利用データ

今回は、Netflixの動画配信サービスにおける、まだキャンセルしていない継続顧客のサービスの利用状況データを使用します。

このデータには顧客ID、利用開始日、最後の利用確認日、コンテンツ視聴状況、顧客属性などの情報が含まれており、データの取得対象がサービスを継続利用中の顧客のため全ての顧客のキャンセルフラグがFALSEになっています。

モデルで予測（アナリティクス・ビュー）の実行

継続顧客の将来的なキャンセルリスクを予測するために、事前に、別のデータフレームで作成した生存分析モデルを使用してを予測を実行します。

予測対象のデータフレームのステップメニューをクリックし、「モデルで予測（アナリティクス・ビュー）」を選択します。

モデル選択ダイアログが表示されたら、モデルを作成したデータフレームを指定します。今回は「顧客の利用状況」データフレームを選択し、アナリティクスモデルから作成済みの生存分析モデルを選択します。

Nヶ月後の生存率

まず、指定した期間後の生存率を予測する、「Nヶ月後の生存率」について紹介します。

予測タイプで「Nヶ月後の生存率」にチェックをつけます。

続いて、基準となる日付を設定するため、「特定の日付」を選択し、カレンダーピッカーから基準日（今回はデータを取得した日、言い換えれば、データ上の最後の日である2023年1月31日）を指定します。

なお、基準日の設定では、「今日」を選択することで常に最新データを基準とした予測も可能です。

今回は、基準日から1ヶ月後の生存確率を計算したいので、予測期間に「1」を入力して実行ボタンをクリックします。

予測結果の確認と解釈

予測が完了すると、新しい予測ステップと、オレンジ色でハイライトされた複数の列が追加されます。

追加された列には以下の情報が含まれます：

• Base Time：指定した基準日
• Base Survival Time：基準日までの生存期間
• Prediction Time：予測対象日
• Prediction Survival Time：予測時点での生存期間
• Predicted Survival Rate：予測された生存率
• Linear Predictor：リスクのスコア。値が高いほど相対的なイベントの発生率が高くなり、生存率は低くなる傾向があります
• Standard Error：Linear Predictor の標準誤差

Predicted Survival Rate（予測された生存率）の解釈

重要な点として、Predicted Survival Rateは基準日からの条件付き生存率を表しており、絶対的な生存率ではありません。

ここで予測されているのは、「指定した日まで」の生存率ではなく、「基準日から」の生存率です。

具体例で説明すると、田中さんが2023年1月から利用開始し、基準日（2023年1月31日）から1ヶ月後の生存率が60%と予測された場合、これは利用開始から1ヶ月後の絶対的な生存率60%を意味します（100%から60%への変化）。

一方、鈴木さんが2022年9月から利用開始し、基準日時点で既に4ヶ月経過している場合、基準日時点では100%生存している前提で、そこから1ヶ月後の生存率が91%と予測されます。これは生存曲線上で35%から32%への変化（32%÷35%=91%）を表しています。

この解釈により、田中さんの1ヶ月後生存率は40%、鈴木さんの1ヶ月後の生存率は91%となり、田中さんの方がリスクが高い状況と判断できます。

このように「Predicted Survival Rate」は「基準日からの生存率」を表す点において注意が必要です。

予測の制限事項について

予測結果を確認する際、ノート列に特定のメッセージが表示される場合があります。