MMMとは何か、そしてなぜマーケターにとって重要なのでしょうか？

MMM（Marketing or Media Mix Modeling）は、企業が複数のチャネルにわたるマーケティングキャンペーンの影響を特定し、測定できるようにするデータ駆動型の手法です。MMMの目的は、企業が広告やマーケティング戦略について十分な情報に基づいた意思決定を行えるよう支援することです。テレビ、ソーシャルメディア、Eメールマーケティングなど、さまざまなチャネルからのデータを分析することで、MMMはどのチャネルが売上やその他のビジネス成果に最も貢献しているかを特定できます。外部のイベントや指標を組み込むことで、意思決定者は外部要因（休日、経済状況、天候など）の影響をより深く理解し、広告費のみの影響を誤って過大評価してしまうことを避けることができます。

MMMを使用することで、企業はどのマーケティングチャネルが最もエンゲージメント、売上、または収益をもたらしているかを特定できます。この情報は、マーケティング予算を最適化し、最も効果的なチャネルにリソースを配分するために使用できます。たとえば、ある企業がソーシャルメディア、Eメールマーケティング、テレビ広告など、さまざまなチャネルでマーケティングキャンペーンを展開しているとします。しかし、マーケティングチームはどのチャネルが最も高いROIをもたらしているか確信が持てません。そこでMMMが役立ちます。これらすべてのチャネルから集計されたデータを分析することで、強力なモデルが、最も収益を生み出しているキャンペーンや、最も効率的な広告費に対するリターンを提供するチャネルを特定するのを支援し、広告戦略を効果的に最適化できるようにします。これにより、企業はマーケティング活動を最適化し、適切な方向に予算を配分することができます。

長年にわたり、MMMは非常に強力なツールであり、ゲームチェンジャーと見なされてきました。これにより、目の肥えた企業は競争で優位に立つために必要な強みを得ることができます。データ駆動型の意思決定の力を活用することで、MMMは企業がマーケティング戦略に賢明な投資を行えるようにし、すべての予算が適切な場所、適切なタイミング、適切な方法で確実に使われるようにします。これは、顧客エンゲージメントの向上や売上の増加から、高い投資対効果に至るまで、説得力のある成果につながります。

MMMの進化

MMMは何十年も前から存在しており、常にマーケティングキャンペーンの効果を測定するための強力なツールでした。このモデルは、季節性、競合の動き、マクロ経済のトレンドなどのさまざまな要因を考慮し、マーケティング活動全体の総合的な影響を俯瞰的に把握することができます。しかし、近年、MMMはMTA（Multi-Touch Attribution）の影に隠れがちになっています。MTAは、複数のタッチポイントにわたって個々のユーザーを追跡することで、より詳細なアトリビューションへのアプローチを提供します。MTAを使用すると、マーケターはどの特定のタッチポイントが個々のユーザーのコンバージョンを促進しているかを確認し、それに応じて予算を配分できます。このレベルの粒度の細かさにより、MTAは多くのマーケター、特にデジタルマーケティングに携わる人々の間で人気の選択肢となっています。

しかし、GDPR（一般データ保護規則）やCCPA（カリフォルニア州消費者プライバシー法）などの新しいプライバシー規制により、MTAが依存しているクッキーベースの追跡はますます困難になっています。これは、ユーザーレベルのデータではなく集計データを使用するMMMが、今再び注目を集めていることを意味します。

では、マーケティング効果を測定するためにどちらのツールを選ぶべきか迷うかもしれません。両者を選択する際、MMMを選択するにあたって考慮すべき要因がいくつかあります。考慮すべき1つのオプションは、データの一部またはすべてが事前に集計されている場合にMMMを選択することです。もう1つの要因は、マーケティング活動にオンラインとオフラインの両方のチャネルが含まれているかどうかです。これは、オンラインとオフラインのマーケティングの境界線が曖昧になりがちな今日のデジタル時代において、ますます重要になっています。最後に、地域テスト（ジオテスト）の結果など、マーケティング活動に関連する外部情報がある場合、MMMを使用することで、このデータをモデルに組み込むことができます。

Advantages of MMM
第一に、MMMに基づく分析では、クッキーでは追跡できないテレビ、印刷物、ラジオ、OOH（屋外）広告などのオフラインチャネルの影響を組み込むことができます。さらに高度なモデリング手法では、さまざまなチャネルがどのように連携するかを説明するファネル効果や、これらのチャネルの相乗効果を考慮した乗数的効果を組み込むことも可能です。さらに、MTAでは見落とされる可能性のある、マーケティング活動の長期的な影響に関するインサイトを提供することもできます。MMMはよりスケーラブルであると考えられており、広大な地域や国全体にわたるマーケティング活動の影響を測定するために使用できます。

さらに、MMMは個人ユーザーのデータではなく集計データを使用するため、企業がプライバシー規制を遵守するのに役立ちます。つまり、企業はユーザーのプライバシーを損なうことなく、マーケティング活動の効果を測定し続けることができます。

このブログ記事では、MMMの主な機能と、Databricks Lakehouseプラットフォームが、堅牢でスケーラブルな最新のMMMソリューションを構築する上でどのように役立つかを探ります。

一般的な課題への対応

MMMは、コンサルティング会社から広告主、ソフトウェアベンダーに至るまで、さまざまな企業によって構築されています。企業がマーケティング支出を最適化する方法を模索し続ける中、MMMはROIを測定するための手法としてますます人気が高まっています。しかし、スケーラブルで頑健なMMMソリューションを構築することは、困難な課題となる場合があります。このセクションでは、企業がスケーラブルなソリューションを構築する際に直面する一般的な課題のいくつかについて説明します。このセクションでは、いくつかの一般的な課題について説明します。

MMMソリューションを構築する上での最大の課題の1つは、上流のデータソースです。データサイエンスおよび機械学習チームは、収集方法が標準化されていない計量経済学データなどのサードパーティデータを含む、さまざまなソースからのデータストリームをMMMデータ用に結合する必要があります。さらに、データソースはレガシーデータベース、Hive、SFTPフラットファイルなど、さまざまな場所に分散していることが多く、必要なデータを取得するのが困難です。さらに、データは毎月手動で更新する必要があり、これは面倒で時間のかかる作業になる可能性があります。

正確なMMM結果を得る上でのもう1つの障害は、データの欠如です。たとえば、経済データの取り込みや従来のオフラインメディアデータが欠落していることがよくあり、これにより結果の精度が大幅に低下する可能性があります。この課題は、複数の国で事業を展開している企業において特に顕著になる可能性があり、そこでは規制によってデータの収集や共有に制限が課される場合があります。現代のAI時代において、機械学習モデルの一種であるMMMソリューションも、新興のAI分野に伴う課題やリスクと無縁ではありません。取り込みからインサイトダッシュボードに至るまで、データソースからモデルへのリネージ（系統）を追跡することは、従来のアプローチでは大きなハードルとなる可能性があり、透明性と説明責任を維持することを困難にします。

さらに、チームのサイロ化の存在が、スケーラブルなMMMソリューションの構築を妨げる可能性があります。モデルの構築は隔離された環境で行われることが多く、技術部門とビジネス部門にまたがる水平方向、および組織階層、ブランド、カテゴリ、事業部門にわたる垂直方向の両方で、チーム間に障壁が生じます。モデル、コード、データのバージョン管理手法がないと、MMMソリューション内で不整合や不正確さが生じる可能性があります。さらに、扱いにくいレガシーコードによってソリューションの保守や更新が困難になり、大規模なリファクタリング作業が必要になる場合があります。加えて、手動プロセスが発生しがちで、分析は通常、数ヶ月に一度の単発の活動として実行されます。これは、より自動化され、再現可能で信頼性の高いDSMLパイプラインの一部となる代わりに、個人または小規模なチームが繰り返さなければなりません。

最後に、データの公開やインサイトの共有が遅れることが多く、個別の統合が必要になります。これにより、関係者が情報に基づいた意思決定を迅速に行うことが困難になり、意思決定がさらに遅れ、機会損失につながり、ペースが速くダイナミックに変化する経済環境（特に競合他社が光の速さで動いている場合）に対応する俊敏性が低下します。また、既存の多くのMMMソリューションには、顧客やパートナーと効果的にコラボレーションするために必要な柔軟性やプライバシー保護が欠けています。

その結果、企業はAI時代におけるMMMの導入に対して、DSML技術に関連する独自の課題やリスクを考慮し、包括的かつ細心の注意を払ったアプローチを取る必要があります。

Databricks Lakehouseでスケーラブルかつ柔軟なMMMを構築する

参考図

Databricks Lakehouseは、企業がスケーラブルかつ柔軟な、近代化されたMMMソリューションを構築するための統合プラットフォームを提供するように設計されています。

Databricks Lakehouseの最も重要なメリットの1つは、さまざまなアップストリームデータソースを統合できることです。これにより、オフラインの計量経済データ、メディアキャンペーンデータ、CRMデータなど、MMMに不可欠な異なるデータソースをプラットフォーム上でまとめ、単一の信頼できる情報源（Single Source of Truth）に統合できます。これは、企業がさまざまなソースからの大量のデータを処理しなければならない、今日のデータ駆動型の世界において特に有用です。

MMMに大きなメリットをもたらすDatabricks Lakehouseのもう1つの主な利点は、データパイプラインを合理化できることです。データの取り込み後、MMMのプロセスでは、さまざまなマーケティングチャネルの変換とKPIへの影響の分析が必要になります。これには、さまざまなソースからの幅広いデータの処理が伴います。Lakehouseは、データの取り込み、処理、変換を自動化し、データパイプラインを手動で管理するために必要な時間と労力を削減できます。これにより、包括的なデータ品質モニタリングを行いながら、データが段階的に配信されるようになります。

さらに、Lakehouseはリネージ追跡システムを提供しており、データそのものだけでなく、コード、モデルのアーティファクト、ジョブの反復処理など、すべてのデータ資産のリネージを確実に確立できることも、Databricks Lakehouseの大きなメリットです。これにより、データの使用状況に関する完全な透明性とトレーサビリティが提供され、企業は自信を持ってデータ駆動型の意思決定を行うことができます。これは、売上に対するマーケティングチャネルの影響を理解し、マーケティング予算の配分を変更するためにデータの正確性と信頼性が極めて重要となるMMMにおいて、特に重要です。

モデリングフェーズに移ると、Databricks Lakehouseの主な差別化要因の1つは、その強力なDSML機能です。これは、最高クラスのML RuntimeやMLOpsツールに特に顕著に表れています。MMMモデリングにおける極めて重要なタスクの1つは、広範な事前設定と変数の変換であり、これには多数の反復処理が必要になります。MLflowを使用すると、マーケターは独立変数（特徴量）の派生と変換、およびモデルでのそれらの使用状況を追跡できます。さらに、DatabricksのFeature Storeは、特徴量エンジニアリングにおけるベストプラクティスを促進し、特徴量の作成、発見、再利用に必要なツールとインフラをDSMLチームに提供します。これにより、モデリングプロセスが合理化され、ビジネス成果の予測精度が向上します。これらの機能により、マーケターはデータの可能性を最大限にシームレスに活用し、より多くの情報に基づいた効果的なマーケティングの意思決定を行うことができます。

これで、DatabricksがMMMチームに途方もない効率性の向上をもたらすことが明らかになったはずです。Databricksを使用すると、シングルノードのデータサイエンティストであっても、チューニングとトレーニングを分散させ、クラスター全体で複数のシナリオと構成を同時に実行し、ブランド、カテゴリ、地域にわたる独立したモデルを並行して構築できます。以下のデモをご覧ください。

ML Runtimeは、完全に管理され、セキュリティが確保された、コラボレーション可能なML環境です。DSチームが独自のDS環境をブートストラップ、構築、または維持する必要なく、生産性を直接向上させることができます。さらに、作業の簡単な共有を促進することでコラボレーションのワークストリームを育成し、異なるチームによる一貫性のないアプローチを防ぎます。1つの解決策は、マーケットプレイスから調達したり、Dun & Bradstreet、S&P、Edgar、気象データ、市場調査などのソースから取得したデータをLakehouseの適切に整理された場所に保存したりするなど、欠損データを補完するメカニズムを開発することです。このアプローチにより、データやコードに関してチームが「車輪の再発明」を行うのを防ぎ、最終的に時間とリソースを節約できます。ただし、この再利用の欠如や車輪の再発明は、コードやパイプラインの残りの部分にも当てはまることを認識することが重要です。そのため、効率を高め、不一致を最小限に抑えるために、MMMをチームのサイロに移行する必要があります。

Lakehouseのオープンソースの性質は、PythonのPyMCやRのRobynなど、MMM向けの一般的なオープンソースライブラリをすべて実行するための理想的な環境を提供します。この機能により、ユーザーは特定のニーズに合わせたソリューションを構築し、ベンダーロックインを回避できます。

最後になりますが、BI統合を備えたDBSQLとDatabricksマーケットプレイスにより、MMMチームはモデルのインサイトを簡単に公開できるようになり、データ収集からMMMエグゼクティブの実用的なインサイトの獲得まで、新しいモデリングプロジェクトの立ち上げにかかる時間を短縮できます。すべてのデータとAIのアクティビティを統合および標準化することで、LakehouseはMMMソリューションだけでなく、チームが現在および将来取り組むその他のデータおよびAIソリューションを構築するのにも最適な場所となります。

Databricks for Lakehouseが、MMMを使用して複数のチャネルにわたるマーケティングキャンペーンを最適化するのにどのように役立つかをご覧ください。ソリューションアクセラレータにアクセスする。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事