マーケティングミックスモデリング（MMM）とは？｜Cookieが使えない時代に、広告の効果を集計データで測る考え方

マーケティング施策の効果測定は、この数年でやり方が大きく揺さぶられています。Cookie規制の強化やブラウザ側の追跡制限が進み、計測の前提が崩れつつあります。

この記事で扱うマーケティングミックスモデリング（MMM）は、そうした状況の中で改めて注目されている考え方です。個人を追跡する代わりに、日次や週次の集計データから、どの施策が売上にどれだけ効いたかを統計的に推定します。

MMMという言葉自体は、テレビ広告全盛期の1960年代から存在する古い手法です。当時は媒体ごとの売上への寄与を、視聴率調査会社のデータを使った回帰分析で推定するのが一般的でした。

デジタル広告の普及とともに個人単位のトラッキングが主流になり、MMMは一時期存在感を落としましたが、それが最近になって、GoogleやMetaがオープンソースのツールを公開したことをきっかけに、あらためて実務の選択肢として取り上げられるようになりました。

本記事では、MMMがどのような仕組みで動くのか、なぜ今また脚光を浴びているのか、そして既存の計測手法とどう使い分ければよいのかを、実務者の視点で整理します。

MMMとは何か——集計データから効果を推定する統計モデル

何を入力とし、何を推定するのか

MMMは、広告費・PR露出・季節性・価格・競合の動きといった時系列の集計データを入力として、売上やコンバージョン数といった成果指標を目的変数に置いた回帰モデルです。

個々の訪問者のクリックやCookieを一切必要としない点が最大の特徴で、Cookieレスでウェブ解析はどこまでできる？で扱ったような同意管理の負担からも独立しています。

モデルは各チャネルの広告費と売上の関係を、広告効果が時間をかけて効いてくるアドストック（adstock）や、投下量を増やすほど追加効果が逓減する飽和曲線（saturation curve）という2つの性質を織り込んで推定します。

あわせて、季節性や経済トレンドといった広告以外の要因もコントロール変数としてモデルに組み込みます。広告費が増えた月に売上も伸びたという相関だけを見てしまうと、実は年末商戦のような季節要因が両方を押し上げていただけ、という誤読につながりかねないためです。

出力は、あるチャネルに1円を追加投下すると売上がどれだけ増えるかという限界効果であり、これを使って来期の予算配分をシミュレーションします。

マルチタッチアトリビューションやインクリメンタリティテストとの違い

マルチタッチアトリビューション（MTA）は、個々のユーザーの接触履歴を追って、どの施策が最後にコンバージョンを押したかを配分する手法です。

一方、インクリメンタリティテストとは？で解説したホールドアウト法は、一部の地域やユーザーへの出稿を止めて、その施策が本当になければ何が失われるかを実験的に測ります。

MMMはこの中間にあり、個人の行動を追わない代わりに、長期のトレンドを俯瞰した効果の総量を推定するのに向いています。三者は競合する手法というより、粒度の異なる問いに答えるための道具だと捉えるのが実務的です。

実際、MMMの推定値をインクリメンタリティテストの実験結果と突き合わせて補正するキャリブレーションという工程を挟むのが、成熟した運用では定石になりつつあります。実験だけでは全チャネルを常時カバーしきれず、MMMだけでは因果の裏付けが弱いという、互いの弱点を補い合う関係にあるためです。

なぜ今、MMMが再評価されているのか

プライバシー環境の変化と計測の空白

ブラウザのプライバシー保護強化や、Cookie廃止をめぐる方針転換が繰り返される中で、個人単位の広告効果測定はますます不安定になっています。

さらに、検索行動の一部がAI検索やチャットボットに移り、ダークファネルとは？で扱ったように、そもそも参照元が記録されない見えない検討プロセスも増えています。

こうした個人を追えない領域が広がるほど、個人追跡に依存しないMMMの相対的な価値は上がります。集計データさえあれば効果を推定できるという性質が、計測の空白を埋める手段として評価され直しているわけです。

オープンソースツールの登場が参入障壁を下げた

従来のMMMは、高価なコンサルティングか自前の統計チームが前提で、中小企業には手が届きにくい手法でした。

この状況を変えたのが、GoogleとMetaがそれぞれ公開したオープンソースのMMMパッケージです。

GoogleはMeridianというBayesian（ベイズ）統計に基づくMMMフレームワークをApache 2.0ライセンスで公開しています。地域別データや全国データを使ってマーケティング施策が売上やKPIにどう効いたかを分析し、予算配分の意思決定を支援するツールだと、リポジトリ自身が説明しています。

同様に、MetaのマーケティングサイエンスチームはRobynというMMMパッケージをMITライセンスで公開しています。リッジ回帰や進化的アルゴリズムによるハイパーパラメータ最適化を用いて、チャネルごとの効率と効果を推定する設計になっています。

いずれも個人単位のCookieやユーザーIDを必要としない設計であり、統計の専門知識は要るものの、モデルそのものを一から作る必要はなくなりました。この移行が、MMMの適用対象を大企業の専任チームから、統計担当が1人いれば回せる中堅企業にまで広げつつあります。

Meridianが地域単位のデータ分析にも対応しているのは象徴的です。地域ごとに広告投下量を変えられる企業であれば、地域差そのものが実験に近い変動を生み、モデルの精度を底上げできます。

MMMの限界——万能ではないことを押さえる

必要なデータ量とタイムスケール

MMMは統計的推定である以上、十分な変動を持つ時系列データが要ります。

たとえば説明用の仮定として、週次の広告費と売上を2年分（104週）用意できたとしても、チャネル数が5つ、6つと増えるほど、各チャネルの効果を切り分けるための情報量は相対的に不足していきます。毎週ほぼ同じ配分で出稿してきたアカウントほど変動が乏しく、モデルの推定は不安定になりやすいという性質があります。

新しく事業を始めたばかりで広告費の実績が数か月分しかない場合、MMMは前提となるデータが足りず、有効な推定を返せません。

複数チャネルを同時に動かすと切り分けが難しくなる

統計の世界で多重共線性と呼ばれる問題も、MMMではよく起きます。複数のチャネルをほぼ同じタイミングで増減させていると、売上の変化がどちらのおかげかをモデルが切り分けにくくなるという現象です。

たとえば新商品の発売に合わせてSNS広告と純広告を同時に増額した場合、片方だけを止めるテストをしない限り、MMMの推定はどちらか一方に偏った結果を返しやすくなります。出稿のタイミングを意図的にずらす、あるいは一部地域だけ先行して増額するといった運用上の工夫が、この弱点を和らげます。

短期の意思決定には向かない

MMMは週次・月次単位の集計を扱うため、LPのボタン文言をどちらにするかといった短期のPDCAには不向きです。そうした施策の検証には、ランダム化比較を使ったA/Bテストの方が適しています。

また、MMMが出す推定値には常に統計的な幅があり、単一の点推定を鵜呑みにして予算を大きく動かすのは危険です。多くの実務者は、MMMの示唆を四半期に一度の予算配分の参考値として使い、日々の運用判断には使わないという線引きをしています。

モデルの解釈にはドメイン知識が要る

MMMの出力はあくまで統計的な相関から導かれた推定であり、機械的に信じてよいわけではありません。

たとえば競合の値下げや景気後退のように、モデルに組み込んでいない外部要因が売上を動かしていた場合、特定チャネルの効果として誤って推定されてしまうことがあります。

だからこそ、モデルの結果を事業の実感と突き合わせて読む役割が欠かせません。数字だけを鵜呑みにする組織ほど、この種の誤読に気づかないまま予算を動かしてしまいがちです。

誰が担当するのか——必要なスキルと体制

データを集める人とモデルを読む人は分けて考える

MMMの導入というと統計モデルの構築ばかりに目が行きがちですが、実務で最初につまずくのはデータの整備です。

広告費・売上・季節性・キャンペーン期間といった集計データを、チャネルをまたいで揃った粒度と期間で用意する作業には、想像以上に手間がかかります。ここは分析の専門家というより、部門をまたいだデータ基盤の整備が得意な役割が担うのが自然です。

モデルの出力を経営判断につなげる役割

モデルそのものはMeridianやRobynのようなツールに任せられても、出てきた推定値を予算配分の意思決定に翻訳する役割は残ります。

この橋渡しは、統計の細部を理解しつつ事業側の言葉で説明できる人が担うのが理想で、プロダクトマーケターやRevOpsのリーダーがこの役回りを兼ねているケースが多く見られます。専任のデータサイエンティストがいない組織でも、外部の測定パートナーやコンサルティングを使いながら年に数回のサイクルを回す運用は十分に成立します。

小規模なチームであれば、最初から専任者を置くのではなく、四半期に一度の予算会議に合わせてスポットで外部に依頼する運用から始めても十分です。継続的な内製化は、MMMを使う意思決定サイクルが組織に定着してから検討すれば遅くありません。

3つの計測手法をどう使い分けるか

ここまで見てきたMTA・インクリメンタリティテスト・MMMは、それぞれ得意な問いが異なります。次の表は、その違いを実務目線で整理したものです。

どれか1つに絞る必要はなく、日々のファネル改善にはMTAとインクリメンタリティテストを、大きな予算方針の見直しにはMMMを、というように問いの時間軸で使い分けるのが現実的です。三者を併用する場合も、アトリビューションの実務で触れたように、どの手法も完璧ではないという前提を関係者で共有しておくと、数字のズレをめぐる不毛な議論を避けられます。

説明用の試算——MMMの出力を予算配分にどう使うか

具体的なイメージを持つために、仮の数値で試算してみます。以下の数値はあくまで説明用の仮定であり、実在の企業のものではありません。

ある企業が月間1000万円の広告費を、検索広告・SNS広告・純広告の3チャネルにおおよそ均等に配分していたとします。MMMによる限界効果の推定が、検索広告は追加1円あたりの売上寄与が最も高く、純広告は逓減が進んでいるという結果を返した場合、次の四半期は純広告を減らし検索広告へ振り向けるという判断が立てられます。

この試算はあくまで考え方を示すためのものですが、個々のクリックを見なくても集計データだけで配分の当たりをつけられるというMMMの性質は伝わるはずです。実際の運用では、この見直し後の配分をそのまま確定させるのではなく、純広告を減らした地域とそうでない地域を比べる小さな実験を挟んで、推定の妥当性を確かめてから本格的に動かす進め方が安全です。

どこから始めるべきか

自社にMMMが必要かどうかを判断する目安は、広告費の絶対額とチャネル数です。単一チャネルに月数十万円を投じている段階では、MMMより先に導線改善やCVR改善の方が投資対効果が高いでしょう。

複数チャネルに継続的な予算を投じ、四半期ごとの配分見直しが意思決定として重要になってきた段階になって初めて、MMMは検討に値します。いきなり自前でモデルを構築するのではなく、MeridianやRobynのようなオープンソースツールのチュートリアルを触ってみて、自社の手元データでどの程度の推定精度が出るかを小さく試すのが現実的な一歩です。

その際は、いきなり全チャネルを一つのモデルに詰め込むのではなく、影響が大きい2〜3チャネルだけに絞った小さなモデルから始めるのがおすすめです。変数が少ないほど結果の解釈がしやすく、社内で合意を得ながら段階的にモデルを育てていけます。

集計データという一段抽象度の高いレンズは、個人追跡が難しくなっていく時代において、失われつつあった全体としてどれだけ効いているかという問いに答え続けるための手段になります。MTAやインクリメンタリティテストと置き換えるものではなく、それらと組み合わせて使う道具として位置づけておくと、過度な期待も過小評価も避けられるはずです。