ゲーム課金行動クラスタリング — 売上向上 × 離脱抑止

スマートフォンゲームの数十万ユーザーの行動データを多次元クラスタリングで6セグメントに分類。課金要因・離脱要因をXGBoost+SHAPで特定し、セグメント別CRM施策の設計からA/Bテストまでを一気通貫で推進。

ROLE

データサイエンティスト / アナリティクスリード

TEAM

4名

PERIOD

6ヶ月

主な成果

6セグメントの行動特性と遷移パターンを定量化し、CRM施策のターゲティング精度を大幅に向上
中課金層（Minnow→Dolphin）向けナーチャリング施策でARPPU 23%改善
離脱予兆スコアリングモデル（AUC 0.89）により月次退会率を15%→9%に改善
分析フレームワークを他3タイトルに横展開し、全社的なデータドリブンCRMの基盤を構築

TECHNOLOGIES

Pythonscikit-learnXGBoostLightGBMSHAPUMAPpandasBigQueryLookerMLflow

UMAP Embedding散布図 — 32次元の行動特徴量を2次元に圧縮し、6つのユーザーセグメント（Whale・Dolphin・Minnow・Drifter・At-Risk・F2P Active）を可視化 — UMAP Embedding：行動特徴量ベースの6セグメント可視化（N=284,391）

分析パイプライン全体図 — データ収集から特徴量設計・クラスタリング・要因分析・施策設計・運用モニタリングまでの6フェーズ — 分析パイプライン：データ収集→特徴量設計→クラスタリング→要因分析→施策→運用

SHAP Feature Importance — 課金額予測・離脱予測の各モデルにおける特徴量寄与度と、月次セグメント遷移マトリクス — 要因分析：SHAP特徴量重要度（課金/離脱）& セグメント遷移マトリクス

背景・課題

スマートフォンゲームの運営において、数十万ユーザーの課金行動が「課金額のランク分け」でしか管理されておらず、マーケティング施策が全ユーザー一律の配信に留まっていた。「なぜ課金するのか」「なぜ離脱するのか」の行動要因が把握できておらず、高課金者への過度な依存と中間層の取りこぼしが常態化。退会後のアンケートでしか離脱理由を把握できず、予兆段階での介入ができていなかった。

アプローチ

課金額・頻度・セッション時間・ログイン間隔・ガチャ回数・イベント参加率・フレンド数など32次元の行動特徴量を設計し、UMAPで次元圧縮した上でK-means（シルエット分析でk=6を選定）によるクラスタリングを実施。Whale（超重課金）・Dolphin（中課金・高エンゲージメント）・Minnow（低課金・安定利用）・Drifter（不定期・断続課金）・At-Risk（離脱予備軍）・F2P Active（無課金・高アクティブ）の6セグメントを発見した。

各セグメントの課金行動と離脱行動をXGBoost + SHAP値で分析し、「課金頻度が課金額そのものより重要」「ログイン間隔の増加が離脱の最強予測因子」「ソーシャル接続（フレンド数・ギルド参加）が離脱防壁として機能」といった要因を定量的に特定。LightGBMによる離脱予測モデル（AUC 0.89）を構築し、マルコフ連鎖でセグメント間の月次遷移確率を推定した。

これらの分析結果をもとに、セグメント別のCRM施策を設計。Minnow→Dolphin転換のためのナーチャリングシナリオ、At-Riskへの早期介入アラート、Drifterのイベント参加促進キャンペーンなど6パターンの施策をA/Bテストで検証した。