オープンソース パッケージと AI エージェントにより、マーケティング ミックス モデル (MMM) の構築は簡単になりましたが、モデルが正しいかどうかを知ることはそれほど簡単にはなりませんでした。障壁は、モデルの構築からその監督へと移行しました。つまり、実験に対してモデルを調整し、モデルを比較し、番号を承認する人の名前を指定することです。データの歴史が短く、マーケティング費用あたりのチャネルが多い東南アジアは、最も多くのエクスポージャーをもたらします。
主なポイント
- AI エージェントはオープンソース パッケージを取得し、支出と収益のデータをロードし、統計的な背景をほとんど持たずに実用的なマーケティング ミックス モデルを作成できるようになりました。
- Robyn (Meta) はユーザーに最低限の質問をします。Meridian (Google) はデータ サイエンス コーディングを必要とし、PyMC Marketing はベイジアンの専門知識を必要とします。エージェントはセットアップのギャップを解消しますが、解釈のギャップは解消しません。
- ゴードン、ツェッテルマイヤー、バルガヴァ、チャプスキーらによって研究された 15 件の大規模な広告実験では、観察手法は研究の約半数で 3 倍以上外れていました。
- モデルは、モデル作成が開始される前にデータを中断することがよくあります。つまり、参照元のない AI アシスタントによる紹介、無報酬のブランド構築、古くなった競合他社や視聴者の入力などです。
- 監督とは、実験に基づいて調整し、モデル間の不一致を発見として扱い、数値を承認する人を指名することを意味します。
マーケティング ミックス モデリングでは何が変わりましたか?
マーケティング ミックス モデルの構築は、ほぼ誰でもできることになりました。そのモデルが真実を語っているかどうかを知ることは依然として稀です。 AdExchanger は最近、オープンソースのマーケティング ミックス モデリングの隆盛を取り上げ、途中で OS MMM というラベルを作りましたが、作品の背後にある興奮は本物でした。それは正しい成果を指していなかっただけです。
ノースウェスタン大学メディルスクールのジュリアン・ルンゲ氏は、この議論について、一般に知られている以上に注目に値するバージョンを発表した。 AI エージェントは、統計的な背景をほとんど必要とせずに、オープンソースのモデリング パッケージを取得し、クライアントの支出と収益のデータをロードして、実用的なマーケティング ミックス モデルを作成するように求められるようになりました。コンサルティング会社に 6 桁のお金を払い、どのチャネルが実際に機能しているかという単純な質問に対する答えを 4 分の 1 待った人は、そのことについて少し立ち止まるべきです。
次に、要約スライドではうまく伝えられない議論の部分が続きます。安くなったのは模型を製作するという行為です。常に同じコストがかかるのは、1 つについて正しいことです。
マーケティング ミックス モデリングのどの部分が実際に安くなりましたか?
Runge と Koen Pauwels は、今年 主要なオープンソース パッケージの実用的な比較を発表しました。それぞれのパッケージが何を要求しているのかについて、異常に鋭い目で見ています。 Meta によって構築された Robyn は、リッジ回帰と進化的検索プロセスを組み合わせたものです。ユーザーへの要求は最小限で、1 日以内に動作するモデルを返すことができます。 Google の Meridian は、本物のデータ サイエンス コーディング能力を期待しています。 PyMC Marketing は本物のベイジアンの専門知識を期待しており、適切に実行するまでに数週間かかることがよくあります。
| パッケージ | ユーザーに求めるもの | 実験に対してどのように調整するか |
|---|---|---|
| ロビン(メタ) | 少なくとも。進化的探索によるリッジ回帰、実用的なモデルを 1 日以内に構築 | ルンゲ氏とパウエルス氏は、多目的最適化を通じて、あまり理解されておらず、テストもされていないとフラグを立てています。 |
| メリディアン (Google) | 本物のデータサイエンスコーディング能力 | ベイズ事前分布としての実験結果。 Meridian GeoX により地理実験によりモデルを固定できる |
| PyMC マーケティング | 本物のベイズの専門知識。適切に実行するには数週間かかることがよくあります | ベイズ事前分布としての実験結果 |
AI エージェントは、これら 3 つのツール間のセットアップのギャップを解消します。解釈のギャップを解消することには何の役にも立ちません。むしろ、その幅は広がります。なぜなら、今では 3 つのアプローチすべてが週末までに自信に満ちたグラフを作成できるようになり、それらのグラフはどれもスライド上で同様に信頼できるように見えるからです。
モデルの出力そのものを信頼できないのはなぜですか?
シナリオをイメージしてください。エージェントは一晩中実行され、朝までに受信箱にきれいなデータが入っています。 1 つのチャネルが 4.1 の広告費用収益率を報告して戻ってきました。ブランド検索は0.9に戻ります。この部屋の誰かが、週末までに予算を再配分してほしいと考えており、実際に重要な質問を 1 つ尋ねました。その数字は正しいですか?
出力自体の信頼性を示すものではないため、その場にいる誰も出力だけからそのことに答えることはできません。
ここで起こる可能性のある問題の規模は新しいものではありません。研究者のゴードン、ゼッテルマイヤー、バルガバ、チャプスキーは15の大規模な広告実験を実施し、約5億件のユーザー実験観察と15億件以上のインプレッションを対象とし、その結果を業界が通常利用している観察手法と比較した。研究の約半分では、推定上昇率は 3 倍以上外れていました。実際の上昇率が約 2% だった 1 つのキャンペーンは、観察手法によって 3,000% 以上と推定されました。 70% 近くの実際の上昇率を示した別のキャンペーンでは、その数字の 4 倍以上と推定されました。
その研究はもう数年前のものです。エージェント AI については、それが明らかにした根本的な問題は何も変わりません。同じ観測データに対して高速なパイプラインを実行すると、同じバイアスが再現されます。より早く、より良いフォーマットで実行されるだけです。
モデリングが始まる前に、マーケティング ミックス モデルのどこが壊れるのでしょうか?
マーケティング ミックスのモデリング出力のほとんどは、実際にはモデリングの失敗ではありません。モデルが得られない自信を示すのは、データの失敗です。
モデルがまったく見ることができないチャネルから始めます。顧客が ChatGPT や Perplexity などの AI アシスタントにどの製品を購入するかを尋ね、リファラーがアタッチされていないサイトに到達した場合、そのトラフィックには単純にデータセットに列がありません。このモデルは、それをベースラインの需要に組み込むか、近くでたまたま実行されていたキャンペーンの影響を静かにクレジットします。これはすでにデータに現れています。米国市場に参入する国境を越えた販売者向けの生成エンジンの最適化に取り組んでいる Touchigh は、AI 紹介トラフィックが最近のホリデー シーズン全体で 700 パーセント近く増加し、AI アシスタント紹介からのコンバージョン率がサイト平均を 30 ～ 40 パーセント上回っていると報告しています。正確な数字はその 1 つの研究に属します。構造的な点はそうではありません。チャネルがそのペースに近いペースで成長し、データセットにまったく存在しない場合は、丸め誤差ではなく仕様誤差です。
次に、まったく表示されない支出線があります。創設者の出版、時間をかけてゆっくりと築かれたカテゴリーの権威、カテゴリーの会話に一貫して登場するだけの長い無報酬の習慣。いずれもメディアコストを伴わず、目に見える爆発的な影響をもたらすものはなく、その効果は 1 四半期か 2 四半期後に現れることが多く、まさにマーケティング ミックス モデルが最も扱いにくい形状です。トレンドに飲み込まれ、分析から完全に消えてしまいます。
そして、最も魅力的ではない失敗があります。入力品質。競合他社と視聴者の行動に関する薄っぺらい時代遅れのイメージを与えられたモデルは、もはや存在しない市場に対して自信を持って予算を割り当てるでしょう。 マザーケア シンガポールに関する文書化された事例があります。このケースでは、オーディエンス調査に費やす時間が 80% 削減され、週に 25 時間以上の時間が確保され、そのカテゴリ内で年間 4,000 以上のデジタル広告が追跡されています。そこにある本当に興味深い数字は時間の節約ではありません。それは、すべての下流モデルに影響を与える市場の状況が、4 分の 1 で古いものではなく、最新のものになったことです。
モデリングの専門知識は今どこへ行っているのでしょうか?
消えません。モデルの構築から監視に移ります。次のモデルを実行する前に、修正する価値のある 3 つの点があります。
本能ではなく実験に基づいて調整します。 Meridian と PyMC Marketing は両方とも、実験結果をベイズ事前分布として入力できます。 Robyn は多目的最適化プロセスを通じて調整しますが、Runge 氏と Pauwels 氏は、このプロセスがあまり理解されておらず、厳密にテストされていないと特に警告しています。 Google は 5 月 2026 に Meridian GeoX を導入しました。これは、地理実験が別個の演習としてモデルと並行するのではなく、モデルを直接固定できるようにするためです。
モデル間の不一致自体を発見として扱います。同じデータセット上で 2 つの異なるパッケージを実行し、それらが 1 つのチャネル上で桁違いに一致しないのを見ると、そのチャネルがデータ内でいかに弱く識別されているかについて現実的なことが分かります。ほとんどのチームは 1 つのモデルだけを実行していますが、これを発見することはありません。
番号をサインオフする人の名前を指定します。数値が実際の予算決定に至る前に、誰かがそれについて間違っているリスクを負う必要があります。これは、ほとんどのチームが黙って省略している単一のコントロールです。
その監督層はどこかに存在する必要がありますが、小規模または独立した機関の場合は、作業を吸収する専用の分析ベンチがないという理由だけで、どこにも存在しないことがよくあります。このギャップは、小規模店舗に大規模ネットワークのインテリジェンスと自動化レイヤーを提供するツールを構築する理由の一部であり、現在非常に重要です。レポート作成で節約された時間は、さらなるレポート作成に費やされるのではなく、判断に再投資される場合にのみ価値を生み出します。
なぜ東南アジアで最も困難に着陸するのでしょうか?
東南アジアは無料のモデリング ツールから最大限の利益を得る立場にあり、これらのツールが適切な監督なしで使用された場合、最も危険にさらされます。データ履歴は短くなる傾向があります。マーケティング費用あたりのチャネル数は高くなる傾向があり、TikTok Shop、Shopee、Lazada、Meta、Grab プレースメント、WhatsApp コミュニティにまたがり、多くの場合、すべてが 1 つのキャンペーン内で行われます。真にクリーンなホールドアウト テストをサポートできる十分な規模の市場はほとんどありません。地域ブランドのデータセットには、数週間にわたるクリーンな履歴よりも多くのチャネル列が含まれてしまう可能性があります。これはまさに、マーケティング ミックス モデルが正確で安定した間違った答えを喜んで返す条件です。
これらのツールに無料でアクセスできるのは、間違いなく良いニュースです。そのアクセスとともに実現するのは、間違った仮定と、その仮定に基づいて既に再割り当てされた予算との間の距離がはるかに短くなるということです。
したがって、次のモデルを実行する前に、組織内で問う価値のある質問は簡単です。答えが間違っていることが判明した場合、誰が責任を負うのでしょうか?
SOMINはこれのどこに当てはまりますか？
この記事で説明するギャップは、実際にはモデリングのギャップではありません。これは知性のギャップであり、自信があるように見えるチャートと、実際に市場の人々の行動をチェックしたチャートとの間のギャップです。 SOMIN はまさにその空間を閉じることを中心に作られました。 SoMonitor のブランド トラッカーとパースペクティブ スタディは、モデルの下にある視聴者のイメージを 4 分の 1 の古いものではなく最新の状態に保つために存在します。一方、SODA と GWI のパートナーシップにより、その数値が予算決定に達する前に、実際の消費者シグナルに対してモデルが何を主張しているかをテストする方法がチームに提供されます。 マーケティング ミックス モデルを構築するためのツールがはるかに利用しやすくなりました。人を信頼するために必要な判断力はそうではありません。SOMIN はその部分をサポートするために構築されています。
FAQ
AI エージェントはマーケティング ミックス モデルを構築できますか?
はい。エージェントはオープンソース パッケージをプルし、クライアントの支出と収益のデータをロードし、統計的な背景をほとんど必要とせずに実用的なモデルを作成できます。出力ではモデル自体の信頼性が示されないため、モデルが正しいかどうかを判断することはできません。
Robyn、Meridian、PyMC Marketing の違いは何ですか?
Meta によって構築された Robyn は、リッジ回帰と進化的検索を組み合わせ、ユーザーに最低限のことを尋ねます。 Google の Meridian は実際のデータ サイエンスのコーディング能力を期待しており、PyMC Marketing はベイズの専門知識を期待しており、適切に実行するまでに数週間かかることがよくあります。 Meridian と PyMC Marketing は実験結果をベイズ事前分布として受け入れます。 Robyn は、多目的最適化を通じて調整します。
観察型広告の測定はどの程度間違っているのでしょうか?
ゴードン、ゼッテルマイヤー、バルガヴァ、チャプスキーが分析した 15 件の大規模な広告実験では、約半数の研究でリフトの観察推定値が 3 倍以上外れていました。実際の上昇率が約 2% だった 1 つのキャンペーンでは、3,000% 以上と推定されました。
マーケティング ミックス モデルが正しいかどうかをどのように確認しますか?
本能ではなく、実験、たとえば Meridian GeoX による地理実験に基づいて調整します。同じデータに対して 2 つの異なるパッケージを実行し、大きな不一致がある場合はチャネルの識別が不十分である兆候として扱い、予算決定に達する前に承認する人の名前を指定します。
東南アジアではマーケティング ミックス モデリングのリスクがより高いのはなぜですか?
データ履歴は短くなり、キャンペーンは TikTok Shop、Shopee、Lazada、Meta、Grab、WhatsApp などの多くのチャネルに広がり、クリーンなホールドアウト テストに十分な規模の市場は少なくなります。ブランドには、クリーンな数週間のデータよりも多くのチャネル列が含まれる場合があります。その場合、モデルは正確で安定した間違った答えを返します。
