいくつかのツールを提供する可能性があります。データマイニングとソフトウェアを使用して、統計的手法を適用して非線形離脱因果モデルを開発できます。ある研究者は、「...既存顧客を維持することは、主に獲得コストの節約、サービス消費量の増加、顧客紹介により、新規顧客を獲得するよりも収益性が高い」と述べています。その主張は、「...効果的な顧客維持プログラム」を構築するには、管理者が「...顧客が離れる理由」を理解し、「...顧客離脱のリスクが高い顧客を特定」して顧客離脱を正確に予測する必要があるというものです。^[3]

顧客離脱モデリングには2つの目的があります。第一に、ROC曲線の下の面積や上位10％リフトを使用して測定される、優れた予測性能を達成する必要があります。第二に、経営上の意思決定を導くために、離脱の要因に関する洞察を提供する必要があります。^[4]

ビジネスの世界では、「チャーン」は顧客の移行と価値の喪失の両方を指します。したがって、「チャーン率」は、一方では組織との関係を終える顧客の割合、他方では、以前ほど多くまたは頻繁にはサービスを受けていないものの、まだサービスを受けている顧客の割合を指します。したがって、現在の組織は、顧客の離脱を予測して時​​間どおりに顧客を維持し、コストとリスクを削減し、効率と競争力を高めるという大きな課題に直面しています。市場には、組織内の膨大な量のデータを詳細に分析し、それらのデータの分析と調査から得られた情報に基づいて予測を行うように特別に設計された高度な分析ツールとアプリケーションがあります。これらは、マーケティング部門と代理店、そしてすべてのビジネスユーザーに、次のことを行うために必要な武器を提供することを目的としています。

• どの顧客が離脱しようとしているかをすぐに検出し、その顧客を深く理解して、「その顧客は誰なのか？」「どのように行動するのか？」などの質問に答えます。
• 優先順位を決定し、ビジネス努力とリソースを効率的に配分し、リソースを最適化し、現在の顧客のポートフォリオの価値を最大化することを目的として、それらの顧客の潜在的な損失の実際の価値を把握します。
• 移行を削減または回避するために、個別の保持計画を実践し、対応能力を高め、予期しないフーガの可能性を予測します。

顧客離れを減らすために、顧客サービスにおける世界的なベスト プラクティスの認識と共有に関する国際標準を策定した組織があります。国際顧客サービス協会は、組織を戦略的に連携させて卓越した顧客サービスの提供に重点を置き、同時にサードパーティ登録制度を通じて成功を認定できるようにするために、国際顧客サービス標準を策定しました。

顧客離れは必ずしも悪いことではありません。多くの企業にとって、利益の出ない顧客が離れていくのは有益であり望ましいことです。これは、利益の出ない顧客の顧客撤退として知られています。^[5]しかし、顧客が利益を生まないからといって、その顧客を撤退させるべきというわけではありません。利益の出ない顧客を維持する戦略的な理由があるからです。

• 解約率
• 顧客維持
• 収益源
• 製品と市場の適合性

• Buckinx Wouter、Dirk Van den Poel (2005)、「顧客ベース分析：非契約FMCG小売環境における行動的に忠実な顧客の部分的離脱」、European Journal of Operational Research、164 (1)、252–268。
• Burez Jonathan、Dirk Van den Poel (2006)、「有料テレビ会社における CRM: 分析モデルを使用してサブスクリプション サービスのターゲット マーケティングによって顧客離脱を減らす」、Expert Systems with Applications、32 (2)、277–288。
• Prinzie Anita、Dirk Van den Poel (2005)、「要素/位置を感知するSAMを使用した従来の分類モデルへのシーケンシャル情報の組み込み」、Decision Support Systems、42 (2)、508–526。
• Pohl Stefan (2007)、Zeitraumbezogene Stornomodellierung in der Kraftfaultversicherung、Zeitschrift für Versicherungswesen (ZfV) 、59 (11)、361–368。