📊

【保存版】Google製MMM「Meridian」で広告予算を科学する実装ガイド（Github深圳データ分析実例）

2025/12/16に公開

こんにちは、月ねこAIです。🌕🐈‍⬛
皆さんの現場では、広告予算の配分をどう決めていますか？

「昨年通りで」とか「なんとなくデジタルを増やそうで」といった勘と経験になっていませんか？
昨今、Cookie規制やプライバシー保護の強化により、ユーザー単位のトラッキング（MTA: Multi-Touch Attribution）が限界を迎えています。そこでエンジニア・データサイエンティスト界隈で再注目されているのが、統計学的に全体の効果を推定するMMM・マーケティング・ミックス・モデリングです。
今回は、Googleが2024年に公開したOSSのベイズ推定MMMライブラリMeridianを使い、実際の広告データ（深圳市の実データ）を用いて分析から予算最適化までを走らせてみました。
https://developers.google.com/meridian/docs/basics/meridian-introduction?hl=ja
この記事では、実務でMeridianを動かすための最短ルートとエンジニアが知っておくべきハマりポイントを、月ねこAI流に解説します。

 🚀 この記事で得られること
Meridianの環境構築: TensorFlowのバージョン依存など、実務的な罠の回避法

実装フロー: データ加工からモデリング、予算最適化までのコード実装例

実データ分析の結果: TV vs インターネットのROI比較と、最適化シミュレーションの実例

 対象読者Pythonでデータ分析ができるエンジニア・データサイエンティスト
広告効果測定の「脱・ラストクリック」を模索しているマーケター
ベイズ推定を用いた因果推論に興味がある方

 1. 前提・環境・アーキテクチャ今回は以下の環境で検証を行いました。Meridianは現在も活発に開発が進んでいるため、バージョン固定が再現性の鍵になります。

Python: 3.10+

Library: google-meridian==1.1.6

Dependencies: tensorflow==2.18.0 (※ここ重要)

Data: 深圳市の家電メーカー（TV事業）の実広告データ（2010-2017）
!使用データに関する注記 📊
本記事では再現性を重視し、GitHubで公開されている深圳市の家電メーカーの実データ（2010-2017）を使用しています。

データ期間が古いため、現在の市場環境（Web広告の圧倒的優位性など）とは傾向が異なる場合があります。あくまで「Meridianの挙動確認とパイプライン構築のハンズオン」としてご覧ください。

 なぜ今、Meridianなのか？Meta製の「Robyn」も有名ですが、Meridianには以下の特徴があります。

「モデル選択」からの解放: Robynは何千ものモデル候補から「選ぶ」必要がありますが、Meridianは階層ベイズモデルで「1つの最適なモデル」を推定する思想です。

因果推論の重視: 広告の飽和効果（S字カーブ）や残存効果（アドストック）を厳密に分離しやすい設計になっています。

Googleエコシステム: BigQueryやVertex AIとのシームレスな連携がすでに確立されており、データ抽出からモデル学習までのパイプラインをGoogle Cloud上で完結できる点が最大の強みです。

 全体アーキテクチャ今回の分析フローは以下の通りです。

 2. データ準備と前処理（Data Prep）MMMで最も重要なのはデータです。今回は、需要（販売台数）、広告費（TV, Radio, Internet等）、外部要因（CPI, PPI）を含むデータセットを使用しました。

 Step 1: データの読み込みと週次集計MMMは一般的に週次・Weeklyでモデルを作成します。日次データのままだとノイズが大きすぎるためです。
preprocessing.py
import pandas as pd

# データの読み込み
df = pd.read_excel("MMM_data.xlsx")

# 週次への集計（ここがポイント）
# 日次データを 'W' (Weekly) でリサンプリングし、sum()で合計をとる
weekly = df.copy()
weekly['time'] = pd.to_datetime(weekly['DATE'])
weekly = weekly.set_index('time').resample('W').sum().reset_index()

# 必要なカラムの整形（prefixをつけると管理しやすい）
# control_cols: 外部要因（物価指数など）
# media_cols: 広告インプレッション/支出
!月ねこTIPS 🐈
実データ分析では、単に合計するだけでなく、平均をとるべき指標（価格やCPIなど）と、合計をとるべき指標（売上、広告費）を混同しないように注意しましょう！

 Step 2: マルチコ（多重共線性）の確認広告媒体ごとの出稿量は相関しがちです（例：キャンペーン時にTVもWebも一気に増やすなど）。VIF（分散膨張係数）を確認しておきましょう。
ソースコードを見る（VIF計算）from statsmodels.stats.outliers_influence import variance_inflation_factor

# VIF計算の実装例
X = weekly[control_cols].fillna(method='ffill')
vif_data = pd.DataFrame()
vif_data["feature"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]

print(vif_data)
今回のデータでは全ての変数が VIF < 5 に収まっており、多重共線性の懸念は低いことが確認できました。

 3. Meridianの実装とモデリングここからが本番です。Google Colabなどで実行する場合、ライブラリのバージョン整合性が最大の沼ポイントです。

 Step 3: インストール（バージョン固定）Meridian 1.1.6 は TensorFlow 2.19系をまだサポートしていない場合があるため、2.18.0 を明示的に入れます。
!pip install tensorflow==2.18.0
!pip install google-meridian==1.1.6

 Step 4: モデルスペックの定義と実行Meridianでは InputData オブジェクトを作成し、そこにKPI、広告データ、コントロール変数をマッピングします。
modeling.py
import meridian
from meridian.model import spec

# データマッピング
input_data = meridian.data.InputData(
    time=weekly['time'],
    kpi=weekly['kpi'],
    media=weekly[media_impression_cols],
    media_spend=weekly[media_spend_cols],
    controls=weekly[control_cols],
    population=None # 地域階層がない場合はNoneでも可
)

# モデルスペックの定義
model_spec = spec.ModelSpec(
    media_channel_names=media_names,
    # ROIなどの事前分布をここで設定可能
)

# モデルの学習（MCMC）
mmm = meridian.model.Meridian(input_data=input_data, model_spec=model_spec)
mmm.sample_posterior(n_chains=4, n_adapt=1000, n_burnin=1000, n_draws=1000)
!実行時間の目安 ⏳
データ量によりますが、MCMC（マルコフ連鎖モンテカルロ法）を用いるため、数分〜数十分かかります。GPUランタイムの使用を推奨します。

 4. モデル診断と結果の解釈モデルができたら、「本当に信頼できるのか？」を診断します。

 Step 5: 収束診断（R-hat）ベイズ推定が正しく収束しているかを確認します。R-hat値が 1.1未満（理想は1.0に近い）であればOKです。

今回の分析では、全てのパラメータ（alpha_m, beta_m, roi_m など）で R-hat ≈ 1.0 となり、非常に安定した収束が見られました。

 Step 6: 予測精度 (Model Fit)実測値（Actual）と予測値（Expected）の適合度を見ます。

今回のモデルでは R-squared（決定係数）が 0.93、MAPE（誤差率）が 1% と、驚異的な精度が出ました。ベースライン（広告なしの売上）としっかり分離できています。

 Step 7: ROI（投資対効果）の可視化最も気になる「どの広告が効いているのか？」の結果です。

TV: 投資額は大きいが、ROIは相対的に低め（飽和している可能性）。

Internet: 売上貢献・ROI共に高く、成長ドライバーとなっている。

Radio/Newspaper: 効果は限定的。
# ROIのプロット（Meridianのビジュアライザーを使用）
from meridian.analysis import visualizer
visualizer.plot_roi_posterior(mmm)
結果として、**「TVとInternetが大半を占めるが、Internetの方が効率が良い」**という示唆が得られました。

 5. 予算最適化シミュレーションMMMの醍醐味は「分析して終わり」ではなく、「次はどう配分すべきか？」を提示できる点にあります。Meridianの最適化機能を使ってみましょう。

 Step 8: 予算アロケーションの最適化「予算総額を変えずに、ROIを最大化する配分」を計算させます。
optimization.py
from meridian.analysis import optimizer

# 予算固定での最大化シミュレーション
opt_results = optimizer.optimize_budget(
    mmm,
    budget=total_budget, # 現状の予算総額
    media_identifier='media_channel'
)

# 結果の表示
print(opt_results.optimized_media_spend)

 シミュレーション結果:
Internet: 予算配分を 67% → 68% に微増

TV: 予算配分を 29% → 28% に微減
インパクト:

この微調整だけで、インクリメンタル収益（広告による上積み売上）が +2,000ドル 改善する試算が出ました。
「たった1%？」と思うかもしれませんが、大規模な予算において「根拠を持って1%動かせる」ことは、エンジニアリングとして非常に価値があります。

 6. まとめ・実務への応用今回のMeridianを用いた検証で、以下のことが分かりました。

高い再現性: R^2=0.93 という高精度なモデルが構築できた。

明確な示唆: 「TVからInternetへ」という予算シフトの根拠を数値で出せた。

Pythonで完結: データ加工から最適化までPythonエコシステムで統一できるメリットは大きい。

 現場で使うための月ねこTIPS 🐈
データは「週次」が基本: 日次データはノイズが多いので、週次に丸めるのがMMMの定石です。

日本語フォント問題: Colab環境では日本語フォントがインストールされていないため、プロット時に文字化け（豆腐化）や大量のFont Warningが発生します。japanize-matplotlib を導入するか、ラベルを英語で統一するのが回避策です。

「1つの正解」ではない: MMMはあくまで「相関と因果の推論」です。現場のマーケターの肌感覚と乖離がないか、対話しながらチューニングすることが成功の鍵です。

 Next Action 👉まずは手元のExcelデータ（売上と広告費）を週次で集計し、Meridianのサンプルコードに流し込んでみましょう！「見えなかった効果」が見えてくるはずです。

 分析レポートの完全版（スライド）今回の検証結果をまとめたレポート資料です。実務での報告イメージとしてご活用ください。

 参考文献

🚀 この記事で得られること

対象読者

1. 前提・環境・アーキテクチャ

なぜ今、Meridianなのか？

全体アーキテクチャ

2. データ準備と前処理（Data Prep）

Step 1: データの読み込みと週次集計

Step 2: マルチコ（多重共線性）の確認

3. Meridianの実装とモデリング

Step 3: インストール（バージョン固定）

Step 4: モデルスペックの定義と実行

4. モデル診断と結果の解釈

Step 5: 収束診断（R-hat）

Step 6: 予測精度 (Model Fit)

Step 7: ROI（投資対効果）の可視化

5. 予算最適化シミュレーション

Step 8: 予算アロケーションの最適化

シミュレーション結果:

6. まとめ・実務への応用

現場で使うための月ねこTIPS 🐈

Next Action 👉

分析レポートの完全版（スライド）

参考文献

Discussion