メディアミックスモデリング（MMM）：定義と仕組み

メディアミックスモデリング（MMM）は、個人レベルのトラッキングではなく、過去の支出と成果データを用いて、各マーケティングチャネルが売上やコンバージョンにどの程度貢献しているかを集計レベルで推定する統計手法です。一人のユーザーのクリックから購入までを追跡する代わりに、MMMは週次または月次の合計、つまりネイティブ広告、検索連動型広告、テレビにどれだけ費やしたかに対して何ユニット売れたかを見て、そのパターンを説明するモデルを当てはめます。

なぜ存在するのか#

すべてのアトリビューション手法には死角があります。クリックベースのモデルは販売に最も近いチャネルを過大評価し、パーソンレベルのトラッキングはタッチポイントをまたぐ永続的な識別子を必要としますが、これはCookie廃止やアプリ追跡制限によって維持が難しくなっています。MMMは、個々のユーザーを特定したり、デバイスをまたいで追跡したりする必要がないため、両方の問題を回避します。完全に集計されたチャネルレベルのデータで動作するため、プライバシーに強く、クリック可能なトレイルを全く生成しないテレビ、ラジオ、屋外広告などのオフラインチャネルでも使用可能です。

モデルに含まれるもの#

典型的なMMMは、売上をチャネルごとの週次広告費に対して回帰し、さらに季節性、価格変動、競合他社の活動、プロモーションなどの制御変数を加えます。出力は、各チャネルの推定貢献度と逓減曲線（追加の1ドルの支出がその前の1ドルよりも少ない増分売上しか生み出さなくなるポイント）を示す一連の係数です。この逓減パターンは、クリエイティブレベルでもしばしば見られ、持続的なフリークエンシーがチャネルレベルのモデルが捉えるはるか前にクリエイティブ疲労を引き起こします。ベース売上（マーケティングをゼロにした場合の売上）はマーケティング主導の売上から分離されるため、モデルがもともと存在した需要を誤って広告のせいにすることはありません。

MMMとライブホールドアウトの比較#

ライブのインクリメンタリティ実験は、実際の支出を一時停止または削減する代償として、1つのテスト期間における1つのチャネルの正確で実験的に検証されたリフト値を提供します。MMMは既存のデータを使用してバックグラウンドで継続的に実行され、すべてのチャネルを同時にカバーしますが、その精度は、チャネル間の効果を分離するのに十分な過去の支出の変動があるかどうかに依存します。多くのアナリティクスチームは、ホールドアウトの結果を使用してMMMの係数を較正・検証しています。なぜなら、クリーンな実験結果と矛盾するモデルはおそらく変数が不足しているからです。

ネイティブ広告とソーシャルメディアがMMMにどのように適合するか#

ネイティブ広告ネットワークとソーシャルプラットフォームは通常、個別のラインアイテムとしてモデル化されます。なぜなら、その反応曲線が異なるためです。Taboolaのようなネットワークは、厳密にターゲティングされた検索キャンペーンよりも長く緩やかな曲線を描く傾向があり、デマンドサイドプラットフォームを通じて購入されたインベントリはまた別の形状を示すことがよくあります。防御可能なモデルを構築する前には、クリーンなチャネルレベルのコンバージョントラッキングと、正しく区分された支出データが必要です。これは実際には最も難しい部分です。OpenAdLibraryの広告インテリジェンスプラットフォームのようなツールを使用して、特定のネットワークで競合の支出とクリエイティブボリュームがどのように動いているかを監視することは、チャネルのモデル化された貢献度が市場で実際に起こっていることと一致しているか、そして報告されているROASがそれと比較して妥当かどうかを確認するための有益な現実検証となります。

制限事項#

MMMは安定したモデルを適合させるために、かなりの量の過去データ（通常は1年以上の週次観測）を必要とします。また、反応が遅いです。チャネルの係数はプラットフォームのダッシュボードのようにリアルタイムで更新されないため、MMMは日次最適化ツールよりも、戦略的な四半期計画ツールとして適しています。支出の相関（毎回同時に2つのチャネルの予算を増やすなど）も、統計的に個々の効果を分離することを困難にします。これは共線性として知られる問題であり、メディアバイイングのスキルがいくらあっても、必要なデータが不足しているモデルを修正することはできません。