フレームワーク活用ガイドひとことで言うと#
マーケティング・ミックス・モデリング（MMM）は、売上やコンバージョンなどの成果指標を広告・価格・季節性・外部要因に統計的に分解し、各マーケティング施策のROIと最適な予算配分を導き出す分析手法です。
用語の定義#
押さえておきたい用語
- アドストック効果（Adstock）：広告の効果が出稿後も一定期間残存する現象。テレビCMの効果が放映後2〜3週間続くなど、減衰率で表現する
- 飽和曲線（Saturation Curve）：広告投下量を増やしても効果の伸びが鈍化する関係。S字型やHill関数でモデル化される
- ベースライン売上（Base Sales）：広告がなくても発生する「素の売上」。ブランド力・季節性・価格がベースラインを構成する
- インクリメンタル効果（Incremental Effect）：ある施策によって追加的に生じた成果。ベースラインを超えた部分が各メディアの寄与分にあたる
- mROAS（Marginal Return on Ad Spend）：広告費を1円追加投下したときに得られる限界的な売上増。予算の再配分判断に使う中核指標
全体像#
週次データ収集
2〜3年分を準備
→2〜3年分を準備
アドストック・飽和変換
メディア変数を加工
→メディア変数を加工
回帰モデル構築
効果を分解・推定
→効果を分解・推定
予算シミュレーション
最適配分を算出
最適配分を算出
こんな悩みに効く#
- デジタル広告のアトリビューション分析だけでは、テレビCMやOOHの効果を測定できない
- 広告予算を「前年踏襲」で配分しており、チャネル間の効率比較ができていない
- Cookie規制の強化で、ユーザーレベルのトラッキングに依存した効果測定が困難になってきた
基本の使い方#
週次のデータセットを構築する
過去2〜3年分の週次データとして、目的変数（売上・コンバージョン）、メディア変数（チャネル別広告費・GRP）、価格・プロモーション、外部要因（天候・祝日・競合出稿）を整理します。最低100週分のデータが安定したモデル構築には必要です。
メディア変数を変換する
各メディアの広告費にアドストック変換（減衰率パラメータ）を適用し、出稿後の残存効果を反映させます。さらに飽和曲線（Hill関数等）で投下量と効果の非線形関係を表現します。減衰率と飽和パラメータはモデルフィッティングで推定します。
回帰モデルをフィットして効果を分解する
売上 = ベースライン + Σメディア効果 + 外部要因 + 誤差の形でモデルを構築し、各項の係数を推定します。ベイジアン手法（PyMC, LightweightMMM等）を使えば係数の事後分布が得られ、不確実性つきの効果推定が可能です。
mROASで予算を再配分する
各メディアの限界ROAS（追加1円あたりの売上増）を算出し、mROASが低いチャネルから高いチャネルに予算を移す。全チャネルのmROASが均等になる配分が理論上の最適解です。飽和曲線の形状により「まだ投下余地があるメディア」と「すでに飽和しているメディア」を判別できます。
具体例#
飲料メーカーの広告予算最適化
大手飲料メーカーが、年間広告予算18億円（TV 60%、デジタル 25%、OOH 15%）のROIをMMMで分析。3年分の週次データ（156週）でモデルを構築した結果、TVのmROASが1.2、デジタルが3.8、OOHが0.7と推定された。TVは飽和曲線が寝ており追加投下の効率が悪い一方、デジタルはまだ飽和に達していなかった。予算配分をTV 45%・デジタル 40%・OOH 15%に変更した結果、総広告費を据え置きのまま売上が前年比**+4.8%**（約12億円増）となった。
D2Cブランドのチャネル評価
スキンケアD2Cブランド（年商25億円）が、Instagram広告・YouTube広告・インフルエンサー施策・リスティング広告の4チャネルの効果をMMMで分解。2年分の週次データ（104週）から、売上の**68%**がベースライン（ブランド認知＋リピート）、22%がメディア寄与、10%が季節・プロモーション効果と判明。メディア内の内訳はInstagram 42%、YouTube 28%、インフルエンサー 20%、リスティング 10%。インフルエンサー施策はCPA換算では高く見えていたが、アドストック効果（減衰率0.85、約7週間残存）を考慮するとROASは2.4で、リスティングの1.6より効率的だった。
地方銀行のローン申込促進
地方銀行が、個人ローンの申込件数を目的変数にMMMを構築。チャネルはTV（地上波ローカルCM）、新聞折込、Web広告、支店内POPの4つ。2年分の週次データ（104週）で分析した結果、新聞折込のROASが0.4と最も低く、Web広告が5.2で突出して高かった。TV-CMにはアドストック効果（減衰率0.78）があり、出稿停止後3週間は効果が残存することも判明。予算をTV据置・新聞折込50%削減・Web広告2倍に再配分した結果、広告費総額を15%削減しつつ月間申込件数が280件から340件に増加した。
やりがちな失敗パターン#
| 失敗 | 原因 | 対策 |
|---|---|---|
| データ期間が短くて季節性が推定できない | 1年未満のデータでモデルを構築した | 最低2年（104週）以上のデータを用意し、年次の季節パターンを学習させる |
| アドストック変換を省略する | 広告効果を出稿週だけの即時効果と仮定した | 減衰率パラメータをモデル内で推定し、残存効果を考慮した正確なROIを算出する |
| 多重共線性でメディア効果が不安定になる | TV出稿とデジタル出稿が同時期に集中し、効果を分離できない | 過去にメディア間の出稿タイミングがずれた期間を確認し、ベイジアン手法で事前分布による正則化を行う |
| モデルの結果をそのまま信じて大きく予算を動かす | モデルの不確実性を考慮せず点推定だけで意思決定した | 係数の信頼区間を確認し、段階的に予算をシフトしながら実績で検証する |
まとめ#
MMMは「メディア横断でROIを統一基準で比較できる」点が最大の強みです。Cookie規制が進む中、ユーザーレベルの追跡に依存しない集計ベースの手法として再び注目されています。モデルの精度はデータの量と質に大きく左右されるため、まず週次データの整備から始め、アドストック・飽和曲線の2つの変換を入れるだけでも、「前年踏襲」の予算配分からは大きく改善できるはずです。