Media > AI活用ユースケース > カスタマーサポート > ケーブルテレビ局が、契約・視聴・問い合わせ・支払の記録から Python で翌月に解約しそうな契約者の候補を出し、引き留めの連絡の優先の順を作る

ケーブルテレビ局が、契約・視聴・問い合わせ・支払の記録から Python で翌月に解約しそうな契約者の候補を出し、引き留めの連絡の優先の順を作る

実装ステータス:構成例 技術的に実現可能な構成として設計したもの。自社未検証

ケーブルテレビ局の契約・視聴の日数・問い合わせ・支払の記録から、翌月に解約しそうな世帯を Python で見込みます。確率と失いそうな月額から、引き留めの連絡をする順の一覧を作ります。

サマリー
連携・自動化
Python
対象業界
IT・SaaS/その他
対象部門
カスタマーサポート/営業
対象業務
比較検討/集計・分析
主な課題
判断に時間がかかる/営業フォローが追いつかない/属人化している
AIで行う処理
予測
主な効果
判断支援/工数削減/機会損失防止
導入難易度
★★★★★
実装レベル
本格構成
費用感
個別開発(大)
人間の確認
条件付き
現在工数
60h/月
AI導入後
20h/月
想定削減
67%
年間削減
480h
モデル条件による試算値です。実在企業の実績ではありません。

01導入前 / 導入後の業務フロー

導入前(Before)
  1. 月末に、担当が顧客管理の仕組みから「翌月か翌々月に割引が満了する世帯」と「口座振替が不能だった世帯」を書き出す
  2. 書き出した約700世帯を4名で分け、1世帯ずつ契約・請求・問い合わせ・訪問修理の画面を開く
  3. 障害の問い合わせの回数、料金の問い合わせの中身、最近のコースの変更を見て、連絡するかを決める
  4. 連絡すると決めた世帯について、話す材料(割引の満了の月、障害の経過、使っていないサービス)をメモする
  5. 4名が選んだ世帯を突き合わせ、合計240世帯に絞って連絡の一覧に書く
  6. 翌月、一覧の順に電話か訪問をし、結果を連絡の記録に書く
導入後(After)
  1. 自動毎月1日の朝、顧客管理の仕組みとセットトップボックスの管理の仕組みから、前の月末の時点の記録を書き出す
  2. 自動Python の処理が世帯ごとの月末の表を作る(契約・割引の満了月・口座振替・問い合わせ・訪問修理・視聴の日数・地域)
  3. 自動学習済みのモデルで、世帯ごとに翌月の「全部の解約」「一部の解約」「継続」の確率を出す
  4. 自動確率に月額の減り方を掛けて「失いそうな月額」を出し、理由の札を付けて上位の候補を並べる
  5. 自動連絡を断った世帯、集合住宅の一括の契約、すでに解約の申し出がある世帯を一覧から外す
  6. 人担当4名が地区ごとに上位の候補を見て、理由の札と記録を確かめ、連絡する240世帯を決める
  7. 人課長が、引き留めで案内できる割引とコースの範囲を決める
  8. 人翌月、一覧の順に連絡し、結果を連絡の記録に書く
  9. 自動翌々月の初めに、実際に解約したかを突き合わせ、当たり方の記録を足す
各工程の詳しい説明を読む
  1. 月末に、担当が顧客管理の仕組みから「翌月か翌々月に割引が満了する世帯」と「口座振替が不能だった世帯」を書き出す
  2. 書き出した約700世帯を4名で分け、1世帯ずつ契約・請求・問い合わせ・訪問修理の画面を開く
  3. 障害の問い合わせの回数、料金の問い合わせの中身、最近のコースの変更を見て、連絡するかを決める
  4. 連絡すると決めた世帯について、話す材料(割引の満了の月、障害の経過、使っていないサービス)をメモする
  5. 4名が選んだ世帯を突き合わせ、合計240世帯に絞って連絡の一覧に書く
  6. 翌月、一覧の順に電話か訪問をし、結果を連絡の記録に書く

(a)候補の入り口が2つの条件だけ。 1番目の書き出しは割引の満了と口座振替の不能だけで、障害が続いた世帯や視聴が急に減った世帯は、問い合わせの画面を見るまで候補に入りません。 他社の光回線の提供の開始も、担当が地域の情報を覚えていれば足す、という扱いです。

(b)選び方が担当ごとに違う。 3番目は担当の経験で行っています。障害の回数を重く見る担当もいれば、加入の年数を重く見る担当もいます。 4名の選んだ世帯を突き合わせる5番目で、毎月意見が分かれます。

(c)失う額が見えていない。 240世帯は「解約しそうか」で選んでおり、テレビ・インターネット・電話を全部契約している世帯と、テレビの基本のコースだけの世帯が同じ1件として並びます。 限られた連絡の数を、失う額の大きい世帯に寄せられていません。

(d)画面を開くのに時間がかかる。 2番目は1世帯ごとに4つから5つの画面を開く作業で、700世帯のうち連絡しない世帯にも同じ時間がかかっています。

  1. 【自動】 毎月1日の朝、顧客管理の仕組みとセットトップボックスの管理の仕組みから、前の月末の時点の記録を書き出す
  2. 【自動】 Python の処理が世帯ごとの月末の表を作る(契約・割引の満了月・口座振替・問い合わせ・訪問修理・視聴の日数・地域)
  3. 【自動】 学習済みのモデルで、世帯ごとに翌月の「全部の解約」「一部の解約」「継続」の確率を出す
  4. 【自動】 確率に月額の減り方を掛けて「失いそうな月額」を出し、理由の札を付けて上位の候補を並べる
  5. 【自動】 連絡を断った世帯、集合住宅の一括の契約、すでに解約の申し出がある世帯を一覧から外す
  6. 【人】 担当4名が地区ごとに上位の候補を見て、理由の札と記録を確かめ、連絡する240世帯を決める
  7. 【人】 課長が、引き留めで案内できる割引とコースの範囲を決める
  8. 【人】 翌月、一覧の順に連絡し、結果を連絡の記録に書く
  9. 【自動】 翌々月の初めに、実際に解約したかを突き合わせ、当たり方の記録を足す

6番目が、この設計の分かれ目です。 担当が開く画面は、上位に並んだ世帯の分だけになります。理由の札で「割引の満了まで1か月」「障害の問い合わせ3回」と見えるので、話す材料のメモもほとんど要りません。

7番目を人に残しているのは、意図してのことです。 確率の高い世帯にだけ大きな割引を出すと、同じ地域の同じコースの契約者の間で、条件の差が生まれます。 案内してよい範囲は、料金の決まりと公平さを見て課長が決めます。

02今回想定するシステム構成

構成図
顧客管理の仕組み(契約・請求・口座振替・問い合わせ・訪問修理)
セットトップボックスの管理の仕組み(視聴があった日の数だけ)
   │  毎月1日の朝、前の月末の時点の記録を CSV で書き出す
   ▼【トリガー】書き出しの完了
Python(pandas)── 世帯ごとの月末の表、他社の光回線の地域の表
   ▼
scikit-learn の HistGradientBoostingClassifier
   │   翌月の「全部の解約」「一部の解約」「継続」の確率
   ▼
CalibratedClassifierCV(FrozenEstimator で包み、別の月で較正)
   ▼
Python ── 失いそうな月額、理由の札、外す世帯の処理
   ▼
地区ごとの候補の一覧(共有のスプレッドシート)
   ▼
【人】担当が240世帯を決め、課長が案内の範囲を決める
役割想定する製品代替候補
実行環境Python(pandas・scikit-learn)R
処理エンジンscikit-learn の HistGradientBoostingClassifier と CalibratedClassifierCVLightGBM、scikit-learn の LogisticRegression
集計Python(失いそうな月額、理由の札、当たり方の記録)スプレッドシートの計算式
保管共有のスプレッドシート(候補の一覧、連絡の結果、当たり方の記録)社内のファイルサーバー
データの取得元顧客管理の仕組みとセットトップボックスの管理の仕組みの書き出し局のデータの置き場

新しく足すのは、Python の処理と候補の一覧だけです。 顧客管理の仕組みには書き込みません。連絡の結果を書くのは、これまでどおり担当です。

予測のエンジンに HistGradientBoostingClassifier を選んだのは、欠けた値と種類の列をそのまま扱えるからです。 公式のページでは、欠けた値(NaN)にそのまま対応し、学習のときに欠けた値を左右どちらに送るかを分かれ目ごとに覚えるとされています。インターネットを契約していない世帯の「通信の障害の回数」は、0ではなく欠けた値です。「障害が無かった」と「そもそも契約が無い」を分けたまま渡せます。

種類の列は categorical_features の既定 'from_dtype' で扱います。 pandas の列をカテゴリの型にしておけば、コースや地区がカテゴリとして扱われます。

較正に CalibratedClassifierCV を使います。 公式のページでは、method に 'sigmoid'(既定)・'isotonic'・'temperature' があり、すでに学習したモデルは FrozenEstimator で包んで較正できるとされています。このとき渡したデータはすべて較正に使われ、学習と較正のデータを分けるのは使う側の責任です。以前の cv="prefit" の書き方は、現在のページに載っていません。

生成AIは使いません。 理由の札は、項目の値から決まった文言を選ぶ規則で作ります。契約者の記録を外部のサービスに送る部分がありません。

03どうやって実装するのか

Step1

処理の起点を決める

毎月1日の朝、前の月末の時点の書き出しが終わったときに動かします。 顧客管理の仕組みの月次の締めが終わってから書き出すので、口座振替の結果と月末の契約の状態がそろった表になります。

一覧は3日の朝までに出します。 担当は3日から地区ごとに候補を見て、10日までに連絡の一覧を固めます。翌月の割引の満了の世帯に、満了の前の月のうちに連絡できる日程です。

学習のやり直しは、四半期に1回にします。 毎月の処理は学習済みのモデルで確率を出すだけで、モデルの版が変わるのは3か月に1回です。 他社の光回線の提供の開始のように地域の状況が大きく変わったときは、四半期を待たずに学習し直します。

Step2

入力データを集める

データ中身取得元
契約世帯の番号、テレビ・インターネット・電話のコース、月額、加入の年月、割引の満了の月、住まいの区分(戸建て・集合住宅の個別・集合住宅の一括)顧客管理の仕組み
支払月ごとの口座振替の結果(済み・不能)、払込票への切り替えの有無顧客管理の仕組み
問い合わせ月ごとの件数と区分(障害・料金・コースの変更・解約の手続き・引っ越し)顧客管理の仕組み
訪問修理月ごとの訪問の回数と、同じ症状で再び訪問した回数顧客管理の仕組み
視聴の日数月ごとに、セットトップボックスで視聴があった日の数(番組・チャンネル・時刻は含めない)セットトップボックスの管理の仕組み
地域地区の番号、他社の光回線の提供の開始の月(分かっている範囲)営業部が持つ地域の表
連絡の記録過去の引き留めの連絡の月と結果、連絡を断った印連絡の記録のスプレッドシート
結果翌月の解約の申し出の有無と、全部か一部か顧客管理の仕組み

氏名・電話番号・住所の番地は、学習に入れません。 世帯の番号で表を結び、名前と連絡先は候補の一覧を作るときに顧客管理の仕組みの側で付けます。

インターネットの通信の量や接続先も使いません。 通信の内容に関わる記録は、通信の秘密の扱いと切り離せないため、この構成の材料からは外します。 使うのは、契約と請求と問い合わせのような、局が契約の管理のために持つ記録です。

Step3

データの取得方法を決める

顧客管理の仕組みの帳票の書き出しで、月末の時点の状態を取ります。 契約の表は「その月の末日にどうだったか」で書き出し、後から変わった値で過去の月を上書きしないようにします。過去の分は、月ごとの書き出しが残っていればそれを使い、無ければ契約の変更の履歴から月末の状態を組み立て直します。

視聴の日数は、セットトップボックスの管理の仕組みで、月ごと・機器ごとに「視聴があった日の数」だけを集計して書き出します。 放送の分野の個人情報の指針は、特定の日時に見た番組が分かる視聴者の個人情報を「視聴者特定視聴履歴」と呼び、本人の同意なく、料金の請求・統計の作成・匿名加工情報の作成の目的に必要な範囲を超えて扱ってはならないとしています。日の数だけなら番組は分かりませんが、視聴に伴って取る個人の情報であることは変わらないので、利用目的に「契約の継続の案内」を入れて公表してから使います。

取るものどこから何に使うか
月末の契約の状態顧客管理の仕組みの月次の書き出し項目と、月額の減り方の計算
月ごとの問い合わせ・訪問・振替の結果同じ書き出し直近3か月と前の年の同じ月の項目
月ごとの視聴の日数セットトップボックスの管理の仕組みの集計直近の月と前の3か月の平均との差
他社の光回線の提供の開始営業部の地域の表開始からの月数の項目
翌月の結果解約の申し出の記録学習の正解(全部・一部・継続)
Step4

AIへ渡す前に整形する

  1. 対象の世帯を絞る … 集合住宅の一括の契約(世帯ごとに解約を選べない)と、月末の時点ですでに解約の申し出がある世帯は外します
  2. 正解の作り方 … 翌月の1日から末日までに解約の申し出があったかで決めます。テレビ・インターネット・電話のすべての解約なら「全部」、どれかが残るなら「一部」。コースを下げただけは「継続」に入れます
  3. 時間の窓 … 問い合わせ・訪問・振替は直近1か月と直近3か月の件数、視聴の日数は直近の月と前の3か月の平均との差を項目にします
  4. 割引の満了 … 満了の月までの月数を項目にします。満了済みは負の数、割引の無い世帯は欠けた値です
  5. 他社の光回線 … 地区ごとに提供の開始からの月数を項目にします。提供の無い地区は欠けた値です
  6. 先読みを防ぐ … 「解約の手続き」の問い合わせのうち、月末より後の日付のものは項目に入れません。月末の時点で分かっていたことだけを使います
  7. 過去の連絡の印 … 前の月に引き留めの連絡をした世帯には印を付けます

6番目を軽く見ないでください。 書き出しの日付が月末より数日遅れると、翌月の初めにかかってきた解約の電話の記録が項目に混ざり、モデルはそれを当てているだけになります。 学習のときだけ当たりがよく、実際に使うと外れる、という形で表れます。

7番目の印は、連絡の効き目を学習に混ぜないためです。 連絡して引き留まった世帯は「継続」として学習に入るので、連絡が効くほど、その特徴の世帯は解約しにくいと覚えてしまいます。 印を項目に入れ、印のある世帯は較正と当たり方の確かめから外します。

Step5

AIに処理させる

させるのは、世帯ごとに翌月の「全部の解約」「一部の解約」「継続」の確率を出すことだけです。 失いそうな月額、理由の札、外す世帯の処理は、Python の計算と規則で行います。

出すもの中身使いみち
全部の解約の確率較正した後の確率失いそうな月額の計算
一部の解約の確率較正した後の確率同上
失いそうな月額全部の確率 × 今の月額 + 一部の確率 × テレビの月額一覧の並び順
理由の札項目の値から規則で選ぶ短い文言(最大3つ)担当が話す材料

一部の解約で減る額を「テレビの月額」と置くのは、過去の一部の解約の大半がテレビだけの解約だったという前提です。 自社の記録で、一部の解約のうちどのサービスが外れたかを数え、電話だけの解約が多ければ、その額に置き換えます。

理由の札は、モデルの中身から作りません。 「割引の満了まで1か月」「障害の訪問が直近3か月で2回」「視聴の日数が前の3か月の平均より15日少ない」「地区で他社の光回線の提供が始まって4か月」のように、項目の値が決めた線を越えたものを、規則で選んで並べます。 担当が契約者に話すときの材料なので、確かめられる事実だけにします。

させないこと理由
引き留めの割引の額を決める料金の決まりと契約者の間の公平さで課長が決める
連絡するかを決める担当が記録と地区の事情を見て決める
番組の好みで中身を変える視聴の記録は日の数だけを扱い、番組は持たない
解約の申し出を受けた世帯への対応申し出の受付はコールセンターの仕事
確率を契約者に伝える連絡は使い方を聞くためで、見込みを伝えるためではない

1行目を外すと、運用が壊れます。 確率が高いほど大きな割引を出す決まりにすると、解約を口にした契約者ほど得をする形になり、口にしない長年の契約者との差が広がります。 割引は確率でなく、コースと加入の年数で決めた範囲から担当が選びます。

Step6

指示内容を固定する

生成AIを使わないので、プロンプトはありません。 かわりに、学習と較正の設定を示します。

import pandas as pd
from sklearn.ensemble import HistGradientBoostingClassifier
from sklearn.calibration import CalibratedClassifierCV
from sklearn.frozen import FrozenEstimator
from sklearn.metrics import brier_score_loss

FEATURES = ["tv_plan", "net_plan", "phone_plan", "monthly_fee",
            "tenure_months", "months_to_discount_end", "housing",
            "debit_fail_1m", "debit_fail_3m", "inq_fault_3m",
            "inq_fee_3m", "inq_move_3m", "repeat_visit_3m",
            "view_days", "view_days_diff", "fiber_months", "contacted_last"]
for c in ["tv_plan", "net_plan", "phone_plan", "housing"]:
    df[c] = df[c].astype("category")     # categorical_features の既定は from_dtype

LABELS = {"stay": 0, "partial": 1, "full": 2}
y = df["outcome"].map(LABELS)

# 月で切る:学習・確かめ・較正・最終の確かめ
tr  = df["month"] <  "2025-10"
va  = df["month"].between("2025-10", "2026-01")
cal = df["month"].between("2026-02", "2026-06") & (df["contacted_last"] == 0)
te  = df["month"].between("2026-07", "2026-09") & (df["contacted_last"] == 0)

base = HistGradientBoostingClassifier(
    learning_rate=0.05, max_iter=600,
    early_stopping=True, random_state=0,     # class_weight は付けない
)
base.fit(df.loc[tr, FEATURES], y[tr],
         X_val=df.loc[va, FEATURES], y_val=y[va])

clf = CalibratedClassifierCV(FrozenEstimator(base), method="sigmoid")
clf.fit(df.loc[cal, FEATURES], y[cal])    # 較正には学習と別の月を使う

p = clf.predict_proba(df.loc[te, FEATURES])
for k, i in LABELS.items():
    print(k, brier_score_loss((y[te] == i).astype(int), p[:, i]))

class_weight を付けないのは、確率をそのまま使うからです。 公式のページでは、'balanced' はクラスの数の逆数に比べた重みを付けるとされています。解約は継続よりずっと少ないので、重みを付けると当てやすくはなりますが、確率は実際より高く出ます。 失いそうな月額は確率の大きさそのものを使うので、重みは付けずに較正で合わせます。

較正は 'sigmoid' にします。 公式のページでは、較正のデータが1000件よりずっと少ないと 'isotonic' は合わせすぎになりやすいとされています。世帯は多くても、5か月の較正の期間の全部の解約は数百件なので、まず 'sigmoid' で始め、件数がたまってから比べます。

当たり方は、2つの物差しで見ます。 1つは、確率と実際のずれを測るブライアースコアです。公式のページでは、予測した確率と実際の結果の差の2乗の平均で、小さいほどよいとされています。もう1つは、上位240世帯に翌月の全部の解約が何件入ったかを、今のやり方(割引の満了と振替の不能の書き出し)と比べることです。今のやり方に勝てない月が続くときは、一覧に「従来の条件」と書いて従来の書き出しを並べます。

Step7

出力形式を固定する

世帯ごとに、次の形で候補の一覧に1行ずつ出します。

{
  "household_id": "H-0381274",
  "district": "D07",
  "month": "2026-11",
  "services": ["tv_standard", "net_1g", "phone"],
  "monthly_fee": 9900,
  "p_full": 0.21,
  "p_partial": 0.09,
  "expected_loss": 2475,
  "rank_in_district": 4,
  "reason_tags": ["割引の満了まで1か月", "地区で他社の光回線の提供が始まって4か月", "障害の訪問が直近3か月で2回"],
  "excluded": false,
  "exclude_reason": "",
  "model_version": "2026Q3",
  "fallback": false
}

1つ目の理由は、全部と一部の確率を並べて見せられることです。 全部の確率が高い世帯には他社の光回線との比べ方を、一部の確率が高い世帯にはテレビの見方を話す、と話の入り口を変えられます。

2つ目は、expected_loss で並べられることです。 上の例は 0.21 × 9,900円 + 0.09 × テレビの月額4,400円で2,475円です。確率が同じでも、全部のサービスを契約している世帯が上に来ます。

3つ目は、excluded と exclude_reason で外した世帯が見えることです。 連絡を断った世帯を一覧に残して印を付けると、担当が誤って電話をかける前に気づけます。 一覧の表示では、外した世帯を下の別の欄に分けます。

地区ごとの集計の表も作ります。

地区候補の上位失いそうな月額の合計主な理由の札
D0738世帯約8.6万円他社の光回線の提供の開始

担当4名は地区で分担しているので、この表で翌月の連絡の重さを分け直せます。

Step8

システムへ連携する

つなぎ先方式内容
顧客管理の仕組み帳票の CSV の書き出し(毎月1日)契約・請求・振替・問い合わせ・訪問修理・解約の申し出
セットトップボックスの管理の仕組み月ごとの集計の書き出し機器ごとの視聴があった日の数
地域の表スプレッドシートの読み取り地区ごとの他社の光回線の提供の開始の月
連絡の記録スプレッドシートの読み取り過去の連絡の月と結果、連絡を断った印
候補の一覧スプレッドシートへの書き込み世帯ごとの確率・失いそうな月額・理由の札、地区の集計、当たり方の記録

顧客管理の仕組みへは書き込みません。 確率を契約者の画面に表示すると、コールセンターの担当が申し出の電話で見て、対応を変えてしまうおそれがあります。 確率は営業部の候補の一覧の中だけで使います。

Step9

人が確認する

担当4名が、毎月3日から10日までに地区ごとの上位の候補を確かめます。 見る順は次のとおりです。

  1. 外した世帯を確かめる … 連絡を断った世帯、一括の契約、申し出済みが正しく外れているかを見ます
  2. 理由の札を記録で確かめる … 上位の世帯について、札の事実が顧客管理の仕組みの画面と合っているかを見ます
  3. 地区の事情を足す … 大きな集合住宅の建て替え、地区の催しでの営業の予定など、モデルが知らない事情を一覧の欄に書きます。確率は書き換えません
  4. 連絡する240世帯を決める … 上位から選び、外した世帯と理由を一覧に書きます

課長は、案内できる割引とコースの範囲を決めます。

目標は、240世帯をならして1世帯5分です。 画面を開くのは理由の札を確かめる分だけになり、話す材料のメモは札がほぼ代わります。

Step10

例外に対処する

起きること対応
書き出しの日付が月末より遅れた月末より後の日付の問い合わせを外して作り直す。外せないときはその月の一覧を出さない
視聴の日数の集計が届かない欠けた値のまま確率を出し(モデルは欠けた値を扱える)、一覧に「視聴の日数なし」と書く
他社の光回線の提供の開始が分からない地区欠けた値のまま渡す。営業部が分かった時点で地域の表に足す
今のやり方に勝てない月が続く一覧に「従来の条件」と書き、割引の満了と振替の不能の書き出しを並べる
連絡を断った世帯が上位に来た一覧の下の欄に分ける。断った印は連絡の記録が正で、モデルの側で消さない
引っ越しの問い合わせがあった世帯地域の外への引っ越しは引き留めの対象外。札に「引っ越しの問い合わせ」と出し、担当が転居先の提供の有無を確かめる
大きな障害が地区で起きたその月は障害の問い合わせが地区の全世帯で増える。障害の日の問い合わせを項目から外す印を付けて作り直す

いちばん多いのは、上の2行です。 書き出しの日付のずれは、先読みとして一見よい当たり方に表れるので、気づきにくい失敗です。 書き出しの最後の日付を一覧の欄外に出し、月末と違えば処理を止めます。

Step11

記録を残す

  • 毎月の書き出しの原本と、書き出しの最後の日付
  • 世帯ごとの月末の表(世帯の番号で持ち、氏名と連絡先は持たない)
  • モデルの版、学習・確かめ・較正の月、ブライアースコア、上位240世帯の当たり方
  • 毎月の候補の一覧と、担当が決めた240世帯、外した世帯とその理由
  • 連絡の結果と、翌月・翌々月に実際に解約したか
  • 視聴の日数の利用目的を公表した日と、本人の求めで使うのをやめた世帯の印

連絡の結果と実際の解約を並べて残すのは、引き留めの効き目とモデルの当たり方を分けて振り返るためです。

04実装レベルの3段階

最小構成:表計算で、割引の満了・障害・他社の光回線の前後の解約の割合を数える / 過去の解約の傾向の確認
半自動化:上記+Python で全部の解約の確率を出し、確率の順の候補の一覧を作る / 候補の洗い出しと並び順
本格構成:上記+全部と一部の確率、別の月での較正、失いそうな月額、理由の札、外す世帯の処理、地区の集計、当たり方の記録 / 候補の洗い出しから連絡の順と話す材料まで

最小構成では、候補は出ません。 分かるのは、どの条件が自社の解約に効いているかです。 半自動化で、1世帯15分が9分程度になります。 確率の順に並びますが、理由を確かめるための画面を開く作業と、話す材料のメモが残ります。 本格構成で5分になり、この段階が本記事の想定です。 差が大きいのは、理由の札と失いそうな月額で、画面を開かずに選べる世帯が増えるからです。 段階を飛ばさないでください。 半自動化の一覧を2か月ほど担当に見てもらうと、どの札が話の入り口として役に立つかが見えてきます。札の線は、そこで決めます。

05工数削減シミュレーション

前提値(モデル条件)
対象人数
4 名
月間件数
240 件
1件あたり現在時間
15 分
1件あたり導入後時間
5 分
現在  240件 × 15分 ÷ 60 = 60 時間/月
導入後 240件 × 5分 ÷ 60 = 20 時間/月
月間削減時間
40h
削減率
67%
年間削減時間
480h
年間金額換算(時間単価3,000円)
144万円
モデル条件による試算であり、実際の効果は業務内容・運用方法によって異なります。

自社条件で導入効果を整理したい方へ

このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。

AI活用について相談する

06向いている企業・向いていない企業

向いている
  1. テレビ・インターネット・電話を組み合わせて提供し、数万世帯の契約を持つケーブルテレビ局。解約の申し出が出てから引き留めるのでは遅く、割引の満了や他社の光回線の提供の開始の前に連絡したい場合。顧客管理の仕組みに契約・請求・問い合わせの記録が3年分ほど残り、月末の時点の状態を書き出せる場合。
向いていない
  1. 契約の大半が集合住宅の一括の契約で、世帯ごとに解約を選べない場合。月の解約が数件にとどまり、担当者が全部の申し出を見て足りる場合。視聴の記録を個人の契約に結び付けて使うことについて利用目的の公表や同意の整理ができていない場合。なお、引き留めのための割引の可否と額、契約者への説明、解約の受付そのものは、この構成では代替できません。

07最小構成で試す方法

  1. 顧客管理の仕組みから、過去2年分の月末の契約と、毎月の解約の申し出の記録を書き出す
  2. 表計算で、割引の満了の月と解約の月を並べ、満了の前後で解約の割合がどう変わるかを数える
  3. 障害の訪問の回数、口座振替の不能、他社の光回線の提供の開始の前後ごとに、翌月の解約の割合を数える
  4. 全部の解約と一部の解約を分け、それぞれの月額の合計を数える
  5. 直近3か月に連絡した240世帯について、今のやり方の書き出しの条件と、実際に解約したかを並べる

2番目と4番目を必ずやってください。 モデルを作る前に、割引の満了と一部の解約が、自社の解約の数と額にどれだけ表れているかを確かめます。

出てきた内容判断
満了・障害・他社の光回線の前後で解約の割合がはっきり違うPython でモデルを作る
一部の解約の月額の合計が、全部の解約に近いほど大きい一部を分けて見込む意味がある。構成は有効
どの条件でも割合が変わらない記録の月末の状態が作れていないか、解約の理由の付け方がそろっていない。 書き出しを先に見直す

3行目が出たときは、月末の状態を疑います。 契約の表を「今の状態」で書き出していると、過去の月も今の値に上書きされ、差が消えます。

08実装時につまずきやすいポイント

問題対策
翌月の解約の電話の記録が項目に混ざる月末より後の日付を外す。書き出しの最後の日付を確かめて処理を止める
過去の月が今の契約の状態で上書きされる月末の状態で書き出す。無い月は変更の履歴から組み立て直す
連絡が効いた世帯を「解約しにくい」と覚える連絡の印を項目に入れ、較正と確かめから外す
class_weight を付けて確率が高く出る付けずに学習し、別の月で較正する
学習と較正に同じ月を使うFrozenEstimator で包むと渡したデータは全部較正に使われる。月で分ける
較正の件数が少ないのに isotonic を使う1000件よりずっと少ないと合わせすぎになりやすい。sigmoid から始める
番組の視聴の記録を項目に入れる視聴があった日の数だけにし、番組・チャンネル・時刻を持たない
一部の解約の額を一律に置く自社の記録で外れたサービスを数え、額を置き直す
確率で割引の額を変える割引の範囲はコースと加入の年数で課長が決める
地区の大きな障害で候補が偏る障害の日を外す印を付けて作り直す

上の3行が、この構成の失敗のほとんどです。 どれも「月末の時点で分かっていたこと」と「その後に起きたこと」を分ける話で、日付と印の扱いを決めておけば運用に乗ります。

視聴の記録の扱いも、早く効いてきます。 番組まで分かる記録を使えば当たり方は上がるかもしれませんが、本人の同意の無い使い方になり、指針に反します。 日の数だけで作れる範囲で作ります。

09セキュリティ・AIガバナンス上の注意点

この構成で扱うデータ: 世帯ごとの契約・月額・加入の年数・割引の満了の月、口座振替の結果、問い合わせと訪問修理の件数、視聴があった日の数、引き留めの連絡の結果です。

  1. 視聴の記録は日の数だけにする … 放送の分野の個人情報の指針は、特定の日時に見た番組が分かる記録を、本人の同意なく料金・統計・匿名加工の目的を超えて扱うことを禁じ、要配慮個人情報を推知しないよう注意することを求めています。番組・チャンネル・時刻を持たない集計にします
  2. 利用目的を公表する … 視聴の日数を契約の継続の案内に使うことを、個人情報の取扱いの方針に書きます。本人の求めで使うのをやめる窓口も用意します
  3. 通信の記録を使わない … インターネットの通信の量や接続先は、この構成の材料に入れません
  4. 処理を局の中で閉じる … Python の処理は局の中の機械で動かし、世帯の記録を外部のサービスへ送りません。 学習の表には氏名と連絡先を入れません
  5. 確率を契約者の扱いの差に使わない … 確率は連絡の順を決める材料です。割引の額や対応の丁寧さを確率で変えないでください
  6. 連絡を断った世帯に連絡しない … 断った印は連絡の記録を正とし、一覧の側で消しません

誤りが起きた場合のリスクは、解約しない世帯に何度も連絡して煩わしく思わせることと、失う額の大きい世帯を見落とすことの2つです。 前者は連絡の間隔の決まりと断った印で、後者は今のやり方との比べ方と地区の事情の書き足しで防ぎます。

10まず何から始めるか

1週目:月末の状態を作る

顧客管理の仕組みから過去2年分の契約を、月末ごとの状態で書き出せるかを確かめます。書き出せない月は、契約の変更の履歴から組み立て直す方法を決めます。

2週目:視聴の日数の扱いを決める

セットトップボックスの管理の仕組みで、番組を含めずに月ごとの視聴の日数だけを集計できるかを確かめます。あわせて、利用目的の公表の文案を法務の担当と作ります。

3週目:条件ごとの解約の割合を数える

割引の満了、障害の訪問、口座振替の不能、他社の光回線の提供の開始の前後で、翌月の全部と一部の解約の割合を数えます。一部の解約で外れたサービスも数えます。

4週目:Python で全部の解約の確率を出す

学習と確かめの月を分け、全部の解約の確率を出します。この時点では連絡の選び方を変えず、担当が選んだ240世帯と並べるだけにします。

2か月目: 一部の解約の確率、別の月での較正、失いそうな月額、理由の札を足します。3か月目以降: 連絡の印と当たり方の記録を足し、上位240世帯の当たり方を今のやり方と比べます。課長が割引の範囲を確率と切り離して決め、担当4名が地区の集計で分担を決められるようになった時点で、この構成は完成です。


11関連ユースケース

12この仕組みを理解するための記事

13技術仕様の確認日・参考情報

技術仕様確認日:2026-11-16/最終更新:2026-11-16
確認した内容情報源確認日
欠けた値(NaN)にそのまま対応し、分かれ目ごとに欠けた値の送り先を学習すること。categorical_features の既定が 'from_dtype' であること。early_stopping の既定が 'auto' で、行の数が1万を超えるか X_val と y_val を渡したときに有効になること。class_weight='balanced' がクラスの数の逆数に比べた重みを付けること。max_iter の既定が100、learning_rate の既定が0.1であること。predict_proba がクラスごとの確率を返すこと(版 1.9.1)scikit-learn: HistGradientBoostingClassifier2026-11-16
method に 'sigmoid'(既定)・'isotonic'・'temperature' があること。較正のデータが1000件よりずっと少ないと 'isotonic' は合わせすぎになりやすいこと。学習済みのモデルは FrozenEstimator で包んで較正でき、渡したデータはすべて較正に使われ、学習と較正のデータを分けるのは使う側であること(版 1.9.1)scikit-learn: CalibratedClassifierCV2026-11-16
ブライアースコアが予測した確率と実際の結果の差の2乗の平均で、小さいほどよいこと(版 1.9.1)scikit-learn: brier_score_loss2026-11-16
「視聴者特定視聴履歴」が特定の日時に視聴する放送番組を特定できる視聴者個人情報であること。要配慮個人情報を推知しないよう注意すること。本人の同意なく、料金の請求・統計の作成・匿名加工情報の作成の目的に必要な範囲を超えて扱ってはならないこと。同意を得た場合も本人の求めで取得を停止すること(第3条・第42条)総務省: 放送受信者等の個人情報保護に関するガイドライン(令和4年個人情報保護委員会・総務省告示第1号)2026-11-16

視聴の記録の扱い、利用目的の公表、引き留めの割引の決め方は、局の法務の担当と個人情報の取扱いの方針にもとづいて決めてください。 本記事は公開されている仕様と指針の本文で確認できた範囲だけを扱っています。

実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。

自社の業務に使えるAI活用候補を整理します

このユースケース(UC-3163)についてのご相談はこちらから。

AI活用について相談する
目次