ベイジアンMMMとは何か
ベイジアンMMM（Bayesian Marketing Mix Modeling）は、ベイズの定理に基づき事前分布（業界知識や過去の分析結果）と観測データを統合して、各広告チャネルのROIを確率分布として推定する手法です。従来の最小二乗法（OLS）ベースのMMMでは点推定値しか得られず、推定の不確実性を定量化できませんでしたが、ベイジアンMMMでは「テレビCMのROIは95%の確率で1.5〜3.2の範囲」といった信用区間付きの推定が可能です。データが少ない場合（週次2年分＝約100ポイント）でも、事前分布の正則化効果により安定した推定結果が得られます。PyMC、Stan、GoogleのMeridianなど主要なMMMツールがベイジアンアプローチを採用しており、MixCastもPyMCベースのベイジアンMMMエンジンを搭載しています。
従来のMMM（頻度論的アプローチ）の課題
従来のMMMでは、主に重回帰分析（OLS: Ordinary Least Squares）を用いてパラメータを推定していました。このアプローチにはいくつかの課題があります。
- 多重共線性の問題：複数のマーケティングチャネルの広告費が同時期に増減する傾向があるため、各チャネルの効果を正確に分離するのが困難です。例えば、テレビCMとデジタル広告を同時に強化するケースでは、OLSでは効果の帰属が不安定になります。
- データ不足への脆弱性：MMMには通常2年以上の週次データ（約100データポイント以上）が必要ですが、説明変数の数が多い場合、データポイントが不足して推定が不安定になります。
- 不確実性の定量化が限定的：点推定値のみを出力するため、推定結果にどの程度の不確実性があるのかを直感的に把握しにくいという問題があります。
- 業界知識を反映できない：過去の分析結果や業界の常識をモデルに組み込む仕組みがありません。
ベイジアンアプローチが解決すること
ベイジアンMMMでは、ベイズの定理を基盤として、事前分布（prior）と観測データ（likelihood）から事後分布（posterior）を推定します。この仕組みにより、以下のメリットが得られます。
事前分布による業界知識の活用
ベイジアンMMMの最大の特徴は、事前分布（prior distribution）を設定できることです。事前分布とは、データを観測する前に持っている知識や信念を確率分布として表現したものです。
例えば、「テレビCMの効果は正の値であるはず」「デジタル広告のROIは過去の分析では2〜5倍の範囲だった」といった事前知識をモデルに組み込むことができます。これにより、データが少ない場合でも妥当な推定結果を得やすくなります。
不確実性の完全な定量化
ベイジアンMMMでは、パラメータの推定結果が確率分布として得られます。これにより、「テレビCMのROIは95%の確率で1.5〜3.2の範囲にある」といった信用区間付きの推定が可能です。意思決定者はこの不確実性の情報を基に、リスクを考慮した予算配分の判断ができます。
MCMCサンプリングの仕組み
ベイジアンMMMでは、事後分布の計算にMCMC（マルコフ連鎖モンテカルロ法）というサンプリング手法を使用します。事後分布は多くの場合、解析的に求めることができないため、MCMCを用いて事後分布からのサンプルを大量に生成し、そのサンプルを基に統計量を計算します。
代表的なMCMCアルゴリズムには以下のものがあります。
- NUTS（No-U-Turn Sampler）：PyMCなどで標準的に使われる高効率なサンプラー
- Hamiltonian Monte Carlo（HMC）：高次元のパラメータ空間でも効率的にサンプリングできる手法
- Metropolis-Hastings：古典的なMCMCアルゴリズムだが、高次元では非効率
ベイジアンMMMで使われるモデル構造
一般的なベイジアンMMMでは、以下のようなモデル構造が用いられます。
- アドストック変換：広告の残存効果をモデル化。幾何的減衰関数やWeibull関数が使われます。
- 飽和変換：広告投資の逓減効果をモデル化。Hill関数やロジスティック関数が一般的です。
- トレンド・季節性：売上の長期トレンドや季節変動をコントロール変数として組み込みます。
- 階層モデル：複数の地域や製品カテゴリにまたがるデータを統合的にモデリングできます。
従来手法との結果比較
実務での比較研究では、ベイジアンMMMは以下の点で従来手法を上回る傾向が報告されています。
- 少ないデータでも安定した推定が可能（事前分布による正則化効果）
- 多重共線性がある場合でも各チャネルの効果をより正確に分離
- 信用区間が提供されるため、意思決定の質が向上
- モデルの柔軟性が高く、非線形な効果を自然にモデル化可能
ベイジアンMMMを実践するには
ベイジアンMMMの実装には、PyMCやStanといった確率的プログラミング言語の知識が必要です。しかし、すべての企業がデータサイエンティストを抱えているわけではありません。
MixCastは、PyMCベースのベイジアンMMMエンジンを搭載しており、統計の専門知識がなくても、CSVをアップロードするだけでベイジアンMMMの恩恵を受けることができます。事後分布の可視化や信用区間付きのROI推定など、ベイジアンMMMならではのアウトプットをわかりやすいダッシュボードで確認できます。