MMM（Marketing Mix Modeling）って実際どうなの？MMMの問題点をマーケター目線で解説
Qoox（私の会社）の事例として、以下のインタビュー記事を公開しました。
オープンハウスグループさまとのMMMやCausalImpact、UpliftModelingに関する取り組みです。
MMM（Marketing Mix Modeling）にチャレンジしたことがあるマーケティング従事者って、1%にも満たないと思うんですよね。故に情報が偏っているというか、美化されすぎている気がしています。
「MMMにチャレンジしよう！」となっても、実際に手を動かすのはデータサイエンティストです。そのため、世にあるMMMに関する情報はデータサイエンティスト目線のものや、MMMを推進したマーケティング責任者の視点に偏っている印象があります。
そこで、このnoteでは「現場から見たMMM」をテーマに掲げ、MMMにおける問題点や、向き合い方について、現場の視点から紹介したいと思います。
※※注意※※
このnoteでは、オープンハウスグループさまの内情には触れません！（というか触れられません）オープンハウスグループさまとの取り組みは、この記事を読んでね。
MMM（Marketing Mix Modeling）とは
様々な施策効果を可視化する統計的アプローチ
MMMについてタラタラと私が説明しても仕方がないので、引用しますね。知ってる人は、この章は読み飛ばしてOKです。
MMM（マーケティング・ミックス・モデリング）とは、さまざまなマーケティング施策の効果がどのくらいあったのかを「数値データ」をもとに可視化する、統計学を用いた分析手法のひとつです。
上記の記事は本当に分かりやすくまとまっているので、MMMがはじめましての方はオススメです。
この記事すら読みたくない方のために、思いっきり平たく説明すると、MMMはテレビとかSNSとか、新聞広告とか、各施策の効果をまるっと分析することです。
この分析結果を元に、適切な予算配分や、効果予測などもできます。
私が始めてMMMの存在を知ったのは2018年くらい。日本のXICA社が提供するMAGELLAN（マゼラン）がきっかけでしたが、MMMの歴史はもっと古く、Wikipediaによれば1964年にNeil H. BordenがThe concept of the marketing mixという論文を書いているようです。（実際に中身を読んだわけではないので、現代で言われるMMMに言及したかは不明）
Marketing Mix Modelingという名前の通り、MMMはMarketing Mix（様々なマーケティング活動）を統計モデルで説明しようとする取り組みであるため、当然のことながら統計学や、その計算をおこなうためのプログラミング言語の知識が必要になります。
なので冒頭の説明の通り、MMMの主役はデータサイエンティストなので、マーケティング担当者はポカーンとなることが多いのです。
MMMで分かること
繰り返しになりますが、MMMでは各施策の効果を統計的に分析し、その結果から「この施策の効果はこれくらいだったのではないか」という推論を導き出します。
デジタル広告を主戦場として日々戦っている人は、「そんなん、タグで計測すりゃええやん」と思うかもしれません。
でもマーケティング活動は、デジタル上で行われるものだけではありませんよね。
テレビCMなどのマス広告や、オフライン施策の成果は、デジタル広告のようにハッキリと分かるものではなく、「おそらくこうなんじゃないか」という仮説を積み上げ続けて評価することが多いのです。
故に、MMMはテレビマンやマス広告をやっている人からの認知は比較的高く、デジタル広告をやっている人からの認知は低い気がします。（これは想像）
なぜMMMが注目されているのか
これまでMMMは、「高価な分析」とされていました。
なぜなら、専門知識を有するデータサイエンティストの存在が必要不可欠だったためです。
具体的にはMMMの分析だけでウン百万、下手したら一千万円を超えるようなレベルです。
「ただ、大手企業のテレビCMは何億、何十億という莫大な予算がかかるから、それを最適化できるなら分析コストなんて安いものだろう？」というのが、当時のMMMの売り文句だった記憶があります。
逆を言えば、莫大なマーケティング費用をかけていない企業にとって、MMMは「高価すぎる分析」であったため、チャレンジする人も少なければ、そもそも目に触れる機会がある人も少ないのです。
そんな中で、2021年にFacebookやInstagramを運営するMeta社がMMM用のオープンソースライブラリ「Robyn」を公開し、翌2022年にはGoogle社が同じくMMM用のオープンソースライブラリ「LightweightMMM」を公開したことで、MMMは一気に身近な存在となりました。
あまりプログラミングに馴染みのない人に向けて説明をすると、オープンソースライブラリとは誰でも自由に利用・改良できる形で公開されたプログラムのことです。
つまりこれまで「高価すぎる分析」が、プログラミングさえできれば「無料で実践できる分析」に変わったのです。
「いやいや、プログラミングができるだけじゃダメだよ。ちゃんと統計学の知識も備えておかなければ…」と思ったデータサイエンティストさん、一回黙りましょう。その話はあとでします。
あとはこんな記事もあったので、ご参考までに。
MMMで乗り越えなければならない壁
ここからが本題です。
MMMの問題点の話の前に、MMMにチャレンジする際には、いくつかの乗り越えなければならない壁があることについて説明する必要があります。
その壁は、次の3つです。
1. データ収集
2. データ分析
3. 分析結果をどう活かすか
RobynやLMMM（LightweightMMM）の登場のおかげで、MMMのハードルはかなり下がりましたが、実態としてはデータサイエンティストの存在は必要不可欠です。
そのため多くの人は、「2. データ分析」に対して壁を感じているのではないかと思います。
しかし「1. データ収集」「3. 分析結果をどう活かすか」も、実は「2. データ分析」と同じくらい高い壁なんです。
1. データ収集の大変さ
MMMは時系列データを元に、分析をおこないます。
一般的にMMMでは「2年以上 × 週次」のデータを用意する必要があります。（日次でもOK）
これがとても大変！
具体的には以下のデータを集めます。
1. 目的変数（分析対象のKPI）
2. メディア変数（広告の費用やインプレッションデータ）
3. 非メディア変数（目的変数に影響しうる季節性のデータなど）
「2. メディア変数」に関しては、全ての広告を1つの代理店に委託していれば、その代理店に「ｵﾈｼｬｽ！」って言うだけで済むこともあります。
しかし、マスとデジタルで代理店が別だったり、一部の広告はインハウスでやってたり、途中で代理店が変わっていたりすると尋常じゃないくらい大変です。
また「1. 目的変数」「3. 非メディア変数」は、殆どの場合、広告主が用意しなければなりません。
非メディア変数（目的変数に影響しうる季節性のデータなど）の分かりやすい例は、炎上やバズ、他にも市場の検索ボリュームや、店舗の増減などが挙げられます。
さらに、これらのデータを2年以上遡って取得しなければならないという点も、大きなハードルとなっています。
例えば目的変数を「指名検索数」にした場合、一般的にはサーチコンソールのデータを用いますが、サーチコンソールとBQを接続するなどしてデータを定期的に蓄積する仕組みを導入していないと、取得可能なデータの期間は最大で16ヶ月です。8ヶ月足りない！
⋮
このような背景から、私の知る多くのMMMチャレンジャーは口を揃えて「データ集めが大変」と嘆いています。
2. データ分析
データ分析の壁は、これまで説明してきた通り、データサイエンティストの存在が必要不可欠であるために生じています。
資金力のある企業であれば、「高価な分析」に対してコストを払うことができますが、それが可能な企業は限定的です。
仮に資金力があり、データサイエンティストを確保できたとしても、そのデータサイエンティストがマーケティング施策の一つ一つを細かく把握しているとは限りません。
データサイエンティストは分析の専門家であり、各施策の背景や目的、実行時の状況など、マーケティング担当者が知るような具体的な情報には詳しくないことが多いのです。
そのため、分析の結果として不自然な傾向や異常値が見つかった場合、その都度、マーケティング担当者に確認する手間が発生します。
その確認の結果、非メディア変数による補正が必要だと判明した場合には、再び大変な「データ収集」作業に戻ることになってしまいます。
3. 分析結果をどう活かすか
さあ、データ収集・データ分析の壁を乗り越え、MMMの分析結果が出ました！
多くの場合、次のような反応になります。
「えーーーっと、じゃあ、どうしよっか」
たとえば、テレビではなくYoutubeにもっと予算配分をした方が良いという分析結果が出たとします。
では、その結果に従うとして、これまでの予算配分と、新しい予算配分の効果検証をどのようにおこなえばいいでしょうか？
⋮
⋮
ね？
MMMは統計的なモデルを用いて施策の効果を推定しますが、実際の施策結果をリアルタイムで直接測定するものではありません。
そのため、新しい予算配分が本当に期待した通りの成果をもたらしたのか、それとも他の要因が影響したのかを明確に切り分けることが難しいのです。
「他の要因」の代表的な例としてクリエイティブが挙げられます。他にも統計モデル自体の改善や、競合の出稿状況も自社のマーケティング成果に影響しうるでしょう。
このような背景から、MMMの検証には常に不確実性が伴い、施策の効果を完全に評価しきれないといえます。
MMMプロジェクトを成功に導くためには
正直なところ、私が関わったMMMプロジェクトの数はそんな多くありません。なので、かなり恣意的で主観的な意見であることをご承知おきください。
成功するための前提条件
「何を以て成功なのか」とか言われそうなので、先に定義しておきます。
ここでの成功は「MMMプロジェクトを通じて何かしらの示唆を得て、それをマーケティング活動に反映した」状態とします。
今回のオープンハウスグループの事例も、上記定義においては成功と言えると思います。
この定義を踏まえ、MMMプロジェクトを成功に導くためには、前提条件として先に述べた「MMMの壁」を容易に乗り越えることができる体制が必要です。
例えば「データ収集」の段階においては、過去のデータが適切にデータ基盤に蓄積されていることや、代理店との円滑なコミュニケーションが取れる状態であることが重要です。
このとき、データ分析者側の協力も欠かせません。
どのようなデータセットが必要で、具体的にどんなデータが揃っていると良いのかを、事前にデータ収集者と密に連携しておく必要があります。これにより、収集作業を依頼された代理店やその他の協力者が混乱せず、スムーズに作業を進められるようになります。
もっと言えば、MMMプロジェクトにしっかりとした意義を持たせ、関係者全員がワンチームとなって積極的に参加する姿勢が大事だということです。
あるいは、プロジェクトリーダーが圧倒的なリーダーシップを発揮し、猪突猛進の勢いでプロジェクトを前に進める気概があれば、それで良いかもしれません。
いずれにせよ、これらはMMMに限らず、どんなプロジェクトにも共通する基本的な姿勢ですよね。
後述しますが、MMMは「上の命令でやることになった」「なんか凄そうだから」といった理由で始まることが多く、プロジェクトメンバー全員が前向きな姿勢で取り組むケースは非常に稀です。
また「MMMの壁」を乗り越える大変さのせいで、途中からやる気がなくなったりすることもザラにあります。
ポジティブシンキングと期待値調整
これは個人的な意見ですが、MMMを通じて得られる示唆は相対的に乏しいと思います。
一体、何と相対的なのか。
それはMMMに対する期待値と比べてです。
例えば以下のような分析結果が出ると、「MMMをやって良かった！」と思えるのではないでしょうか。
1. 直感に反するような、大胆な予算配分の変更が必要だと分かった
2. これまで効果があると思われていた手法に実は全く効果がなかったことが分かった（あるいはその逆）
これらの1と2は抽象度を上げれば、どちらも「MMMによる大幅な施策方針の変更」と捉えることができます。
なぜ「大幅な施策方針の変更」が「やって良かった！」になるのか。それは、MMMに対する期待値が高いからです。
みなさん、MMMに対してこんなイメージ持ってませんか？
なんか凄そう
知らない言葉がたくさん出てきて凄そう
一大プロジェクトだから凄そう
データサイエンティストとか出てきて凄そう
とにもかくにも凄そう
確かにMMMは非常に難易度の高い取り組みです。しかし、難易度が高い＝素晴らしい示唆が得られるとは限りません。
私がここで提唱したいのは、「マーケティング活動の予算配分はこれまで通りでOK、という分析結果も、一つのMMMの成果である」ということです。
例えば、すでにほぼ完璧な予算配分が実現できている場合、MMMから意表を突くような大幅な変更提案が出ないこともあります。このとき、「新しいインサイトは得られなかった」とネガティブに捉えるのではなく、「これまでの配分が正しいと確認できた」というポジティブなインサイトとして捉えることが大切です。
MMMに挑戦する多くのケースでは、「現在の状態は完璧ではない」という前提からスタートします。
そのため、「現在の状態がすでに完璧に近い」という結果を示されると、想定外であるがゆえに戸惑いが生じてしまいます。しかし、このような結果もまた重要な発見であり、現状維持の意義を再確認する機会だったと捉えるべきです。
また、広告予算の規模がウン十億といった大規模なマーケティング活動を行う中で、MMMの分析の結果、特定の媒体に500万円や1,000万円を配分すべきということが分かったとしても、その配分を実行は躊躇されがちです。
これは、前述したようにMMMの検証の難しさが背景にあります。
適切にMMMと向き合うためには、「MMMの結果をそのまま鵜呑みにする」か「MMMの結果を信用しない」という極端な2択を迫るのではなく、「MMMの結果を参考にする」という柔軟な選択肢を持っておきましょう。
まとめると、「MMMがあらゆるマーケティング課題を解決に導く」という期待や過大評価を捨て、「MMMはあくまで参考データの1つに過ぎない」という冷静な視点を持つことが大切です。そして、分析結果に対して柔軟かつポジティブに捉える心構えが求められます。
このような心構えなしにMMMプロジェクトを推進してしまうと、「思ったよりショボい」「工数ばかりかかって成果が見えない」といったネガティブな意見が生まれ、プロジェクト全体の士気を下げる結果にもなりかねません。
MMMの問題点
ここまで説明してきたことを踏まえ、最後に私が思う「MMMの問題点」についてまとめたいと思います。
私が思うMMMの問題点は以下3点です。
1. MMMに対する期待値が高い
2. MMMを使ったPDCAが難しい
3. MMM自体の費用対効果は、分析してみないと分からない
1.に関しては前の章でも触れたので、2.と3.について紹介していきます。
MMMを使ったPDCAが難しい
「これまでの予算配分と、MMMが導いた新しい予算配分の検証が難しい」と触れましたが、この点についてもう少し深掘りしていきます。
難しい理由の1つ目は、クリエイティブです。一部の企業では1年中同じクリエイティブを流し続けることもありますが、"MMMに挑戦するような大企業"では定期的にクリエイティブを変更・刷新・改善するのが一般的です。
クリエイティブにおける訴求ポイントやデザイン、メッセージなどは、広告効果に大きな影響を与えるためです。
繰り返しになりますが、MMMが示す予算配分の変更による効果なのか、新しいクリエイティブによる影響なのかを正確に切り分けるのは非常に難しいため、当然、PDCAも難しいといえます。
難しい理由の2つ目は、検証方法です。精度の高い検証を行うためには、RCT（Randomized Control Trial）という手法が用いられることがあります。
RCTは、対象をランダムにグループ分けし、一方に施策を適用し、もう一方には適用しないという比較実験を行うことで、施策の効果を厳密に測定する方法です。
しかし、テレビCMを代表とするマス広告においては、RCTのような検証方法を実施することができません。テレビCMは通常、広い地域に一斉に配信されるため、施策を適用するグループとしないグループを明確に分けることが困難です。
では、「東名阪で比較すれば良いのでは？」と思う方もいるかもしれません。しかし、東名阪に分けて実施すると、各地域の商圏や商習慣の違いを考慮しなければなりません。
例えば、全く同じ施策でも、地域ごとに購買行動やメディア接触の仕方が異なるため、そのような単純な二群比較では正確な効果を測ることができないのです。
また、難しい理由として他に挙げられるのが、パラメータチューニングである程度対処可能な「外部要因」です。
MMMでは「非メディア変数」と呼ばれる、競合他社の動きや季節性、経済状況などの外部要因をモデルに組み込むことができます。
しかし、そのためには多くの追加データを収集し、パラメータの調整やモデルの改良を行う必要があります。これに伴い、分析にかかる工数が膨大になり、プロジェクト全体の負担が大きくなってしまいます。
このようにして分析工数が増加していくと、PDCAのスピードが遅くなるだけでなく、次に取り上げる「MMM自体の費用対効果」の悪化という新たな問題に直面してしまいます。
MMM自体の費用対効果は、分析してみないと分からない
MMMはあくまで「分析手法の1つ」に過ぎません。
そのため、MMMの分析結果がマーケティング施策に大きな変革をもたらすかどうかはケースバイケースです。
故に、MMMの費用対効果を高めるためには、分析費用をいかに安く抑えるかが重要なポイントになります。
確かに、LightweightMMMやRobynなどのオープンソースの分析パッケージの登場により、MMMのハードルは以前に比べ格段に下がりました。
しかし実態として、それらのツールを効果的に活用し、正確なモデルを構築するためには、専門的な知識を持つデータサイエンティストの存在が不可欠です。
そして、データサイエンティストのリソースを外注する場合、そのコストは非常に高額になることが一般的です。その結果、MMMプロジェクトの費用対効果について疑問符がつきやすい、というのが実情だと思います。
私自身のことを棚に上げるつもりはないのですが、ことオープンハウスさまとの取り組みに関しては、このようなコスト問題を解決するために、㈱秤さんがやっているようなパッケージ化と、そのパッケージを使いこなすための分析の内製化を支援しました。
※読んではない。すみません（汗）
理想を言えば、自社でデータサイエンティストを抱えている場合、その人たちが自発的にMMMにチャレンジするのが最も望ましい形だと思います。
いずれにせよ、MMMプロジェクトの費用対効果は「分析してみないと分からない」ので、個人的には安く、コンパクトに進めてみた方が良いんじゃないかなと思っています。
最後に
決して、私はMMMを否定したいわけではありません。もし否定したいのであれば、オープンハウスさまとの取り組みもしていません。
私が一貫してこのnoteで言いたいことは、「MMMは魔法のツールではないし、実践するにはそれなりの覚悟が必要だよ」ってことです。
マーケターに「なんか凄そう」という漠然とした畏怖の対象になっているMMMですが、難しい＝素晴らしい成果が出る、というわけではありません。
繰り返しになりますが、難しいからこそ価値がある、という思い込みを捨て、MMMを冷静に「参考データを得るための1つの手段」として位置づけることが大切です。
あとは、その企業のマーケティングの取り組み状況次第で、「MMMにチャレンジすべきか否か」も変わると思います。
広告予算がウン十億レベルに達していない企業であれば、MMMに貴重なリソースを割くよりも、プロモーション戦略やクリエイティブの精度を高めることに注力したほうが、より有意義だと思います。
「なんとなく凄そうだからMMM！」というのは、やめましょうね！
また動画とクイズで学べるデジタルマーケティング学習サービス「デジマナビ」を運営しています！
デジタルマーケティングの基礎知識からリスティング、SEO、GA4や統計学まで、幅広い知識を本一冊分の価格で学ぶことができます。
いいね&フォローいただけると励みになるので、よろしくお願いします！
いいなと思ったら応援しよう！
