1. チャーン分析とは何か

チャーン分析とは、顧客がサービスの利用や購入をやめる（解約・離反する）現象を、データから把握し、その原因と予兆を明らかにする分析のことです。チャーンレート（解約率）は一般に「一定期間に解約した顧客数÷その期間前の総顧客数×100」で表されます（日立ソリューションズ「サブスクリプションサービスにおける顧客の離脱防止をめざすには？」）。

現場で起きがちなのは、次のような光景です。（想定例）月初の会議で「先月の解約は12件でした」と報告されるものの、どの顧客が、なぜ、いつから離れ始めたのかは誰も説明できない。営業担当は解約通知を受けてから慌てて電話をかけ、すでに競合への切り替えが決まっていて引き止められない。解約は結果であり、結果を数えるだけでは次の解約を防げないという点に、本質的な課題があります。チャーン分析の価値は、解約の前に表れる行動の変化（予兆）を捉え、手が打てる時間を確保することにあります。

解約予兆の把握には、顧客の購買・利用の履歴が欠かせません。購買データとは、顧客ごとの注文日・金額・商品・数量などの取引記録です。サブスクリプション型に限らず、定期購入やリピート前提のBtoB取引でも、同じ考え方で分析できます。

2. 最初に決める「解約の定義」

分析に入る前に決めておきたいのが、何をもって「解約（離反）」とするかです。契約書上の解約が明確なサービスであれば迷いません。一方、都度購入の取引では「最後の購入から○日経過」といった基準を自分たちで置く必要があります。コンサルノート（2026年3月20日公開）も、離脱の定義を明確化すること、平均値ではなくセグメント別に分析すること、予測モデルの過学習を避けることを重要な注意点として挙げています（コンサルノート「チャーン分析とは？顧客離脱の原因特定と予防策を実践的に解説」）。

ここで自問したいのは、「この顧客の通常の購入間隔はどれくらいか」です。月に1回買う顧客が60日来なければ異常ですが、年に2回しか買わない顧客が60日来なくても正常です。全顧客に同じ日数を当てはめると、誤検知と見逃しが同時に増えるため、購入頻度の近い顧客群ごとに基準を置くのが実務的です。最初の一歩として、直近2年の購買データから顧客ごとの購入間隔の中央値を出し、その2〜3倍を「離反の目安」の仮置きにしてみてください（当社の実務上の目安であり、出典のある数値ではありません）。購入回数が3回未満の顧客は間隔を出せないため、商品群や顧客層ごとの平均的な間隔で代用するか、別枠で扱います。

3. 購買データから予兆を捉える4ステップ

購買データを使ったチャーン分析は、次の4ステップで進めます。コンサルノートの整理（ベースライン計測→行動パターン分析→予測モデル構築→予防施策設計）を参考に、購買データ向けに具体化したものです。

ステップ2で次に確認したいのは、「差が出るのは離反の何か月前か」です。直前の1か月に差が出ても、そこから動いては間に合いません。営業やカスタマーサクセスが動ける2〜3か月前に差が見えるかを確かめることが、予兆分析が実務で使えるかの分かれ目になります。対象顧客が少なく、連絡する群としない群に分けにくい場合は、連絡の前後で継続率を比べる簡易的な確認でも構いません。ステップ4の検証を飛ばすと、連絡した顧客が「もともと続けるはずだった顧客」だったのかを判別できず、施策の費用対効果が測れません。

4. 予兆として見るべき行動の変化

予兆は、絶対値よりもその顧客自身の「変化」に表れます。購買データから作りやすい指標を整理します。

RFM分析（最終購入日・購入頻度・購入金額で顧客を分類する手法）は有効ですが、ある時点の状態を見るものです。予兆の把握には、時点間の変化を追う指標へ広げてください。また、いつ解約するかを時間軸で扱う手法として生存分析があります。ただしコンサルノートが指摘するとおり、打ち切りデータ（まだ解約していない顧客）が極端に多いと推定精度が下がるため、観察期間とサンプル数の設計が前提になります（コンサルノート「生存分析とは？」2026年2月19日公開）。

5. よくある失敗パターン

第一は、精度の高いモデルを作ったのに、誰も使わないケースです。データ分析担当が数週間かけてスコアを出しても、営業が「理由が分からない顧客には電話できない」と受け取らず、一覧表が共有フォルダに残るだけになります。「購入間隔が通常の2倍を超えた」など、理由を一言で添えられる形で渡してください。

第二は、すでに離反した顧客だけを分析するケースです。離反者の共通点を並べても、継続顧客にも同じ特徴があれば予兆とは言えません。比較対象として継続顧客を必ず並べないと、「解約した顧客の多くが問い合わせをしていた」のように、因果と誤認する結論が出ます。

第三は、データの定義が部門でそろっていないケースです。営業システムと会計システムで顧客の名寄せができておらず、同じ顧客が別の顧客として数えられると、実際は継続しているのに「離反」と判定されます。分析着手の前に、顧客IDの突合ルールを決める作業が必要になり、想定以上に手間がかかりがちです。

6. どこまでやれば十分か

ここまでの手順は、顧客数が数千以上あり、データ分析の担当者がいる環境を想定した理想形です。そうでない場合の実務上の最低ラインは、ルールベースで「購入間隔が通常の2倍を超えた顧客」を月1回リスト化し、担当者が連絡することです。機械学習のモデルがなくても、購買履歴をExcelやスプレッドシートで集計すれば始められます（顧客数が多い場合はSQLやBIツールの利用が現実的です）。

モデルへの移行は、ルールで運用して「連絡した顧客の継続率が上がる」ことを確認してからで構いません。データ基盤や分析体制の整え方はコネクトデータのコラムでも取り上げています。

7. まとめ

チャーン分析で重要なのは、解約を数えることではなく、解約の前に表れる顧客自身の行動の変化を、手が打てる時期に捉えることです。今日からの一歩は、直近2年の購買データから顧客ごとの購入間隔の中央値を出し、通常の2倍を超えている顧客を1枚のリストにして、営業担当と「なぜ止まったのか」を3件確認してみることです。

8. よくある質問

Q. チャーン分析に必要なデータは最低限何ですか。

A. 顧客ID、購入日、購入金額の3項目があれば始められます。商品カテゴリや問い合わせ履歴は、予兆の精度を高めたい段階で加えてください。

Q. 機械学習のモデルは必ず必要ですか。

A. 必須ではありません。購入間隔が通常の2倍を超えたなどのルールで検知し、連絡の効果を確認してから、必要に応じてモデルへ進む順序が現実的です。

Q. 解約予兆の検知後、何をすればよいですか。

A. リスクの高い顧客のうち一部にのみ連絡し、連絡しなかった顧客と継続率を比較してください。差が確認できれば、対象を広げます。