ビジネスの現場では、常に「平均の罠」が課題となります。「平均LTV（顧客生涯価値）は$500です」というレポートを見ても、そこには明日解約するかもしれない顧客と、今後10年使い続けてくれるロイヤルカスタマーが混ざり合っています。これでは、誰にリソースを集中すべきか判断できませんよね。
特に昨今のCookie規制により、サードパーティデータに頼ったターゲティングは日に日に難しくなっています。だからこそ、手元にある宝の山――ファーストパーティデータ（自社の購買履歴や行動ログ）――を磨き上げる必要があります。
今回は、あえて複雑なディープラーニングから始めず、まずは動くプロトタイプを作ります。皆さんが馴染み深い「RFM分析」を機械学習の燃料（特徴量）に変え、Pythonを使って「明日の収益」を予測するモデルを一緒に作っていきましょう。コードを書きながら、仮説を即座に形にして検証するプロセスを体験してください。皆さんの現場では、どのようなデータが眠っているでしょうか？ぜひ想像しながら読み進めてみてください。
1. ルールベースからAI予測へ：LTV算出のパラダイムシフト
多くのSaaSやEコマースの現場で使われているLTVの計算式は、以下のようなものではないでしょうか。
従来のLTV = 平均顧客単価 (ARPU) ÷ 解約率 (Churn Rate)
この式は事業全体の健康状態を把握するには優秀ですが、個別のマーケティング施策に落とし込もうとすると、途端に解像度が粗くなります。「平均的な顧客」など存在しないからです。
平均LTVの限界と個別予測の必要性
ルールベース（固定の計算式）の最大の問題点は、「過去の平均が未来も続く」という強い仮定に依存していることです。しかし、現実はもっとダイナミックです。
- 先月加入したばかりの熱量の高いユーザー
- 3年間利用しているが、最近ログイン頻度が落ちているユーザー
この2人のLTVが同じはずがありません。AI（機械学習）を導入する最大のメリットは、こうした「個々の顧客の状態変化」を捉え、未来の収益確率をスコアリングできる点にあります。
ファーストパーティデータがAIの燃料になる理由
Cookieレス時代において、企業が独占的に保有するファーストパーティデータは最強の武器です。競合他社はあなたの会社のトランザクションデータ（購買履歴）を持っていません。これは、GoogleやFacebookでさえ模倣できない、あなただけの競争優位性です。
本記事で構築するモデルの全体像
今回は、以下のステップで「回帰モデル」を構築します。
- 入力（X）: 過去6ヶ月間の購買データから抽出したRFM指標など。
- 出力（y）: 向こう3ヶ月間の購買金額（LTV）。
- アルゴリズム: 解釈性を重視し、線形回帰とランダムフォレストを使用。
マーケターとエンジニアの共通言語である「RFM」をベースにすることで、予測結果が出た際に「なぜこの予測になったのか」をビジネスサイドと議論しやすくなります。技術の本質を見抜き、ビジネスへの最短距離を描くための実践的なアプローチと言えるでしょう。
2. データ前処理：生のトランザクションを「学習可能な形式」に変換する
機械学習プロジェクトの成否の8割はデータ前処理で決まる。これは長年の開発現場において変わらない真実です。
ここでは、Pythonのデータ解析ライブラリ pandas を使って、生の購買ログ（トランザクションデータ）を、モデルが学習できる形（顧客ごとの特徴量テーブル）に変換します。
必要なライブラリと環境セットアップ
まずは必要なライブラリをインポートしましょう。
import pandas as pd
import numpy as np
from datetime import timedelta
# 表示設定（データフレームを見やすくするため）
pd.set_option('display.max_columns', None)
Feature Engineering：RFMの特徴量化
ここが最大のポイントです。時系列データを扱う際、「観察期間（Observation Window）」と「予測期間（Prediction Window）」を明確に分ける必要があります。
例えば、ある時点（カットオフ日）を境に、過去のデータを使って特徴量を作り、未来のデータを使って正解ラベル（実際のLTV）を作ります。
# サンプルデータの生成（本来は自社のCSVなどを読み込んでください）
data = {
'customer_id': [1, 1, 1, 2, 2, 3],
'transaction_date': [
'2023-01-15', '2023-03-10', '2023-05-20',
'2023-02-01', '2023-02-28',
'2023-06-01'
],
'amount': [100, 150, 200, 300, 50, 500]
}
df = pd.read_json(json.dumps(data))
df['transaction_date'] = pd.to_datetime(df['transaction_date'])
# カットオフ日の設定（ここを境に過去と未来を分ける）
cutoff_date = pd.to_datetime('2023-04-01')
# --- 1. 特徴量（X）の作成：カットオフ日以前のデータを使用 ---
history_df = df[df['transaction_date'] < cutoff_date]
# RFM特徴量の計算
features = history_df.groupby('customer_id').agg(
Recency=('transaction_date', lambda x: (cutoff_date - x.max()).days), # 最終購入からの経過日数
Frequency=('transaction_date', 'count'), # 購入回数
Monetary=('amount', 'sum'), # 合計購入金額
T=('transaction_date', lambda x: (cutoff_date - x.min()).days) # 初回購入からの経過日数（顧客期間）
).reset_index()
# --- 2. ターゲット（y）の作成：カットオフ日以降のデータを使用 ---
future_df = df[df['transaction_date'] >= cutoff_date]
# 未来のLTV（期間内合計購入額）を計算
target = future_df.groupby('customer_id')['amount'].sum().reset_index()
target.rename(columns={'amount': 'target_ltv'}, inplace=True)
# 特徴量とターゲットを結合
# left joinにするのは、未来に購入がない顧客（LTV=0）も含めるため
model_data = pd.merge(features, target, on='customer_id', how='left')
model_data['target_ltv'] = model_data['target_ltv'].fillna(0) # 購入なしは0円とする
print(model_data.head())
このコードのポイントは、Recency（最近いつ買ったか）やT（顧客歴の長さ）を数値化している点です。ビジネス的には、「最近買った人は再購入しやすい」「長く利用している人は定着している」という仮説を、数値としてモデルに教えてあげる作業になります。
3. ベースラインモデルの構築：Scikit-learnによる線形回帰とランダムフォレスト
データが整ったら、いよいよモデリングです。最初から複雑なモデルを使わず、まずはシンプルなモデルでベースライン（基準値）を作ります。これを怠ると、高度なモデルが本当に優れているのか判断できません。
学習用データとテストデータの分割戦略
通常のランダム分割（train_test_split）でも良いですが、実務では時間の前後関係が重要です。今回はシンプルにするためランダム分割を行いますが、本番環境では過去データで学習し、より新しいデータでテストする「Time Series Split」を推奨します。
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error, r2_score
# 入力変数とターゲット変数
X = model_data[['Recency', 'Frequency', 'Monetary', 'T']]
y = model_data['target_ltv']
# データの分割（学習:80%, テスト:20%）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# --- モデル1: 線形回帰（解釈が容易） ---
lr_model = LinearRegression()
lr_model.fit(X_train, y_train)
y_pred_lr = lr_model.predict(X_test)
print("Linear Regression MAE:", mean_absolute_error(y_test, y_pred_lr))
# --- モデル2: ランダムフォレスト（非線形な関係を捉える） ---
rf_model = RandomForestRegressor(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)
y_pred_rf = rf_model.predict(X_test)
print("Random Forest MAE:", mean_absolute_error(y_test, y_pred_rf))
モデル評価指標の選び方
ここでは MAE（平均絶対誤差）を見ています。「予測が平均して何円ずれているか」を示す指標なので、ビジネスサイドへの説明が容易だからです。「このモデルは平均して500円程度の誤差でLTVを予測できます」と言えば、施策のリスク許容度と照らし合わせることができます。
ランダムフォレストの方が精度が良い場合が多いですが、それはデータの複雑なパターン（例：Frequencyが高いがRecencyが古い場合の急激な離反リスクなど）を捉えているからです。
4. モデルの解釈性とビジネス活用：予測の「根拠」を可視化する
「AIがこの顧客はLTVが高いと言っています」だけでは、現場のマーケターは動きにくいものです。「なぜ？」という問いに答えることが、AIプロジェクトをPoCで終わらせない鍵です。
ここで役立つのが SHAP (SHapley Additive exPlanations) です。ゲーム理論に基づいて、予測に対する各特徴量の貢献度を算出します。
SHAP値を用いた特徴量重要度の可視化コード
import shap
# ランダムフォレストモデルの説明器を作成
explainer = shap.TreeExplainer(rf_model)
shap_values = explainer.shap_values(X_test)
# 全体的な重要度の可視化（summary_plot）
# shap.summary_plot(shap_values, X_test)
# 特定の顧客（例：最初のテストデータ）の予測根拠を表示
print(f"予測LTV: {y_pred_rf[0]:.2f}円")
print("寄与度:")
for feature, value in zip(X.columns, shap_values[0]):
print(f"{feature}: {value:.2f}")
「なぜこの顧客のLTVが高いのか」を説明する
SHAP値を見ることで、以下のようなストーリーが語れるようになります。
- 「この顧客は
Monetary（過去の購入額）は低いですが、Frequency（頻度）が高く、かつRecency（直近購入）が非常に新しいため、予測LTVが高く出ています。つまり、これから育つ優良顧客候補です」
逆に、
- 「過去に大金を使っていますが、
Recencyが悪化しているため、予測LTVは低くなっています。離反防止メールを送るべき対象です」
このように、数値を「アクション可能なインサイト」に翻訳することが、AIをビジネス価値に直結させるための重要なステップです。経営者視点とエンジニア視点の両方を持つことで、初めてデータは真の力を発揮します。
5. 次のステップ：精度向上のためのアプローチ
今回作成したモデルは出発点に過ぎません。実運用に向けて、さらに精度を高めるためのロードマップを示します。
Lifetimesライブラリ（BG/NBDモデル等）
Pythonには lifetimes というLTV予測専用のライブラリがあります。これは確率モデル（BG/NBDモデルやGamma-Gammaモデル）を用いており、特に非契約型ビジネス（いつ解約したかわからないECサイトなど）での予測に強力です。機械学習アプローチと確率モデルアプローチを比較検証し、自社のデータ特性に最適な手法を選定することをお勧めします。
行動ログデータの追加
今回は購買データ（トランザクション）のみを使いましたが、Webサイトの閲覧ログやアプリの起動回数などを特徴量に加えることで、精度は劇的に向上します。「購入はしていないが、料金ページを頻繁に見ている」といった予兆を捉えられるようになるからです。行動データと購買データを組み合わせることで、顧客の意図をより深く理解できるようになります。
継続的なモデル運用のためのMLOps
顧客の行動パターンや市場環境は常に変化しています（Concept Drift）。一度構築したモデルを放置すれば、予測精度は徐々に低下していきます。これを防ぐためには、最新のデータを用いて定期的にモデルを再学習させるパイプライン（MLOps）の構築が、長期的な成功には不可欠です。
現代のMLOpsにおいては、単なる自動再学習だけでなく、以下のトレンドも考慮すべきです：
- モデル監視の強化: データ分布の変化や推論精度の低下をリアルタイムで検知する仕組みの導入。
- LLMOpsとの連携: LTV予測の結果を大規模言語モデル（LLM）への入力として活用し、パーソナライズされたメッセージ生成を行うなど、運用の高度化が進んでいます。
信頼性の高い運用環境を構築するためには、MLflowやDVCといった主要ツールの最新情報を公式ドキュメントで確認し、実験管理からデプロイまでを自動化する仕組み作りを検討してください。
まとめ
平均値での管理から脱却し、AIによる個別予測へ移行することは、決して魔法ではありません。手元にあるファーストパーティデータを整理し、適切なアルゴリズムを適用する地道なエンジニアリングの結果です。
今回紹介したコードは、その第一歩です。まずは小さなデータセットで試し、自社の顧客データがどのような物語を語っているか耳を傾けてみてください。予測モデルが示す数値の向こう側に、一人ひとりの顧客の顔が見えてくるはずです。
コメント