アトリビューション分析と MMM の基礎｜ラストクリックを卒業する効果配分

「Display 広告は本当に効いていないのか？」「TVCM の効果はどうやって測るのか？」「広告予算を 20% 増やしたら売上は何 % 伸びるのか？」。マーケ・経営から繰り返し出るこれらの質問に、ラストクリックの数字だけでは答えられません。GA4 の標準レポートも広告管理画面の CV も、初期設定では「CV 直前のチャネルに 100% 配分」する集計です。

この集計でなぞると、月 100 万円の流入 CV はほとんどが 指名検索（Direct / Brand Search）に寄ります。広告経由でサイトを知った人が後日「サービス名で検索」して CV しても、ラストクリックでは「指名検索のおかげ」になる。認知段階の接点（Display・SNS・記事広告）はゼロ評価で予算が削られ、ますます指名検索ばかり伸ばす循環が始まります。アトリビューション分析は、この偏りを「どのチャネルが、CV または売上に、いくつ貢献したか」の数字で塗り替える道具です。

01.まず結論：ラストクリックは『最後のタッチ』しか見ていない

アトリビューション分析は、コンバージョンに至るカスタマージャーニーの中で、どのチャネルにどれだけの貢献度を配分するかを決める枠組みです。ラストクリックはその中で最もシンプルな シングルタッチ法。CV 直前のタッチに 100%、それ以外に 0% を割り振ります。実装が単純で、広告プラットフォーム側の標準レポートとも噛み合うため広く使われていますが、認知 → 検討 → 決定の長いジャーニーを持つ事業ほど、この単純化が経営判断に効いてしまいます。

02.シングルタッチアトリビューションの限界

ラストクリック・ファーストクリックのようなシングルタッチ法は、設計が単純な代わりに、複数チャネルを経由する事業データを大きく歪めます。BtoB SaaS のような検討期間が長い領域ほど、影響が顕著になります。

03.マルチタッチアトリビューション（MTA）｜ルールベースとデータドリブン

マルチタッチアトリビューション（MTA）は、CV に至るまでに接触した複数のチャネルに、貢献度を分配する枠組みです。配分の決め方にはルールベース（人間が事前に重みのルールを決める）とデータドリブン（データから重みを学習する）の 2 系統があります。

ルールベース 3 モデル（リニア・時間減衰・U 字）は pandas 程度の道具で手書きできます。明日から手を動かすときの流れは以下の 4 ステップです。

01 章の比較図で示した「Display → Social → Search → Direct」の 4 接触を例に、各モデルの実装をざっと示します。

# ルールベース MTA の手書き実装（pandas）
import numpy as np
import pandas as pd

# journeys: 1 行が 1 ユーザーのジャーニー（CV した行のみ）
# columns: user_id / touches（タッチのリスト）/ days_before_cv（CV までの日数のリスト）
def linear(touches):
    # リニア：均等配分
    n = len(touches)
    return {ch: 1.0 / n for ch in touches}

def time_decay(touches, days_before_cv, half_life=7):
    # 時間減衰：半減期 half_life 日。weight = 0.5 ** (Δt / half_life)
    weights = np.array([0.5 ** (d / half_life) for d in days_before_cv])
    weights = weights / weights.sum()  # 合計 1.0 に正規化
    return dict(zip(touches, weights))

def u_shape(touches):
    # U 字：最初 40%、最後 40%、中間 20% を均等
    n = len(touches)
    if n == 1:
        return {touches[0]: 1.0}
    if n == 2:
        return {touches[0]: 0.5, touches[-1]: 0.5}
    middle = touches[1:-1]
    w = {touches[0]: 0.4, touches[-1]: 0.4}
    for ch in middle:
        w[ch] = w.get(ch, 0) + 0.2 / len(middle)
    return w

# 例：4 接触ジャーニー
touches = ["Display", "Social", "Search", "Direct"]
days = [7, 5, 3, 1]
print(linear(touches))      # 全部 0.25
print(time_decay(touches, days))  # Display 0.18 / Direct 0.33 ...
print(u_shape(touches))     # Display 0.40 / Social 0.10 / Search 0.10 / Direct 0.40

04.マーケティングミックスモデリング｜集約データと広告残響・収穫逓減

Marketing Mix Modeling（MMM）は、ユーザー単位ではなく、週次・月次の集約データを使って広告費 → CV（または売上）の関係を時系列回帰で推定する手法です。元々は 1960 年代に TV CM の効果測定で使われていた古典的な手法で、OSS 実装（Meta の Robyn、Google の LightweightMMM・Meridian、PyMC-Marketing など）が揃ったことで、実務でも普通に組めるやり方になりました。

MMM は構成要素が多く見えますが、実務で組むときの流れは 5 ステップに整理できます。明日から動くなら、この順番でデータを集めて、OSS の Fit に流すのが最短です。

# LightweightMMM（Google）の最小コード
# pip install lightweight_mmm
from lightweight_mmm import lightweight_mmm, preprocessing
import jax.numpy as jnp
import numpy as np

# media_data: shape = (週数, チャネル数)。広告費（円）の時系列
# target_data: shape = (週数,)。CV や売上の時系列
# extra_features: 季節性・祝祭日フラグなどの外生変数
media_scaler = preprocessing.CustomScaler(divide_operation=jnp.mean)
target_scaler = preprocessing.CustomScaler(divide_operation=jnp.mean)
media_scaled = media_scaler.fit_transform(media_data)
target_scaled = target_scaler.fit_transform(target_data)

mmm = lightweight_mmm.LightweightMMM(model_name="hill_adstock")
mmm.fit(
    media=media_scaled,
    target=target_scaled,
    extra_features=extra_features,
    media_prior=costs / costs.sum(),  # 出稿コストに比例した事前
    number_warmup=1000,
    number_samples=1000,
    number_chains=2,
)

# 各チャネルの寄与（ベースとチャネル寄与に分解）
predictions = mmm.predict(media=media_scaled, extra_features=extra_features)
media_contribution = mmm.get_posterior_metrics()

Adstock と diminishing returns の扱い方（ステップ 03 の中身）

上の「やる手順」のステップ 03 で組み込むのが Adstock（時間方向の残響）と diminishing returns（出稿量に対する収穫逓減）の 2 つです。広告費を「そのまま CV に効く線形変数」として MMM に入れると精度が落ちるので、媒体費 → 効果のあいだに非線形変換を 1 枚噛ませるやり方です。Adstock は前週の出稿効果が λ 倍に減衰しながら残る形、収穫逓減は Hill 関数で「半飽和点を超えると効率が頭打ち」を表現します。

実装ステップは、(a) 媒体費の時系列に geometric_adstock で残響を入れる → (b) その出力に hill で収穫逓減をかける → (c) 変換後の値を MMM の説明変数として渡す、の 3 段。下のコードは (a)(b) の概念実装で、(c) は前述の LightweightMMM の model_name="hill_adstock" が内部で組み込んでいます。

# Adstock（幾何減衰）+ Hill 関数（収穫逓減）の概念コード
import numpy as np

def geometric_adstock(x, decay=0.5):
    # x: 出稿コストの時系列。decay = λ（0 < λ < 1）
    y = np.zeros_like(x, dtype=float)
    y[0] = x[0]
    for t in range(1, len(x)):
        y[t] = x[t] + decay * y[t - 1]
    return y

def hill(x, half_saturation, slope=1.0):
    # 半飽和点 half_saturation で y = 0.5。slope が急峻度
    return x**slope / (x**slope + half_saturation**slope)

# 半減期 7 日相当（日次データ）
lam_daily = 0.5 ** (1 / 7)  # ≈ 0.906
print(f"daily lambda for 7-day half-life: {lam_daily:.3f}")

# 例：1 週間 100 万円を週次出稿
spend = np.array([100, 100, 0, 0, 0, 0, 0, 0])  # 出稿は最初の 2 週間のみ
adstocked = geometric_adstock(spend, decay=lam_daily)
# 出稿停止後も、残響として効果が指数的に減衰
print(adstocked)

# Hill 関数で収穫逓減を入れる
saturated = hill(adstocked, half_saturation=80, slope=2.0)

05.マルチタッチとマーケティングミックスの使い分け｜ユーザー単位 vs 集約データ

MTA と MMM は同じ「アトリビューション」という言葉でくくられがちですが、入力データの粒度と出てくる洞察の方向性がまったく違います。並べて使うのが王道で、片方だけに依存するとどちらか一方の弱点に判断を引きずられます。

06.よくある質問（FAQ）

07.まとめ

ラストクリックは設計が単純な分、認知接点を 0% に押し込み、指名検索・Direct ばかり伸ばす偏った予算配分につながります。マルチタッチアトリビューション（MTA）は、CV までに接触した複数のチャネルに貢献度を分配する枠組みで、リニア・時間減衰・U 字のようなルールベースと、Markov chain・Shapley 値のようなデータドリブンを使い分けます。ユーザー単位のジャーニーログがあるデジタル領域の細粒度分析に強みがあります。

Marketing Mix Modeling（MMM）は、週次・月次の集約データを使った時系列回帰で、オフライン含む全チャネルの寄与を推定します。Adstock で残響を、diminishing returns（Hill 関数や log 変換）で収穫逓減を表現し、予算を増やしたときの追加 CV を曲線として出すので、予算最適化に直結します。集約データだけで動くので、ユーザー単位の追跡が難しいオフライン施策（TVCM・OOH・PR）の効き目も同じ枠で扱えます。

どちらも単独で完結する手法ではありません。MTA で接点の役割を見て、MMM で長期 ROI と飽和を見て、最後にジオ実験で因果を確かめる、の三層を組み合わせるのが現実的な運用です。