GCI Winter 2022を優秀修了したときの最終課題スライドです。

1. Takeru Abe, 2023/01/22
GCI Winter 2022 最終課題
通信事業者に対する事業提案

2. 前提
このページでは最終課題に取り組みにあたり仮定したことについて記述している
• A社は日本の仮想移動体通信事業者(MVNO)であると仮定した
• 資料内の統計情報はすべて日本国内の対象に対して集計されたものを使用した
• 資料内の引用はすべて当該ページの下部に出典を明記した
• 最終課題の時間軸としては2023年1月であると仮定した
• 資料内の統計情報は閲覧日が2023年1月であることを前提とした
• クライアントであるA社の事業規模は中小企業並みであると仮定した
• 移動体通信事業者(MNO)は基本的に自社の回線網を有する大手キャリアであり、今回与えられたA社は自社回線
網を持たないMVNOであると仮定している
• A社の事業規模は20万契約ほどの事業規模の会社であると仮定した
• 2021年時のLINEMOの契約者数は約50万契約である[1]
• A社から今回与えられたデータはA社の現状を反映していると仮定した
• A社の解約率は50%ほどで同程度の事業規模であると仮定したLINEMOの解約率より1.2%よりも異常に低い数字
である
• 解約率をはじめとしたA社のデータはすべてA社の現状を表しているという仮定のもとで資料を作成した
[1] ソフトバンク.「2022年3月期 第2四半期 決算発表」.https://www.softbank.jp/corp/news/press/sbkk/2021/20211104̲02,（2023/01/22）

3. エグゼクティブサマリー
市場
課題
モデリング
提案
✓ MVNOの事業者数は2019年に931で、2020年には1047になり一定のペースで増加
✓ MVNOサービスの契約者数は2019年度は2150人で、2020年には2465まで増加
✓ 新型コロナウィルスの影響で社会のリモート化が進むことで契約者数と事業者数が急速に増加中
解約者を予測する機械学習モデルを用いて
解約する可能性が高い顧客に格安プランへの乗り換えを提案する
通信業界の競争は年々激化
A社の課題は「なるべく携帯電話にお金をかけたくない顧客」に対する最適なプラン提供ができていないこと
LightGBMを用いて与えられたデータの解約者50000人のうち30000人の解約をあらかじめ予測
解約する可能性が高い顧客に対して格安プランを提案し解約数の低下を狙う
✓ 毎月の固定料金が少なく、電話の使用回数も少ない顧客が解約する傾向にある
✓ 解約者は直近3ヶ月の電話の利用回数が減る
✓ A社の顧客のうち70%は二人以上の世帯だが、各世帯における有効な契約者の数は1人が70%を占める
✓ ある顧客が解約する確率をLightGBM(Light Gradient Boosting Machine)を用いて予測
✓ 実際の解約者50000人のうち30000人をあらかじめ予測することが可能
✓ データを5分割して8割をモデルの訓練に、残りの2割をモデルの性能検証に使用
✓ 与えられたデータを分析することで顧客が解約する理由の多くは現状の料金プランに対する不満である可能性が高いことが判明
✓ 解約する可能性が高い顧客に対して顧客の属性を踏まえて格安プランへの提案を行う(複数選択肢が存在)
✓ 提案施策により総顧客数10万人に対して毎月650~800万円の収益拡大を見込む

4. A社を取り巻く市場環境
2015年からMVNOサービスの事業者数と契約者数は毎年増加している。新型コロナウィルスの影響によって社会のリ
モート化が進む中でこのトレンドは今後も継続すると考えられるため通信業界の競争は年々激化していると言える
[2] 総務省.「電気通信サービスの契約数及びシェアに関する四半期データの公表（令和元年度第4四半期（3月末））」.https://www.soumu.go.jp/main̲content/000694417.pdf,（2023/01/22）
0
300
600
900
1200
15.3 16.3 17.3 18.3 19.3 19.6 19.9 19.12 20.3
1,047
1,016
984
956
931
838
628
503
146
81
76
75
75
74
60
59
49
33
契約者数が3万以上であるMVNO 契約者数が3万未満であるMVNO
図1 MVNOサービスの事業者数の推移[2]
0
750
1500
2250
3000
15.3 16.3 17.3 18.3 19.3 19.6 19.9 19.12 20.3
201
196
196
194
190
188
177
167
166
2,265
2,192
2,099
2,034
1,960
1,652
1,409
1,102
791
2,465
2,388
2,295
2,228
2,150
1,840
1,586
1,269
958
携帯電話・PHS・BWA 携帯電話・PHS BWA
図2 MVNOサービスの契約数の推移[2]

5. A社が抱える課題
✓ 国内通信キャリアの解約率が高くても1.25%であることを加味するとA社の解約率は50%で驚異的な数字
✓ 頂いた顧客データ10万件だけでも毎月50000(顧客数) 3000(携帯電話料金)=1.5億円の損失
✓ 解約率を1%下げるだけでも毎月50000(顧客数) 0.01 3000(携帯電話料金)=150万の利益拡大
✓ 解約率は他指標よりも改善に対する投資対効果が高い指標であると判断できる
[3] MCA. 「DATAで見るケータイ業界」 .https://k-tai.watch.impress.co.jp/docs/column/mca/1345010.html. (2023/01/22)
[4] 総務省. 「携帯電話の料金等に関する利用者の意識調査」.https://www.soumu.go.jp/main̲content/000752805.pdf, (2023/01/22)
50.4% 49.6%
Churn No Churn
図3 A社の解約率(n=100000)
NTTドコモ
NTTドコモ(ハンドセット)
KDDI(マルチブランド)
ソフトバンク(主要回線)
ソフトバンク(スマートフォン)
0 0.325 0.65 0.975 1.3
1.25
1.01
0.91
0.56
0.62
図4 国内通信キャリアの2021年度Q4解約率[3]
データの概要
図3・・・ A社の解約率(chrun)
図3・・・ 国内通信キャリアの
2021年度Q4解約率
各国内通信キャリアの2021年度Q4
の解約率をもとに作成
解約率はグループ全体の通信事業
サービスの解約率で特定ブランドの
解約率ではない
※ 携帯電話料金は出典[4]に記載の毎月の携帯電話料金の中央値を採用

6. 解約者の傾向
図5 解約者と非解約者の月額料金の分布 図6 解約者と非解約者の一ヶ月あたりの平均利用時間(分)
図7 解約者と非解約者の平均利用時間(分)の変化(3ヶ月前の平均と比較)
データの概要
図5・・・ 解約者と非解約者の月額
料金の分布(totmrc̲Mean)
外れ値を除外するため
-5 < totmrc̲Mean < 100を抽出
図6・・・ 解約者と非解約者の一ヶ
月あたりの平均利用時間(分)
(mou̲Mean)
分布の裾が広いため
mou̲Mean < 3000を抽出
図7・・・ 解約者と非解約者の平均
利用時間(分)の変化(3ヶ月前の平均
と比較)(change̲mou)
分布中心にデータが集中していて、
分布の裾が広いため
-1500<change̲mou<-5と
5<change̲mou<1500を抽出
解約者は月額の固定料金が低く
非解約者は固定料金が高い 解約者は平均利用時間が短く
非解約者は平均利用時間が長い
非解約者は直近3ヶ月の平均利用時
間が増加する傾向にある
解約者は直近3ヶ月の平均利用時間が
減少傾向にある
毎月の平均利用時間が短く固
定料金が比較的低額な顧客が
解約をする傾向にある。特に
直近3ヶ月の平均利用時間が
減少している顧客が解約して
いる
解約者の特徴
解約理由の考察
日常的に携帯電話を利用する
頻度が少ない、あるいは少な
くなったため既存の料金プラ
ンでは顧客の投資対効果に見
合っていない可能性が高い

7. 顧客の特徴
[5] NTTドコモモバイル社会研究所.「スマホ比率・端末保有レポート(2019年10月16日)」.https://www.soumu.go.jp/main̲content/000752805.pdf,（2023/01/22）
5.7%
6.3%
11.4%
17.8%
29.0%
29.9%
1人 2人 3人
4人 5人 6人
図8 契約者がいる世帯の大人の数
5.1%
24.4%
70.5%
1人 2人 3人以上
図9 契約者がいる世帯のうち
A社と契約している人の数 0
22.5
45
67.5
90
父 母 兄弟姉妹 配偶者
78.6
47.4
53.4
46.1
83.7
55.1
67.3
64.1
88.6
71.9
83.2
83
NTTドコモ au ソフトバンク
図9 家族と同じキャリアで契約している人の割合[5]
A社との契約者がいる世帯の約70%はその世帯に2人以上の大人がいる。一方で、その契約者のいる世帯においてA社と
契約している人が1人のみである割合は70.5%である。他社において、家族内で同一のキャリアと契約している人の割
合は少なくとも50%であることから、1世帯あたり契約者数は改善の余地がある項目であると言える

8. 顧客の特徴
図11 顧客が現在の端末を使っている期間の分布
データの概要
図5・・・解約者と非解約者の契約
期間の分布(month)
図6・・・顧客が現在の端末を使い
続けている期間(eqpdays)
各monthを30で割り一ヶ月としてカ
ウントした
解約者は契約期間が約11~15ヶ月になるタイミングで解約する傾向にある。顧客の契約期間の分布と顧客が現在の端末
を使い続けている期間の分布の形状は酷似している。顧客は使用中の端末を更新するタイミングで解約を検討している
可能性が高い
図10 解約者と非解約者の契約期間の分布

9. ご提案
Problem
A社の解約率は49.6%と非常に高い数字
であり改善に対する投資対効果が高い。
解約する顧客は以下のような傾向がある
1. 毎月の平均利用時間が短い
2. 毎月の固定料金が低い
3. 直近3ヶ月の携帯電話利用頻度が低下
Insight
解約した顧客の分析の結果から、もとも
と日常的な携帯電話の利用頻度が低い、
または直近数ヶ月で利用頻度が低くなっ
た顧客が、現在加入中の料金プランが高
く感じられることで解約している可能性
が高い。解約する見込みがある顧客に対
して現在の料金プランより安いプランを
提示するのが解約率を下げることに寄与
すると考えられる
Modeling
解約者と非解約者のデータの分布には
明確な違いがあるものの、それを人間
の力で判断するのは困難である。
提供された10万件のデータと分析の
結果を合わせて顧客の解約率を予測す
る機械学習モデルを構築した。
解約者約50000人のうち30000人の
解約をあらかじめ予測することが可能
になった
Solution
予測した解約者30000人に対して、毎
月の支払い料金が安くなるような提案
を行う。以下の情報をもとに、新たに
「家族割プラン」と「機種乗り換えプ
ラン」を実施する
1. 家族でA社と契約している人の割合
は非常に低いこと
2. 契約者が現在の端末を利用し続け
ている期間に分布と解約するタイ
ミングの分布は酷似していること
機械学習を用いて予測した解約候補者に対して格安プランを提示することで解約率低下を狙う

10. 機械学習モデルの説明
✓ 分析をもとに不要な特徴量や外れ値を除外し、顧客の解約率を予測する機械学習モデル(LightGBM)を構築した
✓ 弊社が作成したモデルは正解率62%、適合率61%、再現性61%を記録した
✓ この機械学習モデルによって解約者50000人のうち30000人の解約をあらかじめ予測することができる
※ 図は https://github.com/Hirochon/GCI2020-Summer/tree/master/FinalTask を参考に作成
LightGBMとは モデル構築の方法
• LightGBMはGradient Boosting Machineの一種でDecision Treeと
呼ばれるデータを条件分岐しながら予測するものをくみあわせた機械
学習モデルである
• 一般的に学習でが高速でメモリを効率よく使うことができるとされて
おり、大量のデータや高次元のデータを処理するのに向いている
• 学習に用いたデータは10万件で49個の特徴量があるためLightGBM
のような高次元で大量のデータを扱えるモデルが適している
• 10万件のデータを5分割し8割を訓練用に残り2割をモデルの性能検証
用に利用した
• データを分割する際は正例と負例の比率が訓練用のデータセット
と検証用のデータセットの間で変わらないように分割した
• データセットを入れ替えながら5回訓練と検証を繰り返し、モデルの
性能検証時の各スコアの平均を最終的なスコアとした
結果
条件
条件 条件
結果
条件
条件 条件 予測
・・・
データセット
訓練用
訓練用
訓練用
検証用
検証用
検証用
訓練用
訓練用
1回目
2回目
3回目
スコア1
スコア2
スコア3
・・・
・・・

11. 図12 LightGBMの特徴量重要度
機械学習モデルの分析
✓ 特徴量重要度はLightGBMが予測をする際にどの程度その特徴が予測に寄与したかを
表す指標である
✓ 特徴量重要度が高い上位10項目を可視化した
✓ 「平均利用時間の変化」や「毎月の固定金額」はLightGBMが解約者と非解約者を見
分けることに大きく寄与した
✓ 弊社が分析した内容の妥当性を支持する結果となっている
✓ あくまで「どの程度予測に寄与したか」という指標であり、「解約者が現状の料
金プランを高いと感じているか」という仮説を裏付けるには、別途ヒアリングな
どの調査が必要である
特徴量重要度 モデルの性能
✓ 弊社が作成したモデルは正解率62%、適合率61%、再現性61%を
記録した
✓ このうち重要な指標は再現率61%である
✓ 解約する可能性が高いと予測されたが実際には解約しなかった
顧客は売上に影響を及ぼさないので重要ではない(Precision)
✓ 実際に解約した人のうちどの程度機械学習モデルがあらかじめ
予想できたかが重要である(Recall)
✓ 再現率61%は解約者50000人のうち30000人の解約をあらかじめ
予測できたことを示している
TP : TruePositive, TN : TrueNegative, FP : FalsePositive, FN : FalseNegative
Accuracy =
TP + TN
TN + TP + FP + FN
正解率(Accuracy) 全てのデータの中で正解した割合
Precision =
TP
TP + FP
適合率(Precision) 正例だと予測したデータのうち本当に正例だったデータの割合
Recall =
TP
TP + FN
再現率(Recall) 全正例データのうちモデルが正例だと出力できたものの割合

12. 提案施策
[4] 総務省. 「携帯電話の料金等に関する利用者の意識調査」.https://www.soumu.go.jp/main̲content/000752805.pdf, (2023/01/22)
[6] SELF株式会社.「「スマホ乗り換え」に関するアンケート」.https://prtimes.jp/main/html/rd/p/000000073.000018339.html,（2023/01/22）
提案事業 根拠
5.7%
6.3%
11.4%
17.8%
29.0%
29.9%
1人 2人
3人 4人
5人 6人
図8 契約者がいる世帯の大人の数
5.1%
24.4%
70.5%
1人 2人
3人以上
図9 契約者がいる世帯のうち
A社と契約している人の数
図10 解約者と非解約者の契約期間の分布
家族割プラン
✓ A社顧客の70%以上は1人のみの契約である
✓ 家族プランによる値引きを全面的に押し出し、顧客の離脱を防ぎ新規顧客も獲得する
✓ 解約する可能性が高いと予測された顧客30000人のうち、1割の顧客が家族もう一人を
入れてA社が提供する家族割プランに加入したとする
※ 家族割プランの金額は出典[4]に記載の格安プランの相場の料金を採用
※ 乗り換え検討率は出典[6]に記載の検討率を採用
1000円(家族プラン料金/人) 30000人
0.1(乗り換え検討率) 2 = 600万円/月
機種変更
✓ 解約者が解約を検討するタイミングと顧客の機種の利用分布は酷似している
✓ 機種変更を伴う格安プランへの乗り換えで離脱を防ぐ
✓ 解約する可能性が高いと予測された顧客30000人のうち、1割の顧客が機種変更を伴う
格安プランに乗り換えたとする
(1650円(端末代/月) + 1000円(利用料))
30000人 0.1 = 795万円/月
※ 端末代金の金額は出典[4]に記載の格安端末の料金を使用
※ 乗り換え検討率は出典[6]に記載の検討率を採用
図11 顧客が現在の端末を使っている期間の分布

13. お見積もり
コンサルティング
費用
今回のコンサルティング費用は100万円
とさせていただきます。
100万円
機械学習モデルの
買い取り
今回作成した機械学習モデルは、収益
性を加味して300万万円で買い取ってい
ただけます。
300万円
機械学習モデルの
メンテナンス
機械学習モデルは継続的なメンテナン
スが必要です。市場のトレンドの変化
に応じてモデルの精度を担保するため
に継続的に調整する費用を50万円とし
ます。
50万円/月
提案させていただいた施策を実行することで1年間に約8500万円ほどの利益が見込まれます。競争が激化する通信業界
において、先端技術を導入し顧客のリテンションを向上させていくことは、A社の競争力向上に繋がります。施策の将来
的な収益を踏まえ、お見積りを以下のように提案せさせていただきます。