FinTech業界において顧客維持コストの高騰が課題となる中、機械学習を活用した顧客離脱防止システムの構築事例が報告された。このケースではデビットカード製品を対象に、30日間取引停止を離脱定義とし、アカウント属性や取引履歴から特徴量を抽出した。まずグラディエントブースティング系アルゴリズムによる事前離脱モデルで将来の取引確率を予測し、閾値以下のリスク層を特定。予測確率の経時的な偏りを補正するため、ロジスティック回帰によるキャリブレーションモデルを併用し、システム安定性を確保した。当初リスク層全体へキャッシュバック引き上げを実施した際、離脱防止効果は認められたものの、自然継続層や介入無感応層まで広く対象としたため、維持単価が新規獲得コストを上回る非効率な状態に陥った。これを解決すべくA/Bテストデータを基にアプトリフトモデルを構築し、実際のキャンペーン効果が生じる顧客のみを抽出する二段階フィルタリングを採用。継続的な実験データフローによるモデル再調整を設計に組み込んだ結果、キャンペーン費を抑制しつつインクリメンタルな顧客維持数を66％向上させた。維持単価は新規獲得コストの0.87倍まで低下し、マーケティング予算を効果的な顧客層へ集中的に配分する経済的に意味のある顧客維持戦略が実現された。