定義
マーケティング・ミックス・モデリング（MMM）とは、統計的回帰分析を用いて、各マーケティングチャネルが売上全体にどれだけ貢献しているかを定量的に評価する分析手法です。テレビCM、新聞、雑誌、ラジオ、OOH、デジタル広告、メール、SNS、インフルエンサー、価格施策、プロモーションなど、あらゆる施策の売上寄与度を分解し、「どのチャネルにいくら投資すべきか」を意思決定するためのフレームワークです。
DTC・EC業界では、Cookie規制やiOSのATT（App Tracking Transparency）以降、個人単位のトラッキングが困難になったことで、アグリゲートデータ（集計データ）ベースで因果を推定できるMMMが再評価されています。GA4やShopify、Amazonの売上データ、広告プラットフォームのインプレッション・コストデータ、外部要因（季節性、天候、競合価格）を時系列で結合し、回帰モデルに投入します。
类比：料理の「味のバランス」分解
MMMは、プロの料理人が「このスープの味は、塩が何g、砂糖が何g、出汁が何ml効いているか」を統計的に逆算する作業に似ています。
- スープ全体の味＝総売上
- 塩・砂糖・出汁＝各マーケティングチャネル
- 隠し味の昆布＝ブランド認知や口コミ（ベースライン）
- 天候や気温で味の感じ方が変わる＝外部要因・季節性
料理人は「塩を倍にすればもっと売れる」とは単純に言えません。塩が効きすぎると砂糖の効果が薄まる（交互作用）、時間差で味が変わる（広告のキャリーオーバー効果）からです。MMMも同じく、飽和効果（Diminishing Returns）と遅延効果（Adstock）を考慮して各チャネルの真の貢献を推定します。
公式
MMMの基本モデルは、以下のような重回帰式で表現されます。
Sales_t = α + Σ_i β_i · f_i(Adstock(Spend_i,t)) + Σ_j γ_j · Control_j,t + ε_t
各要素の意味：
- Sales_t：時点 t における売上（例：月次売上）
- α：ベースライン売上（広告なしでも発生する売上）
- β_i：チャネル i の貢献係数（ROIの源泉）
- f_i(·)：飽和関数（例：Hill関数、Log関数）
- Adstock(·)：広告の遅延・減衰効果（例：Adstock_t = Spend_t + λ · Adstock_{t-1}、λ=0.5など）
- Control_j,t：価格、季節性、競合、天候などの統制変数
- ε_t：誤差項
具体例：あるDTCブランドの月次売上が1,200万円。モデル推定の結果、ベースラインが600万円、Meta広告が240万円、Google検索が180万円、TikTokが120万円、メールが60万円と分解された場合、Meta広告のROIは「240万円 ÷ 広告費80万円 = 3.0」と算出されます。
チャネル別 貢献度とROIの比較表
以下は、ある架空のDTCスキンケアブランド（月次売上1,200万円）におけるMMM分析結果の例です。
| チャネル | 月間広告費 | 推定売上貢献 | ROI | 飽和度 | 推奨アクション |
|---|---|---|---|---|---|
| Meta広告 | 80万円 | 240万円 | 3.00 | 中 | 維持・クリエイティブ改善 |
| Google検索 | 60万円 | 180万円 | 3.00 | 低 | 予算増額（+20%） |
| TikTok | 100万円 | 120万円 | 1.20 | 高 | 予算削減（-30%） |
| メール/LINE | 10万円 | 60万円 | 6.00 | 低 | 配信頻度を最適化 |
| インフルエンサー | 50万円 | 40万円 | 0.80 | 高 | 契約見直し |
| ベースライン | — | 560万円 | — | — | ブランド施策で底上げ |
この表から、TikTokとインフルエンサーは飽和状態でROIが低く、Google検索とメールは伸びしろがあることが読み取れます。予算をTikTokからGoogle検索へ20%シフトすると、総売上が約36万円増加する試算になります。
応用シーン
1. 年間予算配分の最適化：四半期ごとにMMMを更新し、チャネル間の予算シフトを決定。DTCでは「CAC上限」と「LTV」を制約条件に加えることが多い。
2. 新規チャネル参入の判断：小売メディア（Amazon Ads、楽天Ads）や新SNSへの投資前に、シミュレーションでROIを予測。
3. テレビCMとデジタルの相互作用測定：テレビ放映週に検索広告のCVRが上がる「ハロー効果」を定量化。
4. 価格・プロモーションの効果検証：セール施策が通常販売をどれだけカニバリゼーションしているかを分解。
5. ブランド施策のベースライン貢献：認知広告が直接CVに繋がらなくても、ベースライン売上を押し上げる効果を可視化。
よくある誤解
- 「MMMは因果を証明する」：MMMはあくまで相関と統計的推定に基づくモデルです。交絡因子（例：季節性と広告費の同時上昇）を適切に統制しないと、誤った因果解釈を生みます。
- 「日次データで十分」：MMMは通常週次〜月次の集計データで実施します。日次ではノイズが大きく、Adstockや飽和効果の推定が不安定になります。
- 「ROIが高いチャネルに全予算を集中すべき」：飽和効果があるため、ROIが高くても予算を倍にすればROIは下がります。限界ROI（Marginal ROI）で判断する必要があります。
- 「GA4のアトリビューションで代替できる」：GA4はラストクリック中心で、テレビやブランド認知の貢献を過小評価します。MMMはアトリビューションの上位互換ではなく、補完関係にあります。
- 「一度作れば終わり」：広告クリエイティブ、競合、経済環境は常に変化します。四半期ごとの再キャリブレーションが必須です。
関連用語
- アトリビューション（Attribution）：個別CVをチャネルに割り当てる手法。MMMは集計レベルで補完。
- インクリメンタリティ（Incrementality）：広告がなければ発生しなかった売上の測定。MMMの主要目的の一つ。
- Adstock（アドストック）：広告効果の遅延・持続をモデル化する変換。
- 飽和効果（Diminishing Returns）：予算増加に伴いROIが逓減する現象。
- ベースライン（Baseline）：広告以外の要因で発生する売上。
- マルチタッチ・アトリビューション（MTA）：ユーザー単位のCV経路分析。MMMと併用が推奨。
- 実験計画法（Geo Lift Test / Conversion Lift）：MMMの推定結果を検証するためのRCT的手法。
- マーケティング・ミックス・モデリング・ツール：Google Meridian、Meta Robyn、PyMC-Marketingなどが代表例。