マーケティングミックスモデリング

マーケティング・ミックス・モデリング（MMM）は、ユーザーレベルのトラッキングではなく集計された過去のデータを使って、各マーケティングチャネル（およびマーケティング以外の要因）が収益などのビジネス成果にどれだけ貢献したかを定量化する統計分析手法です。

MMMは1960年代にテレビ広告や印刷広告向けに開発されました。デジタルトラッキングの信頼性が低下する中で再び注目を集めています。ユーザーレベルの識別子やCookieをまったく使わずに機能する、唯一の測定手法です。

アトリビューションは個々のユーザーレベルで機能し、追跡されたタッチポイントを通じて特定の顧客の行動経路をたどります。MMMは母集団レベルで機能し、時間の経過に伴う広告費と収益の集計パターンを分析して、チャネルの貢献度を推定します。

アトリビューションは詳細である一方、不完全です（オフライン、ダークソーシャル、追跡されていないタッチポイントを取りこぼします）。MMMは統計的に全体像を把握できますが、個々の顧客の行動経路を特定することはできません。この2つの手法は競合するものではなく、相互に補完する関係にあります。

MMMモデルには、次の週次または月次の時系列データが必要です。チャネル別のマーケティング費用、収益またはコンバージョン、そしてマーケティングとは独立して売上に影響する外部変数（季節性、競合の活動、価格変更、マクロ経済指標、天候など）です。

MMMの出力の品質は、入力データの品質と完全性に正比例します。チャネルや外部要因が欠落していると、モデルはその影響をデータに存在するチャネルに誤って割り当ててしまいます。

MMMの主要な出力の1つが、総収益のうち各マーケティングチャネル、ベース需要（マーケティングをまったく行わなかった場合に生じる需要）、外部要因にどの程度の割合が寄与したかを示す収益分解チャートです。

この分解によって、ほとんどのマーケティングチームが予想するよりも大きな割合の収益がベース需要から生じていることが明らかになるケースが多くあります。これにより、マーケティング全体の影響と各チャネルの増分価値についての議論を見直すきっかけが生まれます。

アドストックとは、広告の持ち越し効果を指します。今日の広告費が、ブランドの記憶や認知がすぐに消えるのではなく徐々に薄れることで、将来の週の売上にも影響し続けるという考え方です。

収穫逓減とは、あるチャネルへの追加の支出が生み出す増分収益が、直前の支出単位による増分収益を下回ることです。MMMでは、各チャネルのアドストックの減衰率と、収穫逓減が始まるポイントの両方を定量化します。

飽和曲線は、チャネルへの支出と収益の関係を示すグラフです。支出が少ない段階では収益が急速に伸び、その後、チャネルが飽和点に近づくにつれて伸びが鈍化する様子を表します。

MMMの出力から導かれるこれらの曲線は、予算最適化の基盤となります。まだ成長の余地があるチャネル（支出が少なく、曲線の傾きが急なチャネル）と、飽和しているチャネル（支出が多く、曲線が平坦なチャネル）を明らかにし、後者から別のチャネルへ予算を振り替える判断に役立ちます。

MetaのRobyn（Rパッケージ）とGoogleのLightweightMMM（Python）は、オープンソースのMMMフレームワークとして有力な2つです。高価な proprietary ベンダーを利用しなくても、高度なマーケティング・ミックス分析を実行できます。

Robynは進化的アルゴリズムを使ってモデルのキャリブレーションを自動化し、予算オプティマイザーの出力と飽和曲線を直接生成します。LightweightMMMはベイズ推論を使うため、モデル出力の不確実性を定量化できます。これは、意思決定者に信頼区間を伝えるうえで大きな利点です。

MMMの予算オプティマイザーは、飽和曲線を入力として受け取り、予測収益を最大化する固定総予算の配分を算出します。つまり、各チャネルの曲線上で、支出1ドルあたりの増分収益が最大になるポイントを見つけます。

MMMでよくある推奨事項には、飽和しているテレビやディスプレイのチャネルへの支出を減らし、成長余地が残るデジタルチャネルへ再配分することがあります。多くの場合、予測される収益への影響も範囲で示されます。

MMMで信頼できる結果を得るには、少なくとも2年分の週次データが必要です。より短い時系列では、季節的なパターンと実際のマーケティング効果を区別できません。また、MMMにはタイムラグがあります。通常、モデルは四半期ごとに更新されるため、リアルタイムのキャンペーン意思決定には活用できません。

MMMは、常に同時に実施されるテレビとオンライン動画など、相関の高いチャネルの分析にも苦戦します。また、ユーザーレベルのアトリビューションで把握できる、詳細なオーディエンスレベルのターゲティング効果を測定することもできません。

高度な測定フレームワークでは、戦略的な予算配分の意思決定（次の四半期にどのチャネルへ投資するか）にMMMを使い、実施中の施策の戦術的な最適化（現在、どのキーワード、オーディエンス、クリエイティブがコンバージョンにつながっているか）にアトリビューションを使います。

MMMは、アトリビューションが特定のチャネルに過剰な貢献度または過小な貢献度を体系的に与えている箇所を明らかにすることで、アトリビューションモデルを調整します。これにより、時間の経過とともに両方の測定手法の精度が向上するフィードバックループが生まれます。

MMMの出力を検証する一般的な手法は、地域ホールドアウト実験を実施することです。テスト市場ではあるチャネルを停止し、対照市場では継続したうえで、収益の差をそのチャネルに対するMMMの予測貢献度と比較します。

ホールドアウト実験の結果がMMMの予測に近ければ、モデルの精度に対する信頼度が高まります。大きな差異がある場合は、モデルの入力に重要な変数が欠けているか、アドストックの仕様を調整する必要があることを示しています。

マーケティング・ミックス・モデリングについて、理解度を確認します。

MMMは集計データからチャネル別の収益貢献度を定量化し、ユーザーレベルのトラッキングに依存しません。そのため、プライバシーを重視する時代において、最も持続性の高い測定手法です。

RobynやLightweightMMMによる飽和曲線と予算オプティマイザーは、モデルの出力を実行可能な予算再配分の意思決定へ変換します。MMMとアトリビューションを組み合わせることで、完全な測定基盤を構築できます。MMMは戦略に、アトリビューションは戦術に使用します。