Cookie規制やスマホの追跡制限で、「誰がどの広告を見て買ったか」を個人単位で追うのが、年々難しくなっています。これまで頼ってきたクリック計測やリターゲティングの精度は落ち、効果がよくわからないまま広告費を払い続ける——そんな不安を抱える担当者は少なくありません。Cookieはブラウザに情報を保存する仕組みで、その一部はサイトをまたぐ追跡に使われます。利用できる範囲はブラウザの制限や利用者の設定によって異なります。Googleは2025年4月、ChromeのサードパーティCookieについて利用者が設定で選べる方針を維持すると発表しており、すべてのCookieがなくなるわけではありません。そこで再び脚光を浴びているのが、MMM（マーケティング・ミックス・モデリング）です。実は古くからある手法ですが、Cookieに頼らないという特性が、いまの時代に再評価されています。個人を一切追わず、週次や月次の集計データだけで、どのチャネルがどれだけ売上に貢献したかを推定する。テレビやチラシのようなオフライン広告も、横断で比べられるのが強みです。以下の図は、MMMの考え方を示すダミーデータです。前回までの広告効果検証シリーズと同じく、数式やコードは使いません。
この記事の図は、解説のために架空の設定で作ったダミーデータをもとにしています。実在する企業のものではありません。MMMの考え方が直感的に伝わるよう、数字を整えています。
MMMは「売上を分解する」発想
MMMの根っこにある発想は、とてもシンプルです。毎週の売上を、「広告がなくても入るベース売上」と「各チャネルの広告が上乗せした分」に分解する。テレビが何割、デジタル広告が何割、チラシが何割、そして残りがベース。こうやって売上の内訳を推定すれば、どのチャネルにどれだけの価値があったかが見えてきます。やっていることは、毎週の売上という「結果」を、季節や価格、各チャネルの広告投下量といった「原因の候補」で説明しようとする統計分析です。個人を1人ずつ追いかけるのではなく、全体の動きのパターンから貢献を逆算する、という発想の転換がポイントです。
次の図は、ダミーデータの週次売上を、MMMの発想で分解したものです。いちばん下の広い面が、広告がなくても入るベース売上。その上に、テレビCM、デジタル広告、チラシの貢献が積み重なっています。テレビCMを打った時期にだけ、濃い色の層がぐっと盛り上がっているのがわかります。図の内訳は、設定したモデルにもとづく推定です。実データでは、広告以外の要因の調整やモデルの仮定によって分解が変わります。
このダミーデータでは、売上のおよそ8割はベース、つまり広告がなくても入る分でした。広告の貢献は、デジタル広告が約1割、テレビが約6%、チラシが約2%。「テレビにいちばんお金をかけているのに、貢献はデジタルのほうが大きい」といった発見が、こうした分解から生まれます。もう一つ大事なのは、「売上の8割はベース」という事実です。広告を全部止めても、すぐに売上が8割残るわけではありませんが、少なくとも日々の売上の大半は、ブランド力やリピーター、季節要因など、その月の広告とは別の力で支えられている。広告で動かせるのは、全体のうちの一部だという感覚を持っておくことは、過大な期待を避けるうえでも大切です。個人を追わなくても、集計データだけでここまで見えるのがMMMの面白さです。
用語メモ｜MMM（マーケティング・ミックス・モデリング） — 売上を目的に、各広告チャネルの投下量や季節・価格などの要因を使って、「どの要因が売上にどれだけ効いたか」を統計的に分解する手法のこと。個人単位のデータを使わず、週次・月次の集計データで分析できるため、Cookie規制下でも使えるのが特徴です。GoogleのMeridianなど、公開された分析ツールもあります。利用には、集計データの整備と統計モデルの検証が必要です。
ポイント1 アドストック——効果は打った後も尾を引く
MMMを正しく行うには、広告ならではの2つのクセを織り込む必要があります。1つ目がアドストック、つまり残存効果です。テレビCMを見た人が、その週のうちに必ず買うとは限りません。数日後、数週間後に思い出して買うこともあります。広告の影響が後の週にも残る場合は、過去の出稿量を時間差に応じて重みづけします。ここでは放映週をピークとする例を示しますが、効果のピークが遅れるモデルもあります。
この残存効果を無視して、「CMを打った週の売上」だけで効果を測ると、本当の貢献を見誤ります。打った後の週に染み出した効果を、ベースや他チャネルの手柄として取り違えてしまうからです。逆に、CMを打っていない週に売上が伸びても、それが数週間前のCMの残り香なら、その週に動いていた別の施策の手柄にしてはいけません。MMMでは残存効果をモデルに組み込みます。ただし、持続期間の仮定や同時期の別施策によって推定値は変わるため、残存効果を入れるだけで正しい分解が保証されるわけではありません。
用語メモ｜アドストック（残存効果） — 広告の効果が、出稿したその時だけでなく、時間をかけて減衰しながら持続する性質のこと。どの程度持続するかは、商材、広告内容、購買間隔などによって変わります。効果測定では、この時間的な広がりを考慮しないと、貢献を過小評価したり、別の要因に取り違えたりします。
ポイント2 飽和——増やすほど効率は落ちる
2つ目のクセが飽和、つまり収穫逓減です。広告は、投下量を2倍にしても、効果が2倍になるわけではありません。最初のうちは効率よく売上を伸ばしますが、ある量を超えると、同じ層に何度も広告を当てることになり、追加の効果はだんだん小さくなっていきます。同じ100万円でも、ほとんど出していないチャネルに足すのと、すでに大量に出しているチャネルに足すのとでは、生まれる売上がまるで違う。次の曲線が、その様子を表しています。
この飽和の形がわかると、予算配分の意思決定がぐっと具体的になります。あるチャネルがすでに飽和ゾーンに入っているなら、そこにこれ以上つぎ込んでも効率は上がりません。他チャネルの追加投資あたりの効果が高ければ、予算移動を検討できます。推定の不確実性、出稿上限、過去に観測していない投下量への外挿も確認します。MMMは、各チャネルがいまカーブのどのあたりにいるかを示してくれるので、「どこを増やし、どこを減らすか」の判断材料になります。よくあるのが、いちばん効いているチャネルにさらに予算を集中させてしまうケース。けれど、効いているチャネルほど飽和に近づいていることが多く、追加投資の効率はかえって悪い、という逆転も起こります。平均のROIではなく、「次の1円の効率」で見るのが、飽和を踏まえた配分のコツです。
用語メモ｜飽和（収穫逓減） — 広告の投下量を増やすほど、追加1単位あたりの効果が小さくなっていく性質のこと。同じ人への接触の重複などが理由として考えられますが、曲線の形はデータとモデルの仮定から評価します。飽和を考慮すると、「次の1円をどのチャネルに使うのが最も効率的か」という限界の発想で予算を配分できます。
MMMの強みと、限界
MMMの最大の強みは、個人データに依存しないことです。Cookieが使えなくても、iPhoneの追跡が制限されても、売上と広告投下量に加え、季節、価格、需要の変化などを扱うデータをそろえて分析します。しかも、クリック計測ができないテレビCM・屋外広告・チラシといったオフライン施策も、デジタルと同じ土俵で比べられる。デジタル広告だけを最適化していると、つい「測れるものだけ」を評価しがちですが、それでは測りにくいテレビやブランド施策の価値が見えなくなります。MMMは、測れる施策も測りにくい施策も同じ物差しに乗せるので、全社の予算配分を考える経営の視点と相性が良い手法です。
一方で、限界もあります。MMMは相関にもとづく統計モデルなので、これまで紹介してきたA/Bテストやホールドアウトのような実験ほど、因果として厳密ではありません。複数のチャネルがいつも一緒に動いていると、貢献を正しく切り分けにくくなります。また、2〜3年の週次データが検討の目安になりますが、必要量はチャネル数、地域数、出稿量の変動、推定するパラメータ数によって変わります。期間が長ければ十分とは限りません。だからこそ実務では、MMMで全体の予算配分の地図を描き、重要な施策はホールドアウト実験で増分を確かめる、という組み合わせが王道になっています。シリーズで見てきたA/Bテストや増分の考え方と、MMMは補い合う関係にあります。
近年は、この組み合わせを「トライアンギュレーション（三角測量）」と呼んで重視する動きが広がっています。MMMで全体像をつかみ、ホールドアウト実験で重要施策の増分を点検し、日々の運用はアトリビューションで回す。一つの手法を盲信せず、性質の違う複数の見方を突き合わせて、より確からしい結論にたどり着く。Cookieが当てにならなくなった時代の、現実的な効果測定の作法です。
それでも、モデルの妥当性は人間が見極める
MMMの計算は、いまや無料のツールやAIでも実行できるようになりました。けれど、どの要因をモデルに入れるか、アドストックや飽和の形をどう仮定するか、出てきた分解が現場感覚と合っているか——こうした判断は人間に残ります。「この時期の売上増は、CMではなく新商品の発売では」と気づき、要因を加えられるのは、事業を知る人だけです。モデルの形が少し違うだけで、結論が大きく変わることもあります。AIは推定を高速にこなしますが、何を変数に入れ、結果をどう信じるかは、人の仕事として残り続けます。AIをどう業務に組み込むかは「AIを入れる」から「安全に回す」へでも整理しています。
まとめ
Cookieが消えても、広告効果を測る道はあります。MMMは、個人を追わず、集計データから「売上＝ベース＋各チャネルの貢献」に分解する手法です。広告の効果が打った後も尾を引くアドストックと、増やすほど効率が落ちる飽和を織り込むことで、各チャネルの寄与と追加投資の効果を、モデルの仮定のもとで推定します。推定区間と、過去データがカバーする投下量の範囲を確認して使います。テレビもチラシも横断で比べられるので、全社の予算配分の検討に向いています。厳密な因果が知りたい重要施策はホールドアウト実験で確かめ、全体像はMMMで描く。この使い分けが、計測の難しい時代の現実解です。これでシリーズも一区切りです。相関と因果の違いから始まり、差分の差分法、合成コントロール、A/Bテスト、アップリフト、そしてMMMまで。手法はさまざまですが、貫いているのは「見かけの数字に飛びつかず、もし施策がなかったらどうだったかを問う」という一点でした。効果検証の考え方を一通り押さえたい方は、基礎編からの通読もおすすめです。
MMM 適用判断チェック
- 問1
あなたが消費財メーカーのマーケ責任者で、Cookie 規制でデジタル広告の効果計測が崩れ始めています。テレビCM・チラシ・デジタルを横断する効果検証手法を経営会議で問われました。本記事の主張に従うと、最初に提案すべきアプローチは？
解説MMMは、個人単位の追跡によらず、テレビ・チラシ・デジタル広告を集計データで分析する候補です。利用前にデータの量と変動、交絡要因の記録を確認します。iOS利用者の除外は対象を偏らせます。Cookie同意率の改善と広告チャネルを横断した効果検証は別の課題で、同意率が必ず少数にとどまるとはいえません。 - 問2
あなたが EC のマーケ担当で、MMM の分解結果から「いちばん効いている」とされたデジタル広告にさらに予算を集中させる稟議が回ってきました。本記事の主張に従うと、判断の物差しとして使うべきは？
解説本記事は「平均のROIではなく、『次の1円の効率』で見るのが、飽和を踏まえた配分のコツ」と明示しています。「効いているチャネルほど飽和に近づいていることが多く、追加投資の効率はかえって悪い、という逆転も起こります」とも整理されています。誤答 (1)(3) はまさに本記事が警告する平均ROIへの飛びつき、(4) は他社の飽和ポイントは自社と無関係です。 - 問3
あなたが流通企業のマーケ責任者で、テレビCMを 1 週間放映しました。「CM週の売上に対するベース推定値の差」を CM 効果として報告したいと提案されています。本記事の主張に従うと、この測り方は妥当か？
解説放映週だけの差では、後の週に残る影響を含められません。残存効果と同時期の他の要因を扱い、必要な期間を通じた寄与を推定します。他社の値は参考にはなりますが、自社の残存効果の検証を置き換えるものではありません。 - 問4
あなたが社内 DX 担当で、「MMM の計算は無料ツールや AI に任せれば、自動で予算配分の答えが出るのでは」という意見が経営会議で出ました。本記事の主張に従うと、どう答えるべきか？
解説自動計算の結果を採用する前に、変数の選定、残存効果や飽和の仮定、実験結果との整合性を確認します。事業担当者の知識と統計的な検証の両方が必要です。専門家の支援が有用な場合はありますが、新規採用が導入の必須条件ではありません。
データに基づく意思決定を、はてなベースが伴走します
効果検証では、計算前に比較対象と評価指標を決めます。どのデータを揃え、どんな仮説を立て、何と何を比べるか。ここが整っていないと、どんな高度な手法も誤った結論を出します。はてなベースでは、データに基づく意思決定の土台づくりを支援しています。たとえばこんなケースでお役に立てます。
Cookieレス時代の効果測定、どう始めますか 散在するデータを集約して分析の土台をつくるデータ基盤の整備、効果検証や仮説設計に伴走する分析・AI活用の支援、そして「全社で安全にAIを使いたい」という方へのオンプレミスAI導入支援まで、貴社の状況に合わせて伴走します。まずは無料相談でお気軽にご相談ください。 無料相談はこちら
参考文献
- [1]Measuring Ad Effectiveness Using Geo ExperimentsGoogle Research
- [2]広告効果測定の最新事情 差分の差分法野村総合研究所（NRI）