---

MMM(marketing mix modeling)について

概要

• 広告のパフォーマンスを確認する方法
  • プライバシーを重要視する流れからクッキーやデバイス情報によるトラッキングができなくなるので代替手法
• 手法としては以下に二分される
  • (ヒューリスティックで徴された)線形重回帰
  • ベイジアン

具体的な手順

• 説明変数として、impression, costなど2軸が必要
  • 局所解に陥るのを防ぐため
• impressionを説明変数とする場合、平均が1になるように正規化する
• costはベイズであれば初期分布を作成するのに使用し、線形重回帰であれば損失として勘案する

一般的なMMMを行う上での課題点

• 多重共線性
  • あるパラメータがもう一つのパラメータと相関していると、説明変数として強力な方に効果量が吸収されてしまう
    • 事前分布の設定とその信用度の確保
• 見せかけの相関
  • e.g. 夏であればアイスが売れるのは必然であるが、夏だけに行っていたキャンペーンとアイスの売上が相関してしまうような事象
    • 変数を入れるときには細心の注意を払う
    • 説明変数を増やしすぎない
• Googleの研究によると、MMMのモデリングでは不偏推定量は得られない
  • ≒ 最も最適なモデルは存在していない
  • 投資金額や人間の肌感を入れて多重共線性を緩和するのが現実解
  • 参考
    • Marketing-Mix-Modeling（MMM）に関する所感や問題意識について

累積する認知効果について

• 何日間、効果が残存するかをrandom cvで探索するのが早い
• 効果がどのような減衰するかも探索する

線形重回帰で行う際の詳細

• 損失として金額を利用する
  • 投資した金額に比例するパフォーマンスがあると仮定する
  • 具体的には損失として期待値を導入し、局所解に陥るのを防止する
  • 変数同士を絡まないようにすれば、通常のoptimizerで解くことが可能
  • 金額の期待値を外してでも全体フィットの方ために動くのであれば、それは金額とのパフォーマンスの乖離を示している

参考

• /scipy-optimize/
  • ここでMMMで使用可能な特殊な重回帰で利用可能な例を示している
• Garve/mamimo
• google/lightweight_mmm
• MAGELLAN/XICA
  • XICAという法人が提供するMMMサービス
• Marketing Mix Modeling Guidebook ーAnalytics AaaSの知見を踏まえ、マーケティングの投資対効果を最大化するためのポイントを公開ー
  • 理論的背景が非常に細かく書かれている