傾向モデリング：出版社がサブスクリプションビジネスの成長を維持する方法
データ。誰もが口にしますが、実際に成果を出せているパブリッシャーはどれほどいるのでしょうか。
今年の Digital Publishing Awards では、The Independent が「Best Use of Data」を受賞しました。では、同社のデータ戦略は何が際立っていたのでしょうか。それは propensity modelling の活用です。このモデリングにより、読者数は月間 9,800万人 という驚異的な規模へと拡大しました。
データが「最も価値ある資産」として語られることの多い現在、顧客理解を深めるために propensity modelling を活用することは避けて通れません。これは現代のデジタルパブリッシャーにとって有用なツールであり、読者の行動を真に理解し、その情報を収益最大化に活かしたいのであれば、欠かせない手法です。
また、市場セグメンテーションは長年にわたり特定の顧客グループを狙い、特定の行動を促すために用いられてきましたが、propensity modelling はその次のステップです。 では、propensity model とは具体的に何なのでしょうか。 それはどのようにしてデジタルパブリッシャーが購読者基盤を維持し、さらに拡大することを可能にするのでしょうか。そして既存の市場セグメンテーション戦略と比べて、どのような点で優れているのでしょうか。
プロペンシティ・モデルとは？
プロペンシティ・モデルとは、過去データに基づき、特定の行動や結果が起こる確率を予測するために用いられる統計モデルの一種です。デジタルパブリッシングの文脈では、個々のユーザーにスコアを付与し、購読、更新、解約といった特定のアクションを実行する可能性（確率）を示します。
プロペンシティ・モデルの主要構成要素：
- データ入力: モデルは、属性情報、過去の行動（記事閲覧数やエンゲージメント水準など）、および接点履歴（メールのクリックや反応など）を含む、さまざまなデータポイントを活用します。これらのデータの品質と網羅性は、モデル精度に大きく影響します。
- アルゴリズム: プロペンシティ・モデルは、ロジスティック回帰から、意思決定木やニューラルネットワークといった機械学習手法まで、さまざまなアルゴリズムで構築できます。アルゴリズムの選定は、データの複雑性や、予測したいアウトカムの内容に左右されるのが一般的です。
- スコアの付与: 入力データを処理した後、モデルはユーザーごとにプロペンシティ・スコアを算出します。このスコアは、対象となる行動を起こす可能性を定量化したもので、スコアが高いほど、当該行動を実行する可能性が高いことを示します。
プロペンシティ・モデリングとは？
プロペンシティ・モデリングは、データを用いて顧客の将来行動を予測します。例えば、このモデリングにより、読者が購読する可能性や解約（チャーン）する可能性を特定でき、将来の行動を高い精度で見通すことが可能になります。各読者には個別にパーソナライズされたプロペンシティ・スコアが付与されるため、特定のアクションが起こる可能性の識別が容易になります（例：コンバージョンに至る可能性）。
どのように機能するのか？
プロペンシティ・モデリングにはさまざまな形態があります。しかし、これほど高い精度で予測できる主要な理由は、Propensity Score Matching にあります。モデルは、過去の読者・顧客の行動を参照し、それを新規の読者・顧客の行動と比較します。類似したプロペンシティ・スコアを持つグループは互いに似た行動をとるため、将来行動を推定できます。新規読者が、過去の読者と同様の行動パターンおよび属性的背景を共有している場合、同じように行動する可能性が高いと考えられます。
なぜプロペンシティ・モデリングはデジタルパブリッシャーにとって有用なのか？
重要な点として、プロペンシティ・モデリングは、デジタルパブリッシャーが新規購読者のコンバージョンを促進すると同時に、既存購読者を維持するうえでも役立つツールです。
コンバージョンの観点では、プロペンシティ・モデリングは読者の行動を分析し、購読確率が最大化されるよう、適切なコンテンツやオファーを提示します。例えば、モデルによってコンバージョンしにくいと判定された読者には、関心を喚起するオファーを添えたパーソナライズされたプロモーションメールを送付できます。一方で、コンバージョンの可能性が高く追加の後押しを必要としない顧客には、最後の局面で離脱させないために、直ちに効果的なペイウォールを提示すべきです。したがって、プロペンシティ・モデリングは、顧客基盤を拡大し、収益を増やし、不要な値下げによって利益率を損なうことなく サブスクリプション事業をスケール させるための、最も効果的な手法を見極めるツールとして機能します。
リテンションの観点では、プロペンシティ・モデリングは、個々のユーザーが自社プロダクトにどの程度エンゲージしているかを把握します。モデリングにより、購読更新のプロペンシティ（可能性）が高い顧客と、そうでない顧客を識別できます。これにより、真の解約リスクにフォーカスすることで、時間配分と予算を最適化できます。
プロペンシティ・モデリングにより、画一的な戦略から脱却し、各読者の行動やニーズに合わせて戦略を最適化できます。記事閲覧数やターゲティング施策の量に関わらず購読する読者がいる一方で、個別のパーソナライゼーションを必要とする読者もいます。
既知・未知いずれの読者についても行動を予測することで、プロペンシティ・モデリングは戦略立案に伴う不確実性を低減します。顧客維持とコンバージョンに対する確度が高まれば、高ROIのキャンペーンへ投資を振り向けやすくなり、収益の最大化につながります。
デジタルパブリッシャーが活用できるプロペンシティ・モデリングにはどのような種類があるのか？
プロペンシティ・モデリングは、ユーザー行動のさまざまな側面を予測できます。デジタルパブリッシングにおいて活用すべき主なタイプは以下のとおりです。
エンゲージメントのプロペンシティ： 受け取ったプロモーション素材を読者がクリックする可能性。
コンバージョンのプロペンシティ： 読者が有料顧客になる可能性。コンバージョン前により強い後押しが必要な読者を特定する指針となり、購読に至る確率を最大化します。
予測LTV（顧客生涯価値）： 読者が長期間にわたり購読を継続する可能性、ひいてはライフタイムを通じて事業にもたらす価値の大きさ。高LTV顧客は長期的に最も大きな収益をもたらし、投資対効果（ROI）も高くなるため、マーケティング施策は高LTV顧客に重点配分すべきです。また、最もロイヤルティの高い購読者は、最も強力な推奨者にもなり得ます。
チャーン（解約）のプロペンシティ： アクティブ顧客が解約する可能性。解約リスクは可能な限り早期に特定し、再エンゲージメントの余地がある場合は適切に働きかける必要があります。
プロペンシティ・モデリングはセグメンテーションとどのように整合するのか？
プロペンシティ・モデリングの活用により、市場セグメンテーションを次のレベルへ引き上げることができます。従来の市場セグメンテーションは、年齢、地域、ユーザーステータスなど、類似した特性や行動を持つグループにターゲット市場を分割する手法です。プロフィールが似ている顧客は同様の行動をとり得るという前提のもと、同じ手法でアプローチできると考えます。個人に関して収集するデータポイントが多いほど、顧客同士の類似度をより高い精度で測定できます。
プロペンシティ・モデリングは、重要性の高い追加データポイントを提供することで、セグメンテーション戦略を高度化します。パブリッシャーは、読者が誰であるか だけでなく、どのように行動するか も考慮する必要があり、「似た人は似た行動をとる」という前提に安易に依存すべきではありません。セグメンテーションは価値ある戦略ですが、プロペンシティ・モデリングは数理的な確からしさを付加することで、その効果を一段と押し上げます。
例えば、ロンドン南部在住の18～24歳のグループをターゲットにする場合、そのグループ全体に当てはまると考えられる一律のメッセージングを用いることは、取り組みやすい出発点です。しかし、プロペンシティ・モデリングを用いて、そのサブグループの中でも実際にコンバージョンする可能性が高い個人を見極めるほうが、はるかに価値があります。
プロペンシティ・モデリングはプロペンシティ・スコアを算出するために顧客特性も考慮しますが、セグメンテーションがプロペンシティ・モデリングを支援することもあります。例えば、どちらもコンバージョンのプロペンシティ・スコアが低い2人の顧客がいるとして、一方は高所得層、もう一方は低所得層だとします。この2人の読者に対するコンバージョン戦略は異なるはずです。低所得層の読者には割引が必要になる場合がある一方で、高所得層の読者には、プレミアム価値を訴求するほうが効果的である可能性があります。例えば、サイトを開いた際に、関心に合わせて最適化された記事が最初にポップアップ表示されるようにする、といった施策です。
プロペンシティ・モデル導入における課題
プロペンシティ・モデリングはデジタルパブリッシャーに大きなメリットをもたらす一方、導入には固有の課題も伴います。検討すべき一般的な障壁は以下のとおりです。
- データ品質と可用性: 効果的なプロペンシティ・モデリングには高品質なデータが不可欠です。パブリッシャーは、データが不完全・不整合・古いといった問題に直面しやすく、予測精度の低下につながります。データをクリーンで網羅的かつ最新の状態に保つことが、重要な第一歩です。
- リソース制約: プロペンシティ・モデルの開発・運用には、熟練したデータアナリスト等の人材と、堅牢なテクノロジー基盤を含む専用リソースが必要です。規模の小さいパブリッシャーでは、これらのリソース配分が難しく、モデリング活用が制限される可能性があります。
- モデルの複雑性: プロペンシティ・モデリングでは、高度なアルゴリズムや統計手法が用いられることがあります。データサイエンスの専門性が十分でないチームにとっては、その複雑さが負担となり得ます。その結果、データの誤解や、モデルの不適切な実装につながる場合があります。
- 既存システムとの統合: プロペンシティ・モデルを既存のマーケティング／業務システムへ統合することは、運用面での課題になり得ます。CRM、マーケティングオートメーション、分析ツールがプロペンシティ・モデルとシームレスに連携し、そのポテンシャルを最大限に発揮できる状態を確保する必要があります。
- プライバシーに関する懸念: データプライバシーをめぐる規制（例：GDPR、CCPA）が強化される中、パブリッシャーは、プロペンシティ・モデリングのために顧客データを収集・利用する際の法的論点に対応しなければなりません。パーソナライゼーションとコンプライアンスの両立には慎重なバランスが求められます。
プロペンシティ・モデル成功のためのベストプラクティス
プロペンシティ・モデリングの効果を最大化するために、パブリッシャーは以下のベストプラクティスを採用すべきです。
- 明確な目的から着手する: プロペンシティ・モデリングで達成したいこと（コンバージョン向上、チャーン低減、顧客エンゲージメント強化など）を定義します。明確な目標は、モデル開発とデータ収集の方針を導きます。
- データ品質へ投資する: データの正確性・一貫性・関連性を担保します。定期的なデータクレンジングと検証のプロセスを整備し、データ品質向上に寄与するツールへの投資も検討します。
- オーディエンスをセグメント化する: プロペンシティ・スコアを用いて、意味のあるグループにオーディエンスをセグメント化します。これらのセグメントに基づきマーケティング戦略を最適化することで、関連性と効果を高めます。
- モデルを継続的にモニタリングし更新する: プロペンシティ・モデルは固定的であるべきではありません。新たなデータやユーザー行動の変化に基づき、定期的に見直し・改善して精度と有効性を維持します。
- A/Bテストを活用する: A/Bテストにより、モデリングの前提を検証し、複数のマーケティング施策を比較します。これにより、オーディエンスセグメントごとに最も効果的なアプローチを特定できます。
- 部門横断で連携する: マーケティング、データ分析、ITの各チームの連携を促進します。多面的なアプローチは、より包括的な示唆と、プロペンシティ・モデリング活用における革新的な戦略につながります。
重要なポイント
本質的に、プロペンシティ・モデリングはセグメンテーションと組み合わせることで、獲得および維持の取り組みにおけるリソース配分を効率化できます。
収益を最大化し、活力ある顧客基盤を維持するためには、現代のデジタルパブリッシャーはセグメンテーションのみに留まらず、さらに先へ進むことが不可欠です。活用可能なデータが豊富に存在する今、顧客の将来を高い精度で予測することは現実となっており、事業の将来を確かなものにするうえで重要な要素となり得ます。
強力なサブスクリプション・エクスペリエンス・プラットフォームであれば、セグメンテーションと将来予測の双方に対応できます。例えば、ユーザーセグメントは Zephr の サブスクリプションプラットフォーム においてルールビルダー配下に組み込まれており、コード不要でシンプルにパーソナライゼーションを実現できます。また「Optimize」（Zephr の新しい強力なアナリティクス）は顧客行動をモニタリングし、重要な行動を早期に検知します。
プロペンシティ・モデルに関するFAQ
Q: プロペンシティ・モデリングの導入はどのように始めればよいですか？
A: まず目的を定義し、高品質なデータを収集し、適切なツールやソフトウェアを選定します。あわせて、モデル開発のためにデータアナリストやデータサイエンティストと協業することも検討するとよいでしょう。
Q: 効果的なプロペンシティ・モデリングには、どのようなデータが必要ですか？
A: 主なデータの種類としては、属性情報、ユーザー行動指標（例：ページビュー、サイト滞在時間）、過去の購買履歴が挙げられます。データがより包括的であるほど、予測精度は高まります。
Q: プロペンシティ・モデルはどのくらいの頻度で更新すべきですか？
A: 定期的（少なくとも四半期に一度）に見直し、更新することを推奨します。これにより、ユーザー行動や市場環境の変化に伴っても、モデルの有効性を維持できます。
Q: プロペンシティ・モデリングは、サブスクリプションサービス以外にも活用できますか？
A: はい。プロペンシティ・モデリングは、Eコマース、小売、サービス業など、さまざまな業界で顧客行動を予測するために適用でき、マーケティング戦略やオペレーション効率の向上に寄与します。
Q: プロペンシティ・モデリング導入によるROI面の効果には、どのようなものがありますか？
A: 顧客行動を高い精度で予測することで、マーケティング施策の効果を高め、チャーンを抑制し、顧客維持率を向上させ、最終的には売上成長を促進できます。その結果、投資対効果（ROI）の向上につながります。