MMMとは何か|BtoBで必要なデータ量・因果推定・導入判断

広告、展示会、ウェビナー、営業活動が同時に動くBtoBマーケティングで、ある月の売上が増えたとします。増加分をどの施策の成果として説明できるでしょうか。最後のクリックだけを見ると、それ以前に接触した情報の役割を見落とす場合があります。一方、売上と広告費の相関を計算するだけでは、広告が売上を増やしたと証明できません。

マーケティング・ミックス・モデリング(MMM)は、時系列などの集計データから、複数の施策が成果へ与える増分効果を推定するための統計的な枠組みです。ただし一定量のデータ、適切な仮定、外部要因の調整、推定の不確実性が欠かせません。この記事では、MMMを万能な計測手法として売り込まず、BtoB企業が導入を検討する前に確認したい条件を整理します。

MMMとアトリビューション分析は何が違うのか

クリックや訪問者の接点を追うアトリビューション分析と、集計された施策投入量・成果・外部要因を用いるMMMは、見ているデータと推定対象が異なります。MMMは典型的には、週次などの広告投入量、売上・申込といった成果指標、価格や季節性などの調整要因を使います。

GoogleのオープンソースMMM「Meridian」は、過去のチャネル別貢献・ROI、投下額に対する反応、将来の予算配分という問いを扱い、ベイズモデルと因果推定の仮定を用います。これは『Googleの分析ツールが自社の広告効果を自動的に正解として教える』という意味ではありません。

相関分析は入口になっても、MMMによる因果推定と同じではない

Excelに週ごとの広告費と受注数を並べて相関を見ることと、マーケティング・ミックス・モデリング(MMM)によって効果を推定することは別です。データを整理すること自体は有益ですが、正の相関があっても広告が受注を増やしたとは限りません。

例えば、需要が高まる月に広告予算も増やしているなら、広告費と売上には相関が生まれ得ます。新製品発売、営業人員、価格変更、季節性などを考慮しなければ、施策の増分効果を取り違えます。Meridianの公式資料は、こうした交絡要因を含め、どの変数を制御すべきか慎重に考える必要があると説明しています。

さらに、売上への影響が時間差で生じたり、予算を増やすほど追加効果が小さくなったりする可能性もあります。Meridianはこうした遅延・飽和をモデル化できますが、どの形が正しいかはデータと仮定の評価が必要です。

MMMを始める前の4つの確認

  • 目的:何の意思決定を改善したいか。チャネルの予算配分か、ブランド施策への投資判断か、将来の成果予測か
  • 成果:売上、契約、コンバージョンなど、期間・地域をそろえて集計可能なKPIがあるか
  • 入力:チャネルごとの実施量・費用、価格、季節性、キャンペーン変更などの記録があるか
  • 識別可能性:施策の投下量に十分な変動があり、施策の効果と外部環境を分けて推定できそうか

『チャネル別に費用データがある』だけでは十分とは限りません。全部の施策をいつも同時に増減させていれば、各施策の効果を区別するのが難しくなります。

必要なデータ量は『少量でよい』とは言えない

Meridianの公式データ収集ガイドでは、週次データを推奨し、一般的な目安として地域別モデルで最低2年、全国レベルのモデルで3年程度の週次データを挙げています。ただしこれは普遍的な最低条件ではなく、実際の必要量は地域数・チャネル数・モデルの複雑さ・データのばらつきに依存します。

公式のデータ量の説明は、104週の全国データがあっても推定するパラメータ数が多いとデータが不足する例を示しています。ゆえに『少額広告・少数商談でもMMMを入れれば正確にチャネルを評価できる』とは結論づけられません。

月次しか記録していない場合、ひとりマーケターが無理に精緻なモデルを組むより、費用・施策・成果・変更点を週次で一貫して記録できるかから始める方が実際的なこともあります。

BtoBでは商談期間・営業活動・少数案件をどう扱うか

BtoBで高額な商材を扱う場合、契約成立が少なく、商談化から受注まで長い時間差があることがあります。マーケティング費用だけでなく、営業体制、販売価格、既存顧客の更新、展示会への参加などの変化も成果へ影響し得ます。

少数の受注だけでは推定が不安定になる場合、商談創出など別のKPIを検討できます。しかし、リード・商談をKPIに変えれば売上ROIがそのまま分かるわけではありません。どのKPIについて増分効果を推定したのかを明示し、受注・売上との関連は別途検証する必要があります。

GoogleのMeridianは収益以外の集計可能なKPIも扱えますが、コンバージョンの質や営業での採用基準が変わったことを、モデルが自動で補正してくれるとは限りません。

仮想例:展示会の貢献を測りたい企業

以下は手法を説明する架空例で、実在企業の計測結果ではありません。ITサービス企業が、展示会、検索広告、ウェビナー、営業架電を組み合わせているケースを考えます。

  • 測定したいこと:展示会へ追加投資した場合に、商談などの成果が増えるか
  • 利用可能なもの:イベント時期・費用、広告出稿、営業活動、問い合わせと商談の集計
  • 不足しているもの:十分な期間と変動、イベント参加者の構成、キャンペーン以外の需要変化
  • 混同しやすいこと:展示会直後の商談を、展示会だけが生んだ成果として扱う
  • 先にできること:同一の定義で数値を蓄積し、失注・受注の理由や商談後の時間差を記録
  • モデル化の判断:データ量・予算規模・重要な変数の記録状況を確認してから、分析方法を選ぶ

条件が揃わなければ、MMMを導入しないことも適切です。費用対効果をよくするために、まず小さな実験や施策ごとのレビューを行う方法もあります。

MMMを実装するときに見たい『推定の幅』

Meridianは推定値とともに不確実性を扱うベイズモデルです。たとえば『あるチャネルのROIが2』という一点の数字だけでなく、その推定がどれほど不確かか、事前分布やモデル設定にどれほど影響されるかを確認します。

予測値の当たり具合だけで因果推定の正しさを保証できません。Googleのモデリングガイドは、モデルの予測適合度と因果的な効果推定の妥当性を区別し、交絡要因・モデル仮定・外部の実験結果との照合が重要だと説明しています。

これは『MMMは役に立たない』という意味ではありません。投資判断に使うなら、推定の幅や測定不能な条件も意思決定者に渡すことが必要だということです。

実験とMMMは競合ではなく、相互補完の可能性がある

広告を実施した地域と比較対象の地域を適切に設計する実験などは、特定の施策の増分効果を調べる方法です。MMMの観測データからの推定と、条件の整った実験結果を突き合わせれば、モデルの仮定を見直す材料になります。

ただし実験にも十分な母数、適切な割り当て、期間の設計、他施策の影響の点検が必要です。『実験はいつでも可能』『その結果がすべての地域へそのまま適用できる』という保証はありません。

複数チャネルでの貢献と増分の整理はラストクリック偏重を見直すで、KPIを売上・商談・行動へ分ける方法はBtoBの行動KPI設計で扱っています。本記事はMMMを導入すべきか、データが十分か、何を主張してはいけないかに集中します。

ひとりマーケターがいま着手できること

  • 媒体・施策の費用、実施時期、変更点を継続的に記録する
  • 成果指標の定義・対象期間・集計漏れを確認し、途中変更は履歴に残す
  • 価格、営業体制、大きなイベントなど、成果と投資に影響し得る要因も記録する
  • 週次などの単位でデータがどれだけ揃っているか、欠損や施策の同時変更がないか点検する
  • 投資判断上の優先度に見合う場合だけ、専門家とモデルの条件を検討する

この段階では『MMMを実施して因果効果を推定した』とは呼びません。モデルを組む前のデータ整備・意思決定の準備です。スプレッドシートで整理した施策履歴も、それだけで投資効果の証明にはなりません。

まとめ:MMMを万能視せず、問いとデータから始める

MMMは、複数のマーケティング施策が成果へ与える増分効果を、統計モデルによって推定する有力な方法です。一方、データが不足していたり、施策と市場要因の動きが区別できなかったりすると、見た目が精緻な結果でも意思決定を誤る可能性があります。

『いまのデータで何を推定できるか』『推定の幅は許容できるか』『その結果で変える意思決定は何か』。この三つを説明できる段階になってから、MMMの導入と予算を判断しましょう。

主要な一次資料

ほかの記事を探す

記事の訂正・出典情報は、お問い合わせから該当記事のURLと根拠資料をお知らせください。