MMM（マーケティングミックスモデリング）とは、媒体ごとの広告費と売上などの成果を時系列で突き合わせ、「どの媒体がどれだけ売上を押し上げたか」を統計的に推定する手法です。個人単位の追跡を使わず、期間ごとに集計した数字だけで分析できるのが特徴です。ただし推定できるのは相関構造から導いた「もっともらしい配分」であり、実験のように因果を確かめたものではありません。この記事では、MMMが何に向くのか、そして本格運用のMMMと簡易的なMMMで判断できる範囲がどう違うのかを整理します。
まず結論：MMMは「配分の当たりをつける」道具
MMMを導入して得られるものと、得られないものを先に分けておきます。
得られるもの
- 媒体ごとの売上貢献の相対的な大きさと、その不確かさの幅
- 広告費を増やしたときに効果の伸びが緩やかになる飽和のあたり
- 「次にどの媒体で実験すべきか」という仮説の優先順位
得られないもの
- 「この媒体が原因で売れた」という因果の証明
- 個々のユーザーがどの接点を通ったかという経路の情報
- 広告以外の要因をすべて取り除いた純粋な広告効果
配分を決める最終判断は、MMMの点推定だけではなく、実験の結果と併せて行うものだと考えてください。
なぜ今あらためて注目されているのか
MMMは1960年代から使われてきた古い手法です。近年また使われるようになった理由は、個人単位の計測が難しくなったことにあります。
サードパーティCookieの制限、iOSのトラッキング許可、各種プライバシー規制によって、広告接触から購入までを1人単位で追いかけるアトリビューション分析の精度が落ちました。一方でMMMは、今週の検索広告費はいくら、今週の売上はいくら、という集計値だけを使うため、個人を追跡できなくても成立します。
もう一つの理由は、テレビCMや交通広告のようなオフライン施策を同じ土俵に乗せられることです。クリックが発生しない媒体は、クリックを起点とする計測では扱えません。
MMMが扱う2つの「広告らしさ」
MMMが単純な回帰分析と違うのは、広告特有の性質を2つ組み込む点です。ここが理解できると、結果の読み方が変わります。
残存効果（アドストック）
広告は見た週だけに効くわけではありません。今週打った広告の影響は翌週、翌々週へと減衰しながら残ります。この「持ち越し」をモデルに入れないと、広告費と売上のタイミングがずれているだけで「効果がない」と判定されてしまいます。
飽和（逓減）
広告費を2倍にしても、効果はふつう2倍になりません。同じ相手に何度も届くようになり、1円あたりの効果は落ちていきます。この曲がり方を入れないと、「効いている媒体にどこまでも積めばよい」という誤った結論が出ます。
この2つを入れて初めて「限界ROI」が計算できます。 いま追加の1円を投じたときの効果は、平均のROIとは違う数字になります。予算を動かす判断で見るべきは平均ではなく限界のほうです。
統計じょうずのMMMクイック分析βでは、この残存効果と飽和の形をデータから探索し、季節性・トレンド・入力した統制変数と一緒に推定しています。
本格運用のMMMと簡易版の違い
MMMは同じ名前でも、実務での使われ方に幅があります。専門チームや外部ベンダーが数か月かけて構築するものと、手元のCSVで数分で回すものでは、担保できる範囲が違います。
| 観点 | 本格運用のMMM | 簡易版（クイック分析） |
|---|---|---|
| 推定の方式 | ベイズ推定が主流。事前知識を分布として入れられる | 正則化つきの回帰。事前知識は入れられない |
| 実験との突き合わせ | 地域実験・リフトテストの結果でモデルを補正（キャリブレーション） | 補正なし。実験結果との整合は利用者が確認する |
| データの粒度 | 地域別・商品別の階層構造を持たせて情報量を増やす | 全体を1本の時系列として扱う |
| 外部要因 | 価格・在庫・競合出稿・天候・検索需要などを広く投入 | 利用者が用意できた統制変数のみ |
| 運用 | 定期的な再学習と安定性の監視を継続 | 実行したその場の結果 |
| かかる時間 | 数週間〜数か月 | 数分 |
| 向く用途 | 年間予算の策定、経営への説明 | 方向性の把握、実験の仮説づくり |
差が出るのは主に識別性、つまり効果を媒体ごとに切り分けられるかどうかです。媒体を同じタイミングで一緒に増減していると、どの媒体が効いたのかを数字だけでは分けられません。本格運用のMMMは実験や地域差から追加の手がかりを持ち込んでこれを解きますが、簡易版は手元の時系列にある情報しか使えません。
つまり簡易版のMMMは、本格運用のMMMの劣化版というより、同じ考え方で「当たりをつける」ところまでを担当する道具という位置づけです。年間予算を決める根拠にするのではなく、時間とコストをかけて調べる価値があるかを見極める段階で使うのが合っています。
結果を信じてよいかを見分ける6つの条件
簡易版に限らず、MMMの出力を受け取ったときに確認すべき点です。ひとつでも欠けていれば、数字の精度より先にそこを直すほうが効きます。
- 期間が足りているか。 季節性と広告効果を分けるには、週次なら2年（104週）程度が目安です。1年未満では季節の山と広告の山が区別できません。
- 媒体を別々に動かした期間があるか。 全媒体を毎月一律で増減していると、貢献度の分離は原理的に困難です。
- 未知の期間を当てられているか。 学習に使っていない直近期間で予測誤差を確認します。過去への当てはまりの良さ（R²）だけでは、モデルが複雑なほど良く見えてしまいます。
- 信頼区間の幅を見たか。 「貢献5.6億円」だけでなく「4.2億〜7.0億」のような幅を見ます。幅が広ければ、その媒体の順位は入れ替わりうるということです。
- 主要な外部要因を統制変数に入れたか。 価格改定、大型セール、在庫切れ、報道などが抜けていると、その影響が広告の貢献として計上されます。
- KPIの定義が期間中で変わっていないか。 計測方法を途中で変えた期間が混ざると、モデルはその段差を広告の効果として説明しようとします。
統計じょうずのMMMでは、期間の不足・媒体間の相関の高さ・未知期間での予測力・残差に残った時系列構造などを検出して警告として表示し、あわせてモデル信頼度を「高／中／低」で示しています。警告が出ている状態の点推定で予算を動かさないという使い方を想定しています。
予算配分の提案を読むときの注意
MMMの出力として「この配分に変えると効果が◯%上がる」という提案が出ることがあります。これは推定した反応曲線の上で計算した理論値です。
現実には、次のような理由でそのとおりにはなりません。
- 反応曲線は過去に観測した広告費の範囲でしか確かめられていない。範囲外への大幅な増額は外挿になる
- 媒体を大きく動かすと、入札単価や到達する相手が変わり、曲線そのものが変わりうる
- クリエイティブやターゲティングの違いは、多くの場合モデルに入っていない
このため配分の見直しは、提案どおり一度に動かすのではなく、小さく動かして実際の結果を確認する手順を挟むのが安全です。統計じょうずのMMMが総予算の変更幅を現状の前後に限り、各媒体の増減にも上限を置いているのは、外挿の度合いを抑えるためです。
よくある質問
Q. MMMとアトリビューション分析はどちらを使うべきですか。 役割が違うので併用が基本です。アトリビューション分析は個人の接点をたどってクリック起点の施策を細かく見るのに向き、MMMはオフラインを含む媒体を横断して全体の配分を見るのに向きます。片方の数字がもう片方と一致しないのは、測っているものが違うためです。
Q. データはどのくらい必要ですか。 週次なら最低1年、推奨は2年以上が目安です。媒体数は多いほど識別が難しくなるため、細かく分けすぎず、性質の近いものはまとめたほうが安定します。
Q. 売上以外のKPIでも使えますか。 資料請求数や会員登録数のような件数でも同じ枠組みで扱えます。ただし件数が少ないと週ごとのばらつきが大きく、効果と偶然の区別がつきにくくなります。
Q. β版という表記は何を意味していますか。 統計じょうずのMMMは、計算方法と警告の出し方を検証しながら公開しているためβと表記しています。結果の解釈に幅が出やすい分析であり、点推定だけで判断しない使い方を前提としています。
Q. 入力したCSVはどこかに送信されますか。 統計じょうずの計算はすべてブラウザ内で完結し、CSVはサーバーへ送信も保存もしません。