マーケティングミックスモデリング（MMM）の実践ガイド｜データ・分析・検証の進め方
2026年3月17日
著者: 与謝秀作
マーケティングミックスモデリング（MMM）は、週別・地域別などの集計データを用いて、売上や申込数の変動と、広告・価格・販促・季節性などの関係を推定する分析手法です。導入の目的は、媒体別の点数を出すことではなく、次の予算配分を検討することにあります。
そのためには、モデルの精度だけでなく、データの定義、推定の不確かさ、実際に変更できる予算の範囲をそろえる必要があります。基礎的な意味を先に知りたい方は、MMMの入門記事をご覧ください。
最初に「何を決める分析か」を決める
「広告効果を可視化する」だけでは分析の仕様が決まりません。たとえば「来四半期の広告費を維持したまま、地域別の検索広告と動画広告の配分を変える」という意思決定に落とします。
決める項目 | 設計例 | 注意点 |
|---|---|---|
成果 | 週別の返品控除後売上 | 出荷額・注文額を途中で混在させない |
分析単位 | 地域×週 | 地域の区分変更を補正する |
対象施策 | 検索・動画・SNS・テレビ | 同時に動く媒体は分離しにくい |
利用目的 | 四半期の配分検討 | 日々の入札調整とは分ける |
制約 | 媒体ごとの最低出稿額・制作枠 | 実行できない最適配分を避ける |
成果を売上にするか粗利益にするかで、評価指標の意味も変わります。売上ベースの広告効率を利益率と混同しないよう、分析報告書に定義を明記します。
MMMに必要なデータと準備期間
基本となるのは、成果、媒体別の広告量・費用、広告以外の変動要因を同じ粒度にそろえた時系列データです。
データ群 | 項目例 | 点検すること |
|---|---|---|
成果 | 売上、注文、契約数 | 返品・取消・計上日の扱い |
メディア | 費用、表示回数、リーチなど | 媒体統合、欠損、配信地域 |
自社要因 | 価格、値引き、配荷、在庫 | 広告と同時に変えた施策 |
外部要因 | 祝日、天候、需要の季節性 | 結果を見て都合よく追加しない |
変更履歴 | 計測変更、サイト改修 | 売上変化と計測差を区別する |
必要期間には一律の正解がありません。GoogleのMeridianでは目安として、地域別モデルに週次で2年、全国集計モデルに週次で3年のデータを推奨しています。これはすべてのMMMに共通する最低要件ではなく、モデルや市場の変化、データの粒度によって判断が変わります。Meridianのデータ準備ガイド
長期間のデータがあっても、全媒体の予算が同じ比率で増減していれば、個々の効果は識別しにくくなります。期間の長さと、施策の変化の多さは別の条件です。
モデルで表す3つの関係
1．広告以外でも生じる売上
季節性や価格、販売可能な店舗数などを考慮せずに広告費と売上だけを比較すると、繁忙期の売上増を広告の成果と見誤ることがあります。ただし変数を増やすほど正確になるわけではありません。広告によって変わる指名検索などを調整変数に含めると、広告の効果の一部を取り除く可能性があります。
2．効果の持ち越し（アドストック）
広告を見た週だけでなく、その後にも効果が続くという仮定です。どの程度持続するかは媒体や購買周期によって異なり、動画は必ず長く検索は必ず短い、と固定できません。
3．追加投資に対する飽和
投資を2倍にしても成果が2倍になるとは限りません。反応曲線を使い、追加予算が生む効果の変化を表します。過去にほとんど出稿していない水準への大幅な外挿は、不確かさが大きくなります。
平均ROIと限界ROIを分けて読む
過去の費用全体に対する平均的な効率と、これから1円増やしたときの効率は異なります。以下は考え方を示す仮想例です。数値は売上ベースの倍率とします。
媒体 | 過去の平均効率 | 現在の配分付近での追加投資効率 | 判断の論点 |
|---|---|---|---|
A | 4.0倍 | 1.2倍 | すでに配信が飽和していないか |
B | 2.5倍 | 2.0倍 | 少額を移して効果を検証できるか |
平均値だけならAが有利ですが、追加予算についてはBが候補になります。ただし推定区間が大きく重なる場合は、差が確実とは言えません。契約・制作費・利益率も加えて判断します。
分析から予算変更までの5段階
- データを点検し、欠損、定義変更、外れ値の理由を記録する。
- 業務上の因果関係を整理し、説明変数とモデルの仮定を決める。
- 学習に使わない期間で予測を評価し、残差や係数の妥当性を確認する。
- 変数・期間・仮定を変えた場合に結論が大きく変わらないか検証する。
- 小さな予算変更や実験で検証し、結果を次の推定に反映する。
予測が当たることと、施策の因果効果を正しく推定できることは同義ではありません。可能であれば地域実験などの増分効果の知見と照合します。分析担当者には、単一の配分案だけでなく、推定区間と複数シナリオの提示を求めましょう。
MeridianとRobynを検討するとき
GoogleのMeridianとMetaのRobynは、MMMを構築するための公開ツールです。導入するだけで自社のデータ整備やモデル評価が完了するものではありません。
Meridianはベイズ推定を用いるフレームワークです。一方、Robynはリッジ回帰を軸にした仕組みであり、両者を同じ推定方式として説明しないことが大切です。Robynの公式機能説明
ツール選定では、実装言語より先に「誰がデータ更新を担うか」「検証結果を説明できるか」「予算変更後に検証できるか」を確認します。必要なデータが足りない段階なら、広告効果測定の基礎や媒体別レポートの定義統一から着手する方が現実的です。
よくある質問
個人を追跡できなければMMMも使えませんか？
MMMは通常、集計データを用います。個人単位の広告接触履歴を必須としません。ただし、それだけで因果関係が確定したり、データ利用に関する確認が不要になったりするわけではありません。
MMMがあればアトリビューションは不要ですか？
目的が異なります。アトリビューション分析は観測された接点への成果配分、MMMは集計データからの施策効果の推定に使います。日々の運用と中長期の配分を分け、実験結果も合わせて判断します。
