【要約】MMMの残存効果をAdstock関数とPythonで理解する [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
マーケティング担当者は、広告出稿が即座に売上へ直結しない事実に直面する。従来の単純なモデルでは、広告接触から購買までの時間差を無視してしまう。具体的には以下の課題がある。
- ・広告の「余韻」を評価できず、即時効果のみを過大評価する。
- ・テレビCMのように、接触から購入まで時間を要するメディア特性を捉えられない。
- ・過去の施策が現在の成果に与える影響を定量的に分離できない。
// Approach
本記事では、広告効果の減衰と遅延を表現するAdstock関数を導入し、数学的なモデル化を行う。具体的な手法は以下の通りである。
- ・Adstock関数の定義：重み付き出稿量を重みの合計で正規化し、実効的な出稿水準を算出する。
- ・幾何学的減衰モデル：広告出稿直後に効果が最大となり、その後一定の割合で減衰するモデル。
- ・遅延Adstockモデル：認知形成等のプロセスを考慮し、効果のピークを意図的に遅らせるモデル。
- ・ベイズ推定の活用：MCMCを用いて、持続率（α）や遅延（θ）の事後分布を推定する。
// Result
広告効果の構造を「当期の影響」と「過去からの残存効果」に分解して可視化できる。これにより以下の成果が得られる。
- ・Pythonによる可視化で、パラメータの変化が効果の形状に与える影響を直感的に理解できる。
- ・ベイズ推定により、パラメータの不確実性を確率分布として扱える。
- ・メディアごとの特性に応じた、適切なモデル選択が可能になる。
Senior Engineer Insight
> MMMの精度向上には不可欠な概念だが、実装には高度な統計知識が必要だ。特にMCMCによるパラメータ推定は、データ量が増大した際の計算コストが懸念される。実運用では、モデルの複雑さと推定速度のトレードオフを考慮すべきだ。また、パラメータの事前分布の設定が結果を大きく左右するため、ドメイン知識に基づいた慎重な設計が求められる。