Data Driven Knowledgebase

機械学習の予測精度を左右する最大の要因、それが特徴量エンジニアリングです。

しかし、業務に役立つ特徴量を発見し、生成するには膨大な時間と高度なスキルが必要で、データサイエンティストの負担は大きいのが現実です。

こうした課題を解決するために登場したのが、AIによる**自動特徴量エンジニアリング（AutoFE）**を実現するプラットフォーム dotData です。

本記事では、dotDataの機能と実用性を検証するため、実データを使って「どれだけ速く、どれだけ深く、退会要因を明らかにできるのか」を試してみました。

dotDataは、生データからAIが自動で特徴量を設計・生成するプラットフォームです。データサイエンティストが時間をかけて行っていた作業を自動化し、分析プロセスを劇的に高速化します。

主な特徴:

・高度な特徴量エンジニアリング: 元データから統計量、時系列パターン、カテゴリの組み合わせといった、人間では見逃しがちな複雑な特徴量を生成します。

・柔軟な操作性: 直感的なGUI（ノーコード）操作に対応しており、SQLの知識不要

・エンタープライズ対応: ユーザー管理やモデルの判断根拠を示す解釈性（Explainable AI）など、ビジネス利用で求められる機能が充実しています。

特に、今回使用する「dotData Insight」は、データに潜むビジネス課題の原因やパターンを自動で可視化・分析することに特化した強力なツールです。

今回は、顧客がサービスを「退会する（Churn）」か「継続するか」を予測するKaggleのデータセット Churn Modelling を使用し、dotData Insightが「なぜ顧客は辞めてしまうのか？」という退会要因を、どれだけ迅速かつ深く探れるかを検証しました。

【データセット】

• 出典：Churn Modelling – Kaggle


• 件数：10,000件


• 目的変数：Exited（1=退会、0=継続）


• 主な特徴量：CreditScore, Geography, Gender, Age, Tenure, Balance, NumOfProducts, HasCrCard, IsActiveMember, EstimatedSalary

※識別子（RowNumber, CustomerId, Surname）は使用しません。

 

【検証のゴール】

1. 迅速性： 退会の主要因を短時間で把握できるか？


2. 深掘り： 条件付きの離反パターン（例：「特定の国の40代以上」など）を特定できるか？


3. 実用性:：分析結果から、具体的なビジネス施策に繋がるヒントを得られるか？

dotData Insightでの準備はシンプルです。

1. CSVファイルをアップロード


2. 目的変数としてExitedを選択


3. エンティティカラム（顧客ID）を設定


4. 必要なら日時カラムも指定（時系列特徴量生成用）

データ品質レポートが自動生成されるため、欠損や異常値の確認も即座に可能です。

本データは欠損が少なく、前処理はほぼ不要でした。

dotData Insightは、元のカラムだけでなく相互作用や集約を含む複合特徴量を自動生成します。

【要因ランキング（上位例）】

• ・契約商品数が2以上


• ・年齢が42歳以上


• ・国がGermany


• ・アクティブ会員でない

これらは業務直感とも一致しており、納得感があります。

dotDataの真価はここからです。

単一の要因だけでなく、複数の条件を組み合わせた「特に離反リスクが高い顧客グループ」を発見することができます。

今回明らかになった重要なセグメントの例：

• セグメント①（要注意）: ドイツ在住 (Geography=Germany) かつ 42歳以上 (Age ≥ 42)
  
  
  
  • このグループは、全体の平均よりも著しく退会率が高いことが判明しました。特定の国と年齢層の組み合わせにリスクが潜んでいました。
  
  
  
  


• セグメント③（優良）: フランス在住 (Geography=France) かつ 口座残高が低い
  
  
  
  • 逆に、このグループは退会率が低いことも分かりました。離反リスクの低いセグメントを把握することは、効率的なマーケティング戦略にも繋がります。
  
  
  
  

このように「誰が」だけでなく「どんな条件の人が」というレベルまで解像度高く分析できるため、施策の精度を格段に向上させることができます。

dotDataの分析結果は、そのまま具体的なアクションプランに繋がります。

• 施策①：ドイツの42歳以上の顧客への特別なアプローチ
  
  
  
  • 競合他社のサービスと比較して不利な点がないかヒアリングを実施。
  
  
  • 手数料の優遇や金利の見直しなど、具体的なメリットを提示して繋ぎ止める。
  
  
  
  


• 施策②：複数商品契約者への満足度向上策
  
  
  
  • ロイヤルカスタマー向けのアンケートを実施し、サービス改善点を特定。
  
  
  • 複数商品を契約することのメリット（セット割引、専用サポート窓口など）を強化し、満足度を高める。
  
  
  
  


• 施策③：非アクティブ顧客への呼び戻し
  
  
  
  • 長期間サービス利用のない顧客に対し、休眠復帰を促すキャンペーンメールや特典付きの通知を送付する。
  
  
  
  

今回の検証を通じて、dotData Insightが単なる効率化ツールではなく、ビジネスの意思決定を加速させるための「洞察（インサイト）」を提供するプラットフォームであることが明確になりました。

• ・圧倒的なスピード:：手作業なら数日かかる要因分析を、わずか数十分で完了。


• ・深い洞察力： 人間の直感だけでは見つけにくい「条件の組み合わせ」から、高リスクな顧客セグメントを自動で抽出。また、AIによるインサイトの意味づけを理解できる。


• ・施策への直結： 分析結果が具体的で分かりやすいため、すぐにアクションプランへ落とし込める。

特徴量エンジニアリングの自動化は、データサイエンティストを単純作業から解放し、より創造的でビジネス価値の高い業務へ集中させてくれます。特に顧客離反対策のように「なぜ？」の解明が重要な課題において、dotDataは他に代えがたい強力な武器となるでしょう。