キャスト分析の本指名率 × 離脱率 : 数字に見える接客の質
キャスト評価は感覚ではなく数字で。本指名率だけでは見えなかった「接客の質」を、独自指標「離脱率 = そのキャストが原因で顧客が離脱した確率」と組み合わせて 2 軸で可視化します。業界特化 SaaS tasteck だけが取れる分析。
「キャストの評価を客観的にしたい」「教育や配置を数字で判断したい」と思っても、風俗・メンエス業界で一般的な指標は 本指名率 くらいしかなく、実はこれだけでは接客の質を正しく評価できません。
tasteck は業界特化 SaaS として、「本指名率」と「離脱率」の 2 軸 でキャストを評価できる分析機能を標準装備しています。本指名率だけでは見えなかった「接客の質」を数値で可視化する方法を解説します。
本指名率だけで評価してはいけない理由
本指名率の意味
本指名率 = そのキャストを本指名で選んだ顧客数 ÷ そのキャストを接客した総顧客数
本指名率が高い = リピーターを作れている、という解釈になります。これは大事な指標です。
本指名率の落とし穴
しかし、本指名率だけを見ると見落とす点があります。
例: キャスト A は本指名率 50% (半数のお客様がリピート指名)。一見優秀。 しかし実は、残り 50% のお客様は 「店自体から離脱」 していた場合どうでしょう？
店全体で見ると:
- リピート指名客: 店への固定ファン化 ◯
- 離脱客: 広告費を払って獲得したのに 1 回で離脱 ×
キャスト A は固定ファンを作れるが、合わない客を捌くのが苦手という傾向が見えます。店舗運営の視点では「このキャストにどんな層の顧客を配車すべきか」を判断する材料になります。
tasteck 独自の指標: 離脱率
定義
離脱率 = そのキャストの接客後、その顧客が一定期間来店しなくなった確率
「そのキャストの接客が原因で、顧客が店ごと離脱してしまう確率」を tasteck は独自アルゴリズムで算出します。
どうやって算出するか
- 各顧客の利用履歴をキャスト別にトレース
- 特定キャストの接客後、どのくらいの確率で来店が途絶えたかを計算
- 全キャスト平均との差分で「そのキャストの寄与分」を抽出
業界特化 SaaS だからこそ持てる、顧客 × キャスト × 時系列データの掛け合わせから導き出す指標です。
2 軸で見るキャスト評価マトリクス
本指名率 × 離脱率の 2 軸で見ると、キャストは 4 タイプに分類できます。
| タイプ | 本指名率 | 離脱率 | 評価 | 対応 |
|---|---|---|---|---|
| エース | 高 | 低 | 店の中核 | 待遇改善・保持優先 |
| リピーター特化 | 高 | 高 | ファン客は作れるが合わない客は逃がす | 顧客マッチング精度を上げる配車 |
| 万能型 | 中 | 低 | 誰が相手でも無難にこなす | 新規客の接客に回す |
| 要改善 | 低 | 高 | 接客品質に問題あり | 教育・フィードバック強化 |
この分類ができると、**「誰を優遇するか」「誰に何を教育するか」「どの顧客にどのキャストを提案するか」**が感覚ではなく数字で決められるようになります。
実際の画面での見方
tasteck の キャスト分析画面 では:
- キャスト別ランキング (本指名率順 / 離脱率順)
- 2 軸散布図でキャスト全体の分布
- 月別推移 (成長しているか / 低迷しているか)
- コース別・時間帯別の内訳
- 担当した顧客リスト (離脱した顧客を個別確認)
が一覧できます。特に 「離脱した顧客を個別確認」 できる機能は、振り返り面談で「この◯◯さんは前回接客後に来店してないね、何があったか覚えてる？」と具体的な会話ができるのが強みです。
数字で評価する運営のメリット
感覚でキャストを評価していると、以下のような問題が起きます:
- 店長の好みでキャスト配置が決まる
- ミーティングで感想ベースの議論になる
- 教育の方向性が曖昧になる
- キャストから「なんで自分が?」という不満
本指名率 × 離脱率の 2 軸があれば、こうした人間関係の摩擦を 客観的なデータ で減らせます。キャスト本人にも「この数字が改善したら待遇アップ」と明確に示せるので、モチベーション設計もしやすくなります。
まとめ
- 本指名率だけでは接客の質を正しく見られない
- 「そのキャストが原因で離脱した顧客の確率」= 離脱率 を合わせて見るべき
- 2 軸マトリクスで 4 タイプに分類、それぞれに適した対応が打てる
- 数字で評価する文化は、キャストとの信頼関係を壊さずに運営を前進させる
感覚運営から数値運営への移行は、小さな一歩ですが効果は絶大です。