マーケティングミックスモデリング(MMM)は、個々のユーザーを追跡する代わりに、広告費と成果の週次合計を使って、各マーケティングチャネルが売上にどれだけ貢献したかを推定する統計手法です。プラットフォームのダッシュボードでは答えられない予算の問いに答えます。あるチャネルから別のチャネルに予算を移したら、全体の売上はどうなりそうか。
ただし、データが課題です。Meridianのドキュメントでは、 地域別モデルで少なくとも2年分、全国モデルで3年分の週次データが求められています。MetaのRobynガイドも 最低2年分の週次データを求めています。多くのEコマースブランドは、それだけの整ったデータを持っていないため、このガイドではデータが少ない場合の対処法も取り上げます。
以下では、MMMの仕組み、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比較、結果の読み方に加えて、MMMのガイドではあまり扱われない問いを取り上げます。有料検索は、オーガニックトラフィックを増やすのか、減らすのか。
重要なポイント
- マーケティングミックスモデリングは、広告費と成果の週次合計から各チャネルの貢献度を推定します。クッキーやユーザー単位の追跡が不要なので、プライバシー規制の変化に左右されません。
- GoogleのMeridianは、 データガイドによると、地域別で少なくとも2年分、全国で3年分の週次データを求めています。MetaのRobynは、2年分の週次データと 変数1つあたり約10件の観測値を求めています。
- 週次データ3年分は156データポイントにすぎません。Meridian自身の例では、パラメータ10個のモデルでパラメータ1つあたり約15件にあたり、 “方向性を示す情報”を得るには十分とされています。
- マルチタッチアトリビューションは追跡されたクリックの間で貢献を配分し、インクリメンタリティテストは広告を見たグループと見なかったグループを比較します。全チャネルを一度に扱えるのはMMMです。
- Meridian、Robyn、PyMC-Marketingはいずれも、リフトテストの結果でモデルを補正できます。これがMMMと実験を組み合わせる標準的な方法です。
- 予算の判断は、平均ROIではなく、次の1単位の支出に対するリターンである限界ROIに基づくべきです。Meridianのドキュメントによると、 mROIがROIよりはるかに低い場合は飽和のサインです。
マーケティングミックスモデリングとは
マーケティングミックスモデリングは、週次売上などの事業成果を、ベースラインと各マーケティングチャネルの効果の合計として説明する回帰型のモデルです。集計した週次の合計で動くため、テレビ、ポッドキャスト、印刷物のようにピクセルでは見えないチャネルも含められ、クッキーの喪失や同意バナーの影響も受けません。
出力は、各チャネルがどれだけ上乗せしたか、どれだけ効率的だったか、支出水準が変わると成果がどう変わるかの推定値です。そのため、MMMは昨日のキャンペーンを報告するためのツールではなく、 マーケティング予算配分のための計画ツールです。
メディアミックスモデリングは、同じ手法を有料メディアのみに適用したものです。厳密な意味でのマーケティングミックスモデリングは、価格、プロモーション、流通も含められます。多くの人は2つの名称を同じ意味で使い、どちらもMMMと略します。
MMMの仕組み
MMMは、週次の履歴に1つの式を当てはめます。成果は、ベースラインに、季節性などのコントロールと、各チャネルの変換後の効果を足したものに等しい、という式です。この変換があるからこそ、単純な回帰を超えたものになります。広告は出稿した週の後も効果が続くこと、そして支出を1単位増やすごとに得られるものが前より少なくなることをモデル化します。
構成要素は次のとおりです。
| 構成要素 | 捉えるもの | 例 |
|---|---|---|
| ベースライン | マーケティングなしでも得られる売上:ブランド、口コミ、リピート購入者 | 広告をすべて止めても週300件の注文がある店舗 |
| 季節性とコントロール | 年間の周期、祝日、プロモーション、価格変更 | ブラックフライデー、夏の落ち込み、20%のサイト全体セール |
| アドストック(持ち越し効果) | 広告は出稿後も数週間にわたり売上に影響し続ける | 効果が次の3〜4週間で減衰する動画キャンペーン |
| 飽和(収穫逓減) | 追加の支出1単位ごとに、前よりも得られる成果が減る | Metaの支出を2倍にしても売上は100%ではなく40%増 |
| 事前分布と信用区間 | データを見る前にモデルが置く仮定と、見た後の確信度 | 「検索のROIは1.8〜3.1の間である確率が90%」 |
表の例はイメージであり、実在の店舗のデータではありません。
たとえばGoogleのMeridianは、持ち越し効果を アドストック関数で、飽和をヒル曲線でモデル化します。曲線の形によって、リターンが緩やかに低下するのか、S字カーブをたどるのかが決まります。
ベイズ型MMMをやさしく説明すると
ベイズ型MMMは、各チャネルの効果について、もっともらしい値の範囲を示した事前分布から始め、データで更新します。結果は分布となり、信用区間として要約されます。「このチャネルのROIがXからYの間にある確率は90%」という形です。Meridianのドキュメントは、事前分布を出発点として説明しています。データが事前分布と強く食い違えば、 モデルが調整されます。
実用上の価値は、不確実性について正直であることです。区間が広ければ、そのチャネルの効果を他の要因から切り分けられないということです。結果的にノイズだったと判明する自信満々の単一の数字よりも、役に立ちます。
必要なデータ量
週次データで2〜3年分を見込んでください。Meridianは、地域別で少なくとも2年分、全国で3年分、月次データしかない場合は3年分を求めています。Robynは、少なくとも2年分の週次データと、観測値10件につき変数1つ程度を求めています。データが少ないと、区間が広がり、モデルの仮定への依存が強まります。
なぜそれほど必要なのでしょうか。理由は2つあります。
- 季節性は年に1回しか繰り返されない。 52週分のデータでは、モデルは各祝日を1回しか見られず、売上が増えたのがブラックフライデーのせいなのか、その週に支出を増やしたせいなのか区別できません。2〜3周期あれば、この2つを切り分けられます。
- チャネルが増えるほどパラメータが増える。 各チャネルには、少なくとも効果の大きさ、持ち越し率、飽和の形が必要です。Meridianのドキュメントは、 パラメータ10個、週次データ156点の全国モデルを例に、パラメータあたり約15データポイントで「方向性を示す情報を得る」には十分だとしています。
同じページは、このガイダンスが「大まかで方向性を示すもの」であり、最も正確な確認方法はモデルを当てはめて信用区間の幅を見ることだとも述べています。
履歴の長さと同じくらい、支出の変動も重要です。2年間、毎週同じ額を使ったチャネルからは、モデルは何も学べません。Meridianのドキュメントは、 メディア支出の変動が不十分だと全国モデルに悪影響が出ると指摘しています。
3年未満しかデータがない場合の対処
多くのEコマースブランドが使える履歴は1〜2年で、トラッキングの変更やリプラットフォームの後はそれより短いこともあります。期待する内容を調整すれば、それでもモデル化できます。
- 古い支出を補う。 広告プラットフォームや請求書には、分析ツールより長い履歴が残っていることがよくあります。接続した日から始めるのではなく、コストとして入力してください。
- 小さなチャネルをまとめる。 Meridianの データガイドは、不安定なROI推定を避けるため、低支出のチャネルを他のチャネルと統合することを勧めています。チャネルを減らして規模を大きくすれば、推定ごとのデータが増えます。
- 地域別データがあれば使う。 地域別モデルは地域間で情報を共有するため、同じ週数でも効果あたりのデータポイントが増えます( Meridianのガイドより)。
- リフトテストで補正する。 最大のチャネルで1回きちんと実験を行えば、モデルの既定値よりはるかに絞られた事前分布を与えられます。
- 意図的に支出を変動させる。 1つのチャネルで計画的に段階的な変更や短期の停止を行うと、モデルに必要な変動が生まれます。
- 出力は参考値として読む。 履歴が1年以下だと、年間の季節性は部分的に推測になります。モデルはチャネルの順位づけや飽和の発見に使い、売上の数字を約束するためには使わないでください。
MMM、アトリビューション、インクリメンタリティの比較
マーケティングミックスモデリング、マルチタッチアトリビューション、インクリメンタリティテストは、それぞれ別の問いに答えます。MMMは、各チャネルが時間を通して全体の売上にどれだけ貢献したかを推定します。マルチタッチアトリビューションは、追跡された各コンバージョンの貢献を、見えたタッチポイントの間で配分します。インクリメンタリティテストは、広告に接触したグループとしなかったグループを比較し、ある施策が追加の売上を生んだかどうかを測定します。
| マーケティングミックスモデリング | マルチタッチアトリビューション | インクリメンタリティテスト | |
|---|---|---|---|
| 問い | 各チャネルは何を貢献し、次の1単位の予算はどこに回すべきか | 各コンバージョンに至る経路上に、追跡できたどのタッチポイントがあったか | このキャンペーンは、そうでなければ起きなかった売上を生んだか |
| データ | 週次の広告費、インプレッション、成果の合計(2〜3年) | ユーザー単位のクリック、ビュー、コンバージョン | テスト期間中のテストグループと対照グループ |
| クッキーとプライバシー | 不要。集計データのみ | クッキー、ピクセル、同意に依存 | ユーザー単位のテストは広告プラットフォームのIDに依存。地域テストは地域のみを使用 |
| スピード | 構築に時間がかかる。週次または月次で更新 | ほぼリアルタイム | テスト1回につき数週間 |
| コスト | オープンソースは無料だがスキルが必要。ホスト型ツールは有料 | 分析ツールや広告ツールに含まれることが多い | 広告の停止やホールドアウト地域、準備の手間 |
| 粒度 | チャネルまたはキャンペーングループ | キャンペーン、広告、キーワード | 一度に1つのチャネル、キャンペーン、地域 |
| 最適な用途 | チャネル間の予算配分、オフラインメディア | 日々のキャンペーン最適化 | 因果関係の証明、モデルの補正 |
| 主な弱点 | 観察に基づく推定。長く多様な履歴が必要 | 貢献は因果関係ではない。追跡できないタッチポイントやオフラインを見逃す | 範囲が狭い。1回のテストで答えられる問いは1つ |
マルチタッチアトリビューションや ラストクリックアトリビューションのような単一タッチのモデルは、見えているコンバージョンを数えます。広告プラットフォームは自社のコンバージョンを数えるので、Metaの数字がストアの数字とほとんど一致しません。当社の Meta Attribution Realityレポートは、この2つを並べて表示します。いずれも、広告が売上を生んだことの証明にはなりません。
それを証明できる実験が、インクリメンタリティテストです。Googleは、Conversion Liftを 広告を見る人と見ない人にオーディエンスを分けてその差を測る方法として説明しており、このツールはすべてのGoogle Adsアカウントで使えるわけではないとしています。ジオホールドアウトも地域を使って同じことを行います。条件の近い地域を選び、一部の地域で支出を止めるか変更し、残りの地域と売上を比較します。ページの2つのバージョンを比べるウェブサイトのA/Bテストとは違い、リフトテストは広告ありと広告なしを比べます。
3つの手法の組み合わせ方
標準的な構成は、予算配分にMMM、チャネル内の日々の最適化にアトリビューション、モデルの検証と補正にリフトテストを使うものです。補正とは、実験結果をそのチャネルの事前分布に変換することで、モデルが一般的な仮定ではなく計測された根拠から出発できるようにすることです。主要なオープンソースのMMM3つすべてが対応しています。
- Meridianは、補正を
“実験結果やその他のドメイン知識を使ってチャネルごとの事前分布を設定すること”と定義し、インクリメンタリティ実験をROIの事前分布に変換する
CalibrationBuilderを備えています。 - Robynは、 アナリスト向けガイドで、実験結果を補正のグラウンドトゥルースとして「強く推奨」し、点推定としてのみ受け付け、信頼度の低い調査の使用は勧めていません。
- PyMC-Marketingは、 リフトテストによる補正を中核機能として挙げています。
実践的なサイクルは次のとおりです。モデルを当てはめ、区間が最も広いチャネルか予算が最も大きいチャネルを見つけ、そこで1回リフトテストを行い、結果を戻して再学習します。テストのたびに、最も重要な部分でモデルの精度が上がります。
MMMの結果の読み方
出力は、貢献度(各チャネルが成果のどれだけを説明するか)、ROI(支出全体に対する平均リターン)、限界ROI(次の1単位の支出に対するリターン)、レスポンスカーブ(支出が増えるとリターンがどう変わるか)の順に読みます。予算の移動は限界ROIとカーブに基づいて行い、1つの数字に基づいて動く前に信用区間を確認してください。
- 貢献度は、モデルが各チャネルに帰属させる成果の割合で、通常はベースラインが最大の部分を占めます。
- ROIは、増分の成果を支出で割ったものです。成果が売上なら、ROIは利益ではなく売上です。たとえば、ROIが2のチャネルでも、粗利率が40%なら、商品原価を含めると赤字になります。マージンの計算については、 損益分岐ROAS、真のROAS、MER、POASの記事で扱っています。
- **限界ROI(mROI)**は、現在の支出を超える次の1単位のリターンです。Meridianのドキュメントによると、 mROIがROIよりはるかに低い場合、そのチャネルは飽和し始めています。
- レスポンスカーブは、他のチャネルを固定したまま、1つのチャネルについてさまざまな支出水準でのモデル上の成果を示します。Meridianは、過去の支出から大きく離れた点は外挿であると警告しています。
例:モデルが、Google Adsの非ブランド検索をROI 3.0、mROI 1.2、Metaのプロスペクティングを ROI 2.0、mROI 1.9と推定したとします。平均では検索の方が優れていますが、次の1,000はMetaの方が効きます。これが「次の1ドル」の問いであり、平均ROIやプラットフォームのROASでチャネルを順位づけると、予算配分を誤る理由です。
有料検索はオーガニックトラフィックを変えるか
多くのMMMは、オーガニック検索をベースラインかコントロールとして扱い、最もよくある予算の問いの1つを無視します。キーワードに入札したとき、本来獲得できたはずのオーガニッククリックを失うのか、それとも広告がオーガニックの露出を高めるのか。マーケティングミックスモデルは、オーガニッククリックやセッションを成果、有料チャネルを入力にすることで、これを推定できます。
答えはアカウントやキーワードの種類によって異なり、効果はどちらの方向にもなり得ます。ブランド検索広告は、本来1位のオーガニック結果が得られたはずのクリックを奪うかもしれません。非ブランド広告は認知を高め、後でブランド名のオーガニック検索として現れるかもしれません。根拠とテスト方法は、 Google広告はオーガニックトラフィックを増やすかで解説しています。
これを測定可能にする入力は2つあります。Search Console、Bing Webmaster Tools、GA4からの週次 オーガニックトラフィックと、キャンペーンの種類で分けた有料検索の支出です。有料からオーガニックへのモデルは、符号つきの推定値を返します。プラスなら広告がオーガニッククリックを増やし、マイナスなら奪っています。
よくあるMMMの失敗
よくある失敗は、不完全なデータをモデルに与えることと、出力を確実なものとして読むことから生じます。モデルは、常に一緒に動くチャネルを切り分けられず、一度しか見ていない季節は学習できず、欠けた支出をゼロ支出として扱います。出力を信頼する前に、入力を確認してください。
- 欠けた支出がゼロとして扱われる。 インポートで3か月分のMeta支出が抜けると、モデルはMetaなしで売上が3か月あったと見て、Metaはほとんど効果がなかったと結論づけます。
- 常に一緒に動くチャネル。 検索とソーシャルの予算が連動して増減すると、どのモデルも両者の効果を切り分けられません。片方を独立して変動させてください。
- 小さなチャネルが多すぎる。 予算の小さい12のチャネルがあれば、12の広い区間が出ます。グループにまとめてください。
- プロモーションや価格変更を無視する。 セール週の売上をその週に出稿していたものの成果にすると、そのチャネルが過大評価されます。
- ROIを利益として読む。 売上ベースのROIは、マージン、送料、返品を無視しています。
- 点推定に基づいて動く。 チャネルの区間が損失と利益の両方にまたがっているなら、正直な結論は予算移動ではなく「不明」です。
- 検証しない。 リフトテストやホールドアウト予測のチェックがなければ、良いモデルと自信満々なだけのモデルを区別できません。
MMMを使うべき人
マーケティングミックスモデリングが成果を出すのは、3つ以上のチャネルに相応の支出があり、支出が時間とともに変化し、少なくとも2年分の週次データがある場合です。1〜2チャネルしかない、予算が一定、履歴が6か月未満というブランドにはあまり役立ちません。モデルが切り分けるものが少なすぎるためです。
向いているケース:
- 検索、ソーシャル、および少なくとも1つ別のチャネル(ChatGPT広告、LinkedIn、アフィリエイト、オフラインメディアなど)に支出しているEコマースブランド。
- プラットフォームが報告するコンバージョンの合計が、ストアの実際の注文数を上回っているチーム。
- 同意やクッキーの変更でアトリビューションの可視性を失ったブランド。
- ブランド検索広告に費用をかける価値があるのかを知りたい人。
向いていないケース:
- ほぼすべてを1つのプラットフォームに使っているストア。そのプラットフォームでのリフトテストの方が多くを答えてくれます。
- 履歴が6か月未満、または最近のリプラットフォームでトラッキングが壊れたブランド。
- キャンペーンや広告単位の答えを毎日求めるチーム。それはアトリビューションの役割です。
どれを選ぶべきか
判断したい内容に応じて手法を選びます。チャネル間の予算配分にはMMM、チャネル内の日々の最適化にはアトリビューション、1つのチャネルやキャンペーンが売上を生んでいる証拠が必要な場合にはインクリメンタリティテストです。複数のチャネルに支出するブランドの多くは、それぞれの問いに応じて3つすべてを使うことになります。
| 状況 | 最初に使うもの | 後から加えるもの |
|---|---|---|
| 来四半期の予算を3つ以上のチャネルに配分する | MMM | 最大のチャネルでのリフトテスト |
| 今週の入札、オーディエンス、クリエイティブを最適化する | アトリビューションとプラットフォームのデータ | チャネル単位の配分のためのMMM |
| スケールする前に、チャネルが売上を生むことを証明する | インクリメンタリティテスト | その結果で補正したMMM |
| データが1年未満、2チャネル以上 | リフトテストと、参考値として読むMMM | 2〜3年分たまったら標準のMMM |
| オフラインメディア(テレビ、印刷、ポッドキャスト)に支出している | MMM | ジオホールドアウトテスト |
| 自社ブランド名に入札している | 有料からオーガニックへのMMMまたはブランド停止テスト | 検索語のギャップレビュー |
MMMツール:オープンソースとホスト型
MMMツールは2種類に分かれます。自分で動かす無料のオープンソースライブラリと、代わりにモデルを動かしてくれるホスト型製品です。主なオープンソースの選択肢は、GoogleのMeridian、MetaのRobyn、PyMC-Marketingの3つで、無料ですがPythonまたはR、データ準備、モデルのチェックが必要です。ホスト型ツールは、料金と引き換えにセットアップ、コネクタ、ユーザーインターフェースを提供します。
| ツール | 種類 | 公式サイトの説明(2026年11月時点) |
|---|---|---|
| Google Meridian | オープンソース、Python | 地域別に対応したベイズ型MMM。 2025年1月29日に一般公開。2026年2月にはノーコードの Scenario Plannerが追加 |
| Meta Robyn | オープンソース、R(Python APIはベータ版) | Meta Marketing Scienceの「実験的」MMMパッケージ。リッジ回帰と進化的ハイパーパラメータ探索。MITライセンス |
| PyMC-Marketing | オープンソース、Python | アドストック、飽和、リフトテスト補正、予算最適化を備えたベイズ型MMM。Apache 2.0 |
| Recast | ホスト型 | GeoLift実験を備えた独自のベイズ型MMM。価格は非公開 |
| Cassandra | ホスト型 | MMMとインクリメンタリティテスト。データチーム不要。30日間の無料トライアル |
| MarSci | ホスト型 | 自社データでMeridianまたはRobynを実行。1日あたり1,000ユーロ以上のマーケティング支出が必要 |
| MMM Pilot | ホスト型 | コード不要でRobynを実行。Starterプランは月額50ドル |
| AmICited | ホスト型(当社製品) | Meridianを実行。売上モデルと有料からオーガニックへのモデル。PremiumおよびEnterpriseプラン |
2つの主要オープンソースエンジンを並べて比較したい場合は、 Google Meridian vs Robynをご覧ください。

AmICitedのMMM
AmICitedは当社の製品です。 Media Marketing Mix(MMM)は、Google Meridianベースのベイズ型モデルをコード不要で代わりに実行します。ShopifyやWooCommerceのストア売上、GA4の購入、任意のGA4コンバージョンなどの成果指標を選び、5つの連携済み 広告プラットフォームのチャネルと、それ以外のためのカスタムコストを指定します。

Meridianを自分で動かす場合に比べて加わるのは、セットアップと、有料からオーガニックへのモデルです。成果指標をSearch Console、Bing、GA4のオーガニックトラフィックに設定すると、有料検索がオーガニッククリックを時系列でどう変えるかを推定します。出力には、90%信用区間つきの貢献度、ゼロから現在の3倍までの支出に対するレスポンスカーブ、次の1,000が最も効く場所、現在の予算の最適な配分が含まれます。
制限も実際にあります。PremiumおよびEnterpriseプランのみで、モデルパッケージの料金がかかります。標準モデルには完全な164週が必要で、24週以上あれば限定履歴モードで動作し、その推奨事項は参考値と表示されます。ROIは利益ではなく売上です。そして、あらゆるMMMと同様に履歴から推定するため、リフトテストの代わりにはなりません。
今すぐできること
- チャネルと履歴を一覧にする。 チャネルごとに、支出と成果が完全にそろっている週数を数えます。2年未満なら、結果は参考値になります。
- まず入力を直す。 支出の抜けを埋め、プロモーションや価格変更に印をつけ、ストアの売上と 収益アトリビューションの合計が一致しているか確認します。
- プラットフォームの主張と実際の注文を比較する。 Meta Attribution Realityか自社のストアのエクスポートで、プラットフォームの数字がどれだけずれているかを確認します。
- 最初のモデルを当てはめる。 Meridian、Robyn、PyMC-Marketingを自分で動かすか、当社の Media Marketing Mixのようなホスト型ツールを使います。
- mROIと区間に基づいて動く。 限界リターンが明らかに高く、区間がゼロをまたがない場合にのみ予算を動かします。
- 最大の賭けをテストする。 最大のチャネルで、リフトテストまたはジオホールドアウトを1回行い、その結果でモデルを補正します。
- 有料とオーガニックを確認する。 オーガニックのページがないのに費用を払っている検索語を Paid-Proven Gapsで確認し、有料検索がオーガニッククリックを増やしているのか、置き換えているのかをモデル化します。
まとめ
マーケティングミックスモデリングは、3つの主要な計測手法のうち、ユーザーを追跡せずに全チャネルを一度にカバーできる唯一の手法です。週次データ2〜3年分、変動のある支出、正確な入力が必要で、事実ではなく範囲つきの推定値を返します。予算の配分にはMMMを使い、その検証にはリフトテストを使い、平均ではなく次の1単位のリターンを読んでください。

