背景
マーケティングミックスモデリング（Marketing Mix Modeling：以下、MMM）は、企業がマーケティング活動の効果を定量的に評価するために重要な手法です。MMMは、広告、プロモーション、価格戦略などのマーケティング要素が売上に与える影響を解析し、最適な予算配分を明らかにするために使用されます。例えば、TV CMを思い浮かべてみて下さい。CMが流れた直後にその商品を買う人は少ないでしょう。どちらかと言えば、CMが流れてずっと頭の中にあのメロディーが残っていて、ちょっと疲れてきた月の後半にボーナスが入ってなんとなく買ってしまうという感じではないでしょうか。このように一部の広告には、残存効果（アドストック）があります。本記事では、広告の残存効果を考慮したアドストックモデルに焦点を当てます。
そもそも、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については、過去の記事をご覧いただくのが良いかと思います。
簡単に概要を示すと、以下の通りです。
MMMは、統計的手法を用いてマーケティング活動が売上や利益に与える影響を分析する手法です。MMMは、多くの場合、回帰分析を基盤とし、各マーケティング要素（例えば、テレビ広告、オンライン広告、プロモーションや価格設定など）の貢献度を特定します。MMMの目的は、マーケティング予算の最適配分を行い、投資対効果（Return on Investment：以下、ROI）を最大化することです。
MMMの重要な要素の一つは、データの収集と前処理です。売上データ、マーケティング支出データ、外部要因（経済指標や季節要因など）を収集し、これらを一つの分析モデルに統合します。データの前処理には、欠損値の補完、異常値の検出、変数の標準化などが含まれます。
次に、前処理されたデータを用いて回帰モデルを構築します。この段階では、各マーケティング要素の係数を推定し、売上への影響度を特定します。モデルの性能は、R2やMSE（Mean Squared Error：平均二乗誤差）などの指標で評価します。また、モデルの妥当性を確認するためにトレーニングデータとテストデータに分割して検証を行います。
MMMの結果をもとにマーケティング戦略の最適化が行います。各要素のROIを計算し、予算配分を見直します。このプロセスを繰り返すことで企業はマーケティング投資の効率を高め、競争優位を確立することができます。
アドストックモデルの概念
アドストックモデルは、広告の残存効果を考慮したマーケティングミックスモデリングの中の一つの手法です。通常のMMMでは、広告の効果が即座に現れると仮定しますが、実際には広告効果は時間とともに減少しながらも持続します。この持続効果を残存効果と呼び、これをモデルに組み込むことで、より現実的な解析が可能となります。
アドストックモデルでは、広告効果の減衰を指数関数的に表現するなどの方法があります。例えば、ある広告キャンペーンが行われた場合、その効果は初期値から徐々に減少しますが一定期間は持続します。これを数式で表すと、以下のようになります。
$$ \text{ある時刻tにおけるアドストック効果} = \text{ある時刻tにおける広告費} + \theta \times \text{ある時刻の前の時刻t-1におけるアドストック効果} $$
ここで、Θは減衰率を表し、0から1の間の値を取ります。
Pythonを用いてアドストックモデルを実装するには、まず広告データの準備が必要です。広告支出データを時系列データとして取り込み、減衰率を設定します。次に、アドストック効果を計算し、元のデータに追加します。この新たな変数を含めた回帰モデルを構築し、分析を行います。
アドストックモデルの利点は、広告効果の持続性を考慮することで、より精度の高い予測が可能になる点です。また、広告の減衰率を調整することで異なる広告キャンペーンの効果を比較することができます。これにより、企業は広告戦略の最適化を図り、効果的なマーケティング投資を実現できます。
Pythonによるアドストックモデルの実装
Pythonを用いたアドストックモデルの実装は、主に以下のステップで行います。まず、必要なライブラリをインポートします。次に、広告支出データを読み込み、時系列データとして処理し、アドストック効果を計算し、回帰モデルに組み込みます。
具体的な実装手順は以下の通りです：
import pandas as pdimport numpy as npfrom sklearn.linear_model import LinearRegression# データの読み込みdata = pd.read_csv('advertising_data.csv')# アドストック効果の計算def calculate_adstock(ad_spend, theta): adstock = np.zeros(len(ad_spend)) adstock[0] = ad_spend[0] for t in range(1, len(ad_spend)): adstock[t] = ad_spend[t] + theta * adstock[t-1] return adstock# アドストック効果をデータに追加theta = 0.5 # 減衰率の設定data['Adstock'] = calculate_adstock(data['Advertising'], theta)# 回帰モデルの構築X = data[['Adstock', 'Other_Marketing_Factors']]y = data['Sales']model = LinearRegression()model.fit(X, y)# 結果の表示print(f'Coefficients: {model.coef_}')print(f'Intercept: {model.intercept_}')print(f'R-squared: {model.score(X, y)}')上記のコードは、広告支出データを読み込み、アドストック効果を計算して新たな変数を作成し、回帰モデルに組み込む手順を示しています。減衰率の値は、広告の特性や市場環境に応じて調整が必要です。結果として、各マーケティング要素の係数を取得し、売上への影響度を評価できます。
この手法により、広告の持続効果を考慮した精度の高いマーケティングミックスモデリングが可能となり、企業はマーケティング戦略の最適化に役立てることができます。
まとめ
本記事では、Pythonを用いたマーケティングミックスモデリング（MMM）とアドストックモデルについて解説しました。MMMは、企業のマーケティング活動の効果を定量的に評価し、最適なマーケティング戦略を立案するための重要な手法です。特に、アドストックモデルは、広告の遅延効果を考慮することで、より現実的な解析を可能にします。
アドストックモデルを活用することで企業は広告の持続効果を正確に評価し、マーケティング戦略の最適化を図ることができます。今後も、データ分析技術を駆使してマーケティング効果の精度を高め、ROIを最大化する取り組みが求められます。
