ベイズ・​メディアミックス​モデリング

どのような​手法か

メディアミックス​モデル​（MMM）は、​売上や​注文数を、​ベースラインと​各マーケティングチャネルの​貢献の​合計と​して​時系列で​説明する​統計モデルです。​週次の​チャネル別広告費、​売上、​価格、​販促、​季節性、​競合などの​集計データを​使います。​ユーザー単位の​追跡は​不要です。

ベイズモデルでは、​各パラメーターに​「どの​範囲が​妥当か」と​いう​事前分布を​設定します。​データで​更新した​ものが​事後分布です。​結果は、​チャネル効果ごとの​分布と​して​得られます。

メディアプランに​必要な​理由

プラットフォームが​報告できるのは、​自ら​観測できる​範囲です。​チャネル間で​売上の​帰属が​重複し、​飽和した​チャネルでも、​追加投資が​効かなくなった​後まで​平均リターンは​高く​見えます。​MMMは​同じ​期間を​横断的に​見て、​「この​チャネルの​広告費が​増えた​とき、​ほかの​チャネルや​暦では​説明できない​売上変化が​あったか」と​問います。

予算判断に​必要なのは、​この​問いです。​チャネル別の​反応曲線に​よって、​「ROASは​4倍」から​「次の​1万ユーロは​この​チャネルで​0.9倍、​別の​チャネルで​3.1倍」と​いう​判断へ​進めます。

仕組み

成果を、​次のような​加法的な​要素に​分けます。

sales(t) = baseline
         + Σ over channels of  β × saturation( adstock( spend(t) ) )
         + seasonality(t) + trend(t) + controls(t) + noise

中心と​なるのは​3つです。

アドストックは、​出稿後も​残る​効果を​次の​週へ​持ち越します。​一般的な​幾何減衰型では、​毎週​一定の​割合が​残ります。

飽和は、​追加投資ほど​効果が​小さくなる​関係です。​通常は​半飽和点と​形状を​持つHill関数で​表します。

係数βは、​変換した​広告費を​売上貢献へ​換算します。​その​貢献の​事後分布と​広告費から、​純増リターンを​求めます。

ベイズ手法の​要は​事前分布です。​アドストックの​減衰など、​チャネル​特性が​よく​わかる​構造パラメーターには​比較的強い​事前分布を​使います。​飽和には​典型的な​広告費に​基づく​中程度の​事前分布、​チャネル係数には​データを​反映しやすい、​正の​値に​制約した​弱めの​事前分布を​使います。​過去の​予算比率で​係数の​事前分布を​調整する​方法も​あります。​従来の​配分には、​事業側の​想定が​含まれているからです。

学習には​マルコフ連鎖モンテカルロ法を​使います。​各パラメーターの​事後サンプルから、​反応曲線、​貢献、​シナリオ予測を​計算します。​Kuwalystの​プランに​示す幅は、​ここから​得られます。

Kuwalystでの​使い方

自社データに​基づくプランでは、​ブランドの​データウェアハウスに​ある​週次広告費、​売上、​注文、​ファネル情報の​通常2〜​3年分を​使います。​モデルの​説明、​事前分布、​反応曲線、​学習診断を、​確認できる​成果物と​して​保存します。

配分には、​現在の​広告費で​曲線から​読み取る​限界iROASを​使います。​飽和した​チャネルから​投資余地の​ある​チャネルへ​予算を​移し、​シナリオには​事後分布の​幅を​示します。​リフトの​幅に​ゼロが​含まれる​場合は、​その​ことも​明示します。

不確実性が​大きく​判断できない​場合は、​通常地域別リフト実験を​提案します。​実測結果を​次回の​学習の​事前分布に​取り込み、​モデル化・実験・再較正を​繰り返します。

自社や​パートナーが​すでに​作成した​モデルも​読み込めます。​Kuwalyst独自の​モデルに​限定しません。

注意点

予測が​当たっても、​帰属が​正しいとは​限りません。​第4四半期のように​各チャネルの​広告費が​同時に​動くと、​別の​チャネルに​貢献を​割り​当てることがあります。​R²や​標本外誤差は​必要ですが、​それだけでは​足りません。​リフト実験で​検証します。

指名検索の​落と​し穴にも​注意が​必要です。​テレビが​指名検索を​生み、​加法モデルが​検索に​売上を​割り​当てると、​上位ファネルを​過小評価します。​外部の​根拠に​よる​調整や、​指名検索を​媒介変数と​する​モデルなど、​採用した​対処法を​プランに​示します。

短い​データに​情報の​乏しい​事前分布を​使うと、​非現実的な​推定や​サンプリングの​問題が​起こります。​逆に​狭すぎると​データが​反映されません。​事前分布を​妥当な​範囲で​変えて​再学習する​感度分析が​必要です。

変動が​なければ​識別できません。​週次広告費の​変動係数が​0.1未満の​チャネルは​事前分布に​強く​依存します。​明示したうえで​実験を​優先します。

時変係数には、​目安と​して​5年以上の​履歴と、​構造変化の​根拠が​必要です。​それが​なければ、​固定係数と​適切な​不確実性の​幅の​ほうが​信頼できる​場合が​あります。

適していない​場合

1チャネルが​支配的、​履歴が​2年未満、​チャネル間相関が​0.95超、​まったく​新しい​商品と​いった​場合、​MMMは​最初の​手段と​して​適さない​ことがあります。​実験を​先に​行い、​モデルは​その後に​構築します。