予測分析とは、過去のデータに統計モデルや機械学習を適用し、将来何が起こりうるかを確率として示す分析手法である。 「何が起きたか」を記述する分析の上に立ち、回帰、決定木、ニューラルネットワークといった手法で過去の傾向を学習させ、まだ起きていない事象の起こりやすさを返す。返ってくるのは断定ではなく確率であり、水晶玉ではない。
業種を問わず使われるが、顧客データを扱う領域では、その顧客が次に何を買うか、いつ離れるか、どれだけの価値をもたらすか、という3つの問いにおおむね集約される。
4つの分析手法の中での位置づけ
| 分析手法 | 答える問い | 出力の例 |
|---|---|---|
| 記述的分析 | 何が起きたか | 先月の解約率、チャネル別の売上 |
| 診断的分析 | なぜ起きたか | 解約が増えた要因の特定 |
| 予測分析 | 何が起こりうるか | 顧客ごとの解約確率、来月の需要量 |
| 処方的分析 | 次に何をすべきか | この顧客に出すべきオファーの提示 |
4つの関係はデータ分析で整理している。予測分析は記述的分析の延長線上にあり、集計できていないデータからは予測も作れない。反対に、予測を出しても次の行動が決まらないのであれば、処方的分析まで届いていない状態である。
なお日本語では「予測的分析」と表記されることもあるが、指している内容は同じである。本サイトでは記述的分析・診断的分析・処方的分析と並べる場合も含め、「予測分析」に統一する。
直接活用と間接活用
企業が予測分析を使う形は、大きく2通りに分かれる。
直接活用は、データ分析の担当者やデータサイエンティストが自らデータを集め、モデルを構築して運用する形である。PythonやRのような環境、商用の統計解析ツール、クラウド事業者の機械学習サービスを組み合わせて使う。モデルの前提と誤差の性質を把握したうえで運用できる一方、データ基盤の整備と人材の確保が前提になる。
間接活用は、予測機能が組み込まれた製品をそのまま使う形である。MAツールのリードスコア、CDPが算出するLTVや解約可能性の予測属性、レコメンデーションエンジンの推奨結果は、いずれも予測分析の出力である。使う側がアルゴリズムを理解している必要はなく、成果として見えるのは「リードの商談化率が上がった」という結果だけになる。
自社固有の定義を必要としない予測ほど、間接活用で足りることが多い。
精度を決めるのはモデルよりデータ
実務でつまずくのは、アルゴリズムの選択ではなく入力データであることが多い。同じ顧客がWeb、アプリ、店舗、コールセンターで別々のIDとして記録されていれば、モデルは一人の顧客の行動を複数人の断片として学習することになる。購買間隔や接触頻度といった特徴量は、そもそも成立しない。
名寄せによって識別子を束ね、シングルカスタマービュー（SCV）として一人分の履歴が揃ってはじめて、これらの特徴量が意味を持つ。CDP（カスタマーデータプラットフォーム）が予測分析の土台として挙げられるのは、この工程を標準機能として備えているためである。
ファーストパーティデータを軸に組み立てることには、精度以外の理由もある。サードパーティCookieの利用が制限されるなかで、自社が同意を得て収集したデータは、モデルの入力として使い続けられる見通しが立つ。
マーケティングでの代表的な使われ方
- LTVの予測：初期の購買行動から顧客生涯価値（LTV）を推定し、獲得コストの上限や対応の優先度を決める。
- 解約の予測：利用頻度の低下や問い合わせの増加といった兆候から解約可能性を算出し、離脱する前に手を打つ。
- 購買傾向のスコア化：特定の商品を買う確率を顧客ごとに出すプロペンシティモデリングは、オファーの出し分けの基準になる。
- リードの優先順位づけ：商談化しやすい見込み客を上位に並べるAIによるリードスコアリングで、営業の接触順を決める。
- 需要の予測：来店数や販売数の見込みから、在庫と人員の配置を決める。
これらの出力は、オーディエンスセグメンテーションの条件として使うと効き方が変わる。「過去に3回買った顧客」ではなく「今後90日以内に離脱する確率が上位10%の顧客」で対象を切り出せるようになるためである。マーケティング領域での適用範囲はマーケティングにおける予測分析で個別に扱っている。
予測を施策につなぐまでが工程
予測スコアは、算出された時点では何も変えない。スコアがメールの配信対象、サイト上の表示、応対画面の推奨内容に反映されてはじめて、顧客が受け取るものが変わる。この工程がデータアクティベーションである。
- 対象の抽出：予測スコアをセグメントの条件として使う。
- 判断：どのオファーを、どのチャネルで、どの時点で出すかを決める（AI意思決定、ネクストベストアクション（NBA））。
- 結果の回収：実行した施策の結果をデータ基盤へ戻し、次の学習の入力にする。
結果が戻らない構成では、モデルは初期の学習データのまま精度が固定される。cdp.comが Customer Intelligence Loop（顧客データの収集・統合・活用を継続的に回す仕組み）と呼ぶ5段階のサイクルが閉じた輪として設計されているのは、この学習の遅れをなくすためである。
導入の進め方
- 予測したい事象を1つ決める：解約、次回購入、需要量など。同時に、その予測が出たときに実際に取る行動も先に決めておく。行動が決まらない予測は運用に乗らない。
- 必要なデータを揃える：購買履歴、行動ログ、属性、対応履歴。予測したい事象が過去のデータの中で観測できていることが条件になる。
- 前処理を行う：欠損値と重複の処理、表記の統一（データクレンジング）。必須項目の欠損は、そのまま精度に跳ね返る。
- モデルを構築し、検証する：学習に使っていない期間のデータで精度を確認する。
- 出力を配信する：スコアをCDPやMAツールのプロファイル属性として書き戻し、施策の条件として使える状態にする。
実務で外しやすい点
- 過去に例のない事象は予測できない：予測分析が返すのは過去の傾向の延長である。制度の変更や新規参入のように過去のデータにない変化は、モデルの外側にある。
- 精度の追求が目的化しやすい：精度が数ポイント上がっても、それによって打ち手が変わらないのであれば成果は動かない。どの水準を超えたら判断が変わるのかを先に決める。
- 利用目的の範囲：個人情報保護法では、取得時に通知・公表した利用目的の範囲を超えた取り扱いは原則として認められない。購買履歴から解約可能性を算出して施策に使うことがその範囲に含まれるかは、同意管理の記録とあわせて確認する。
- 説明できるかどうか：金融や医療のように判断の根拠を示す必要がある領域では、精度の高い複雑なモデルより、説明できるモデルが選ばれる場合がある。
FAQ
予測分析とデータ分析は何が違うのか？
データ分析は過去に何が起きたかを把握する工程を含む広い概念であり、予測分析はそのうち将来何が起こりうるかを扱う領域である。 予測分析は記述的分析の出力を入力として使うため、集計と可視化ができていない状態でモデルだけを作っても、学習に使えるデータが揃わない。
「予測的分析」と「予測分析」は違うものか？
同じものを指す表記のゆれである。 英語の predictive analytics の訳語として両方が使われている。記述的分析・診断的分析・処方的分析と並べるときに「的」を揃えて「予測的分析」と書かれることが多いが、内容の違いはない。
予測分析にはどのようなツールが必要か？
自社でモデルを構築するならPythonやR、クラウド事業者の機械学習サービス、商用の統計解析ツールが選択肢になる。 一方、LTVや解約可能性のような定番の予測であれば、CDPやMAツールに標準機能として組み込まれているものを使う方が早い。判断の基準は、予測したい事象が汎用的なものか、自社固有の定義を必要とするかである。
CDPがなくても予測分析はできるのか？
できる。ただし顧客単位の予測に限っては、名寄せをどこかで行う必要がある。 データウェアハウス上で名寄せと特徴量の作成を自前で組む構成でも成立する。CDPを使う場合との違いは、その工程を作り込むか、標準機能として使うかにある。判断の観点はAI時代のCDPの評価基準で扱っている。
どの予測から始めるのが現実的か？
打ち手がすでに決まっている事象から始める。 解約可能性であれば引き止めの施策、購買傾向であればオファーの出し分けというように、スコアが出た後の行動が既存の業務として存在するものを選ぶ。最初の1つの成否を分けるのは、予測の精度よりも、予測を受け取る施策が動いているかどうかである。
関連用語
- データアクティベーション：予測スコアを実際の施策として動かす工程
- AI意思決定：予測結果をもとに次の一手を選ぶ仕組み
- ネクストベストアクション（NBA）：顧客一件ごとに最適な次の行動を返す考え方
- オーディエンスセグメンテーション：予測スコアを条件として使う対象の切り出し
- 名寄せ：予測の入力となる顧客単位の履歴を成立させる処理
- プロペンシティモデリング：個々の顧客が特定の行動を取る確率を出す手法
- 処方的分析：予測の先で、取るべき行動まで示す分析
この記事は他の言語でも読めます： Predictive Analytics · O que é análise preditiva? Modelos e usos