演習：離反分析フレームワークを設計しよう

import pandas as pd

segments = pd.DataFrame({
    'セグメント': ['ゴールド', 'シルバー', 'ブロンズ'],
    'ARPU': [12000, 6000, 3000],
    '月間離反率': [0.03, 0.06, 0.10],
    '顧客数': [2000, 5000, 8000],
})

# LTV計算
segments['LTV'] = segments['ARPU'] / segments['月間離反率']
# 月間離反人数
segments['月間離反人数'] = segments['顧客数'] * segments['月間離反率']
# 月間離反損失額
segments['月間損失額'] = segments['月間離反人数'] * segments['LTV'] * 0.5

# 1%改善のインパクト
segments['改善後離反率'] = segments['月間離反率'] - 0.01
segments['改善後LTV'] = segments['ARPU'] / segments['改善後離反率']
segments['LTV増加額'] = segments['改善後LTV'] - segments['LTV']
segments['総インパクト'] = segments['LTV増加額'] * segments['顧客数']

print(segments[['セグメント', 'LTV', '月間離反人数', '月間損失額']].to_string(index=False))
print()
print(segments[['セグメント', 'LTV増加額', '総インパクト']].to_string(index=False))

# 結果:
# ゴールド: LTV=400,000円、月間離反60人、1%改善インパクト=4億円
# シルバー: LTV=100,000円、月間離反300人、1%改善インパクト=1億円
# ブロンズ: LTV=30,000円、月間離反800人、1%改善インパクト=0.27億円
#
# → ゴールド会員の1%改善が最もインパクトが大きい

NetShop社 離反仮説ツリー
│
├── 購買行動
│   ├── H1: 直近3ヶ月の購入頻度が低下した顧客は離反しやすい [インパクト: 高]
│   │   └── 必要データ: 月別購入回数の時系列
│   ├── H2: 購入金額が減少傾向の顧客は離反しやすい [インパクト: 高]
│   │   └── 必要データ: 月別購入金額の時系列
│   └── H3: カート放棄率が高い顧客は離反しやすい [インパクト: 中]
│       └── 必要データ: カート放棄ログ
│
├── 顧客体験
│   ├── H4: 返品が多い顧客は離反しやすい [インパクト: 高]
│   │   └── 必要データ: 返品履歴
│   ├── H5: 配送遅延を経験した顧客は離反しやすい [インパクト: 中]
│   │   └── 必要データ: 配送実績データ
│   └── H6: クレーム履歴がある顧客は離反しやすい [インパクト: 高]
│       └── 必要データ: カスタマーサポートログ
│
├── エンゲージメント
│   ├── H7: メール開封率が低い顧客は離反しやすい [インパクト: 中]
│   │   └── 必要データ: メール配信・開封ログ
│   ├── H8: アプリ利用頻度が低い顧客は離反しやすい [インパクト: 高]
│   │   └── 必要データ: アプリアクセスログ
│   └── H9: ポイント利用がない顧客は離反しやすい [インパクト: 中]
│       └── 必要データ: ポイント利用履歴
│
└── 競合・市場
    ├── H10: 競合セール時期に離反が増える [インパクト: 高]
    │   └── 必要データ: 離反タイミングと競合セール時期の相関
    ├── H11: 価格感度が高い顧客は離反しやすい [インパクト: 中]
    │   └── 必要データ: クーポン利用率、値引き商品の購入割合
    └── H12: 特定カテゴリのみ購入する顧客は離反しやすい [インパクト: 中]
        └── 必要データ: 購入カテゴリの多様性

分析ロードマップ

Phase 1: データ理解・EDA（1週目）
  ゴール: データの全体像を把握し、仮説を検証する
  タスク:
    - データ辞書の作成
    - 基本統計量の確認
    - 仮説ベースの可視化
    - 欠損値・外れ値の確認
  成果物: EDAレポート

Phase 2: モデル構築（2週目）
  ゴール: 離反予測モデルを構築し、ベースラインを確立する
  タスク:
    - 特徴量エンジニアリング
    - ベースラインモデル（ロジスティック回帰）
    - アンサンブルモデル（XGBoost/LightGBM）
    - ハイパーパラメータチューニング
  成果物: 予測モデル、性能評価レポート

Phase 3: 解釈・AIエージェント化（3週目）
  ゴール: 予測結果を解釈し、対話型ツール化する
  タスク:
    - SHAP分析による要因解釈
    - LangGraphによるエージェント実装
    - Tool設計・実装
  成果物: 分析AIエージェント

Phase 4: 評価・改善（4週目）
  ゴール: エージェントの品質を担保する
  タスク:
    - 出力品質の評価
    - Human-in-the-Loop設計
    - コスト最適化
  成果物: 品質評価レポート、改善計画書

評価指標:
  - AUC-ROC: 全体的な識別能力（主指標）
  - PR-AUC: 不均衡データでの性能（離反は少数クラス）
  - F1-Score: 精度と再現率のバランス
  - 選定理由: 離反予測は不均衡データのため、Accuracyだけでは不十分

最終成果物: 対話型AIエージェント（チャット形式で離反分析・施策提案が可能）