マーケティングミックスモデリング
マーケティング戦術が売上に与える影響の推定

マーケティングミックスモデリング（MMM ）は、様々なマーケティング戦略が製品売上に与える影響を推定するために使用される予測手法です。MMMは、多変量 回帰分析などの統計モデルと、売上およびマーケティングの 時系列データを使用します。[1] MMMは、売上、収益、または利益の観点から広告ミックスとプロモーション戦略を最適化し、投資収益率を最大化するためによく使用されます。[2] [3]

これらの統計手法を用いることで、マーケティング担当者は広告在庫と広告収益の減少を時間の経過とともに考慮することができる。 [4]また、過去の広告が現在の販売キャンペーンに及ぼす影響や持ち越し効果も考慮することができる。[5]さらに、MMMは製品の共食い効果やハロー効果の大きさを計算することもできる。[6]

これらの手法は専門コンサルティング会社と学者によって開発され、最初に消費者向けパッケージ商品に適用されました。これは、これらの商品の製造業者が販売とマーケティング支援に関する正確なデータにアクセスできたためです。[7]データの入手可能性の向上、コンピューティング能力の大幅な向上、そしてマーケティング支出の測定と最適化へのプレッシャーにより、マーケティングツールとしての人気が高まっています。[8] [9]

歴史

MMMの根底にあるのはマーケティングミックス の概念であり、これは企業が顧客の需要を満たすために変更できる一連の変数と定義されます。この用語はニール・ボーデンによって考案されました。彼は1949年頃からこの用語を教育と執筆で使い始めたと主張しています。[10]彼は同僚のジェームズ・カリトンが経営幹部を次のように描写したことから「マーケティングミックス」という概念を考案したと述べています。

経営者は材料を混ぜる人であり、時にはレシピに従いながら作業を進め、時にはすぐ​​に入手できる材料に合わせてレシピを調整し、時には誰も試したことのない材料を試したり発明したりする。[11]

さらに、ボーデンによれば、マーケティングマネージャーは「行動力を検討し、自分が扱うリソースを注意深く見極めながら、マーケティング要素をうまく組み合わせる必要がある」とのことだ。[10]

4Pは1960年代からマーケティングに対する経営的アプローチの基礎となってきました。

これらのマーケティングミックスの「要素」は、マーケティングの4Pを初めて提唱したE・ジェローム・マッカーシーによってさらに詳しく説明されました。 [12]

  • 価格、
  • プロモーション、
  • 製品と
  • 場所（配布）。

マッカーシーによれば、マーケターはマーケティング計画と戦略を策定する際に、基本的にこれら4つの変数を活用できる。長期的には、これら4つのミックス変数はすべて変更可能であるが、短期的には製品や流通チャネルを変更することは困難である。[13]

1980年代、バーナード・ブームズとメアリー・ビトナーは7つのPからなるモデルを構築しました。[14]彼らは、マーケティングのあらゆる側面における人的要素の重要性を認識するために、既存の変数リストに「人」を追加しました。また、サービスは物理的な製品とは異なり、購入時にプロセスとして体験されるという事実を反映して、「プロセス」も追加しました。[15]

モデル仕様

マーケティングミックスモデリング（MMM）は、過去のデータを使用してマーケティング活動が売上に及ぼす影響を定量化する分析手法です。使用可能な情報の例としては、シンジケートされたPOSデータ（製品カテゴリや地理的市場など、選択した一連のパラメータにわたる製品小売販売活動の集約されたコレクション）や企業の内部データがあります。[16] [17]数学的には、線形または非線形回帰方程式を使用して、さまざまなマーケティング活動と売上の同時関係を確立することによって行われます。 MMMは、各マーケティング要素の有効性を、売上高への貢献度、有効性（各労力単位によって生成された量）、効率（生成された売上高をコストで割ったもの）、および投資収益率（ROI）によって定義します。これらの洞察は、マーケティング戦術と戦略の調整、マーケティング支出の最適化、およびさまざまなシナリオをシミュレートしながら売上を予測するのに役立ちます。[18]

出力は、マーケティング要素が様々な側面に与える影響を分析するために使用できます。各要素の寄与度を前年比でプロットした合計に対する割合として表すと、様々な要素の有効性が時間の経過とともにどのように変化するかを示す指標となります。寄与度の年間変化は、総売上高の変化の何パーセントが各要素に起因するかを示す原因分析によっても測定されます。[19]テレビ広告やトレードプロモーションなどの活動については、有効性などのより高度な分析を実行できます。この分析により、マーケティングマネージャーは、それぞれのマーケティング要素を1単位増加させることで得られる売上高の増分、つまり増分率を知ることができます。[20]活動ごとの詳細な支出情報が利用できる場合は、マーケティング活動のROIを計算することができます。これは、活動の過去の有効性を報告するのに役立つだけでなく、最も効率的なマーケティング活動と最も効率的でないマーケティング活動を特定することで、マーケティング予算の最適化にも役立ちます。[21]

最終的なモデルが完成したら、その結果を用いて「What-if」分析のためのマーケティングシナリオをシミュレートすることができます。マーケティングマネージャーは、このマーケティング予算を異なる割合で再配分し、売上／価値への直接的な影響を確認することができます。そして、最も高い投資収益率をもたらす活動に支出を配分することで、予算を最適化することができます。[22]

モデルコンポーネント

MMMは、販売量/販売額を従属変数とし、独立変数として様々なマーケティング活動を設定した統計モデルで構築されます。 [23]このモデルは、総売上高を2つの要素に分解します。[24]

マーケティングミックス分析は、通常、線形回帰モデルを用いて行われます。非線形効果や遅延効果は、広告ストック変換などの手法を用いて考慮されます。[27]このような分析の典型的な出力には、年間総売上高を各マーケティング構成要素の寄与度に分解したもの（寄与度円グラフなど）が含まれます。変数が作成されると、複数回の反復処理が実行され、数量／価値の傾向を適切に説明するモデルが作成されます。さらに、検証データを用いるか、業績結果の一貫性に基づいて検証が行われます。[28]

1年前の架空の製品の貢献度を示す円グラフと積み上げ棒グラフの例。
今年度の架空の製品の貢献度を示す円グラフと積み上げ棒グラフの例。

もう一つの標準的な出力は、前年比売上高の増減の内訳（「原因別チャート」）です。[29]

さまざまなマーケティング ソース別の変化量の内訳を示す棒グラフの例。

MMMで測定された要素

ベースボリュームと増分ボリューム

販売量をベース（マーケティング活動がない場合に生成される量）と増分（短期的にマーケティング活動によって生成される量）に分解すると、ベース量の変動をブランド力と顧客ロイヤルティの指標として分離することができます。[30]

メディアと広告

マーケティング ミックス モデリングは、テレビ、雑誌、オンライン ディスプレイ広告などの個々のメディアがもたらす売上への影響を判断できます。場合によっては、個々の広告キャンペーンや広告実施が売上に与える影響を判断するために使用できます。たとえば、テレビ広告活動の場合、各広告実施の市場パフォーマンスが売上高にどのように影響したかを調査できます。MMM は、 1 週間または 1 か月などの期間内の売上高反応と粗視聴率(GRP)で測定された、さまざまなメディア ウェイトレベルでのテレビの相関関係に関する情報も提供します。また、影響を与えるために 1 週​​間に放映する必要がある最小 GRP レベル (しきい値制限) に関する情報や、逆に、売上高への影響が飽和する、つまりそれ以上の活動をしても見返りがない GRP レベルに関する情報も取得できます。すべての MMM がすべての質問に明確に答えられるわけではありませんが、次のような追加の領域で洞察が得られることがあります。1) 15 秒と 30 秒の実施の有効性の比較。 2) プライムタイムとオフプライムタイムの時間帯における広告パフォーマンスの比較。3) 様々な製品やサブブランドにおけるテレビ広告活動の直接効果とハロー効果の比較。新製品やエクイティベースのテレビ広告活動がブランド成長に果たした役割も比較できる。GRPはリーチに変換される（つまり、GRPを平均視聴率で割って、実際に広告を視聴した人の割合を算出する）。これはテレビ広告のモデル化に適した指標である。[31] [32]

トレードプロモーション

トレードプロモーションは、あらゆるマーケティング計画において重要な活動です。短期的な売上増加を目指し、企業とその製品に対する顧客の認知度を効果的に高めるプロモーションスキームを採用します。消費者のトレードプロモーションへの反応は単純ではなく、多くの議論の的となっています。反応をシミュレートするための非線形モデルが存在します。MMMを用いることで、トレードプロモーションが増分売上の創出に及ぼす影響を理解することができます。地域ごとに、様々な小売店におけるプロモーションイベントごとの売上を推定することが可能です。これにより、最も効果的なトレードチャネルと最も効果の低いトレードチャネルを特定することができます。詳細な支出情報が入手可能であれば、「毎日低価格」や「オフシェルフディスプレイ」といった様々なトレード活動の投資収益率を比較することができます。この情報を用いて、最も効果的なトレードチャネルを選択し、最も効果的なプロモーション活動に的を絞ることで、トレード計画を最適化することができます。[33] [34]

価格

ブランド価格の上昇は売上高にマイナスの影響を与えます。この影響は、MMMで価格をモデル化することで捉えることができます。このモデルはブランドの価格弾力性を提供し、価格のパーセンテージ変化に対する売上高の変化率を示します。これを用いることで、マーケティングマネージャーは価格変更決定の影響を評価することができます。[35]

分布

流通の要素については、流通努力を変えることで、言い換えれば、流通の幅や深さの各パーセンテージの変化によって、販売量がどのように変動するかを知ることができます。これは、各チャネル、さらにはオフテイク販売の各アウトレットの種類ごとに具体的に特定できます。これらの洞察を考慮して、流通努力を各チャネルまたは店舗タイプごとに優先順位付けし、最大限の効果を得ることができます。あるランドリーブランドの最近の調査では、近所のキラナ店での存在感が1％増加した場合の増加量は、スーパーマーケットでの存在感が1％増加した場合の増加量よりも180％大きいことが示されました。[36]このような努力のコストに基づいて、管理者は流通にさらに投資する適切なチャネルを特定しました。

打ち上げ

新製品の発売時には、関連する宣伝やプロモーションによって、予想を上回る販売数量が期待されることが多い。この追加的な販売数量は、既存の変数を用いたモデルでは完全には捉えられない。そのため、多くの場合、発売によるこの増分効果を捉えるために特別な変数が用いられる。これらの変数と、発売に関連するマーケティング活動の寄与を合わせたものが、発売への総寄与となる。異なる発売形態は、その効果とROIを計算することで比較することができる。[37]

競争

競争がブランド売上に与える影響は、それに応じた競争変数を作成することで捉えられます。これらの変数は、テレビ広告、トレードプロモーション、製品発売など、競合のマーケティング活動から作成されます。モデルの結果は、競合が自社ブランド売上にとって最大の脅威となっているものを特定するために活用できます。クロス価格弾力性とクロスプロモーション弾力性は、競合戦術への適切な対応策を策定するために活用できます。成功した競合キャンペーンを分析することで、自社ブランドにとって貴重な教訓を得ることができます。[38]

テレビ・放送：MMMは放送メディアにも応用できます。放送局は、特定の番組がスポンサー付きになるかどうかの決定要因を知りたいと考えるかもしれません。これは、プレゼンターの属性、番組内容、そして番組の放送時間に依存する可能性があります。したがって、これらは番組のセールス可能性関数を設計するための独立変数となります。番組のセールス可能性は、プレゼンターの属性、番組内容、そして番組の放送時間によって決まります。[39]

比較方法

メディアミックスモデリングとの比較

「マーケティングミックスモデリング」は「メディアミックスモデリング」としばしば同じ意味で用いられます。しかし、統計モデルを用いる点では両者は関連があり類似しているものの、焦点は異なります。[40] [41]メディアミックスモデリングは、マーケティングチームが利用する様々なメディアチャネルがビジネス成果に与える影響に焦点を当てています。これらのメディアチャネルには、テレビ、デジタルメディア、印刷メディアが含まれます。一般的に、これらは有料広告活動です。[42]例えば、メディアミックスモデルは、売上向上のためのテレビ広告費の配分を理解し、最適化するのに役立ちます。一方、マーケティングミックスモデリングは、メディアチャネル、製品プロモーション、価格設定、流通、広報、スポンサーシップ、クーポン、店頭イベントなど、あらゆるマーケティングミックス要素を活用する、より広範なアプローチです。[42]

マルチタッチアトリビューションとの比較

MMMは、マルチタッチ・アトリビューション（MTA）と呼ばれる別の手法に匹敵します。MMMとは対照的に、マルチタッチ・アトリビューションの目的は、マーケティング活動の影響を集計ではなく、より詳細なレベルで測定することです。MTAが答える中心的な問いは、「インプレッション（または顧客とのあらゆる形態のインタラクション）の結果として、コンバージョン傾向はどの程度変化すると予想されるか？」です。一方、MMMにおける同等の問いは、「昨年のモバイル広告の費用対効果はいくらだったか？」や「予算配分の10%をアドレサブルTVにシフトした場合、売上高はどの程度になるか？」といったものです。[43]

MMMとMTAの利用者の中には、両者が異なる目的で使用され、矛盾する結果をもたらす可能性があると主張する人もいます。さらに、2つの方法論の違いにより、企業はそれぞれの測定方法を担当する別々のチームを編成しなければならない場合もあります。2つの方法を統合する取り組みはありますが、計画と実装の複雑さが増すことになります。[43]

インクリメンタリティテストと比較

MMM（過去の相関関係から寄与を推測する）とは異なり、増分性テストでは、マーケティング費用の因果効果を測定するために、制御された実験を使用します。現代のアプローチでは、MMMに増分性実験を統合して識別を向上させています。[44]

MMMへの実験の統合

MMMは観測的な時系列相関に依存しているため、内生性、欠落変数、相関支出の影響を受けやすい。そのため、多くの現代的なフレームワークでは、グラウンドトゥルースの因果リフトのソースとして、増分実験を取り入れるケースが増えている。

  • 実験による予測増分性（PIE）。PIEは、選択されたメディア戦術を用いたランダム化実験を用いて、因果リフトを未検証のキャンペーンに一般化する予測モデルを訓練するハイブリッドフレームワークです。PIEは、観察に基づくMMM仕様と比較して、誤差を低減し、因果妥当性を向上させることが示されています。[45]
  • 業界とプラットフォームのガイダンス。主要な広告プラットフォームや業界コンソーシアム（広告研究財団（ARF）を含む）は、相関性のある支出と観測されていない需要要因によるバイアスを補正するために、実験に基づくリフト推定値をMMMに統合することを推奨しています。[46]
  • 実験較正されたMMM。MMMパラメータを実験証拠と整合させること。例えば、チャネル弾力性の制約、事前分布の定義、MMM推定限界収益率をリフトテスト結果と比較検証することなど。いくつかの最近のプレイブックでは、観測モデルにおける過大評価を防ぐ手段として、実験較正されたMMMが強調されている。[47]

実験的較正は、ノイズの多い集計データから小さな広告効果を特定するという統計的な課題から、部分的に動機付けられています。大規模なランダム化実験でさえ、広告効果に対する統計的検出力が低い場合があり、[48]実験的根拠のない観察モデルは、影響を大幅に過大評価する可能性があることを示唆しています。

大規模なフィールド実験では、MMMの変種、回帰調整、マッチング推定値などの観察推定値は、真の因果リフトを回復できないことが多いことが繰り返し示されています。Facebookによる一連のランダム化実験では、広く用いられている観察手法は、数百の共変量を考慮しているにもかかわらず、実験の真の値から大きく乖離した推定値を生成することが示されました。 [49]

ゴードンら（2023）はさらに、観測モデルは既知の実験結果と比較した場合、因果関係の上昇を体系的に過大評価し、時には大幅に過大評価することを示している。[45]

MMMの研究

典型的なMMM研究は次のような洞察を提供する。

  • マーケティング活動による貢献
  • マーケティング活動別のROI
  • マーケティング活動の有効性
  • 支出の最適な配分
  • 各活動をより良く実行するための学習、例えば、週あたりの最適なGRP、15秒と30秒の間の最適な配分、実行するプロモーション、プロモーションにどのSKUを配置するかなど。[50]

業界によるMMMの採用

P&G、[51]、AT&T、クラフト、コカコーラ、ハーシー、ペプシなど、主に消費財（CPG）を扱うフォーチュン500企業の多くは、MMMをマーケティング計画の不可欠な要素としています。 [52]これは、現在MMMサービスを提供している専門会社の存在によっても可能になっています。

マーケティングミックスモデルは当初、消費財業界で人気がありましたが、シンジケートデータが利用可能だったため、小売業界や製薬業界にも急速に広がりました。これを本格的に商用化した先駆者は、1990年のマーケティングマネジメントアナリティクス（MMA）と1989年のハドソンリバーグループです。[要出典]その後、データ企業のニールセンとIRIが標準データ契約の一部としてMMMをバンドルし始め、これらの企業が他の業界にも進出するようになりました。[53]

時系列データの入手可能性は、マーケティングミックス効果の堅牢なモデリングに不可欠です。通信、金融サービス、自動車、ホスピタリティといった他業界では、CRMシステムを通じて顧客データを体系的に管理することで、これらの業界への普及が促進されました。さらに、Forrester ResearchのUltimate Consumer Panel（金融サービス）、Polk Insights（自動車）、Smith Travel Research（ホスピタリティ）といったサードパーティソースからのデータも利用可能になったことで、これらの業界へのマーケティングミックスモデリングの適用がさらに強化されました。[54]

これらの業界へのマーケティングミックスモデリングの適用はまだ初期段階にあり、特に以下の分野では多くの標準化が必要です。[要出典]

  • 業界横断的なプロモーション活動の解釈。例えば、CPG業界のプロモーションは店頭で行われるため、効果のタイムラグは発生しませんが、自動車業界やホスピタリティ業界のプロモーションは通常、インターネットやディーラーマーケティングを通じて展開されるため、効果のタイムラグが長くなる可能性があります。CPG業界のプロモーションは通常、絶対的な価格割引ですが、自動車業界のプロモーションはキャッシュバックやローンインセンティブ、金融サービスのプロモーションは通常、金利割引です。
  • ホスピタリティ業界のマーケティングは季節性が非常に強く、多くのマーケティングミックスモデルはマーケティング効果と季節性を混同し、マーケティングROIを過大評価または過小評価する傾向があります。「プール回帰」のような時系列クロスセクションモデルを活用することで、サンプルサイズと変動性を拡大し、純粋なマーケティング効果と季節性を確実に分離することができます。
  • 自動車メーカーは、マーケティング予算の相当額をディーラー広告に費やしていますが、適切な集計レベルでモデル化しないと、正確な測定が困難になる可能性があります。全国レベル、あるいは市場レベル、あるいはDMAレベルでモデル化した場合、これらの効果は集計バイアスによって失われる可能性があります。一方、ディーラーレベルまで掘り下げて分析を行うと、同じ地域内のディーラー間での消費者の乗り換えが考慮されないため、マーケティング効果を過大評価する可能性があります。厳密ではあるものの正しいアプローチは、消費者の郵便番号とクロスショッピング情報によって決定される重複する「商圏」に基づいて、どのディーラーを「追加可能な」共通グループにまとめるかを決定することです。少なくとも、「共通ディーラーエリア」は、ディーラー間の地理的距離と郡の売上シェアに基づいてディーラーをクラスタリングすることで決定できます。これらのディーラークラスターの月間売上を「プール」することで構築されたマーケティングミックスモデルは、ディーラー広告の効果を効果的に測定するために効果的に活用できます。

マーケティングミックスモデリングの普及は、サーベンス・オクスリー法第404条の施行により、財務報告における重要な費用と支出に関する内部統制が義務付けられたことでも加速しました。消費財のマーケティング費用は総売上高の10分の1を超えることもあり、マーケティングミックスモデルが登場するまでは、この支出を評価するために定性的または「ソフト」なアプローチに依存していました。マーケティングミックスモデリングは、CPG業界が既に実証していたように、マーケティングミックス投資を評価するための厳密かつ一貫したアプローチを提示しました。アメリカマーケティング協会の調査では、経営幹部は中間管理職よりもマーケティングの説明責任の重要性を強調する傾向が強く、説明責任の強化に向けたトップダウンの推進を示唆しています。[55]

ベイジアンマーケティングミックスモデリング

ベイジアン・マーケティング・ミックス・モデリング（MMM）は、確率論的アプローチを用いて不確実性を管理し、過去のデータを現在の分析に統合する特殊なMMMです。この手法は従来の頻度主義的手法とは対照的で、マーケティング担当者に消費者行動とマーケティング活動の効果に関する詳細な視点を提供します。[56] [57]

オープンソースソフトウェアソリューション

MMMにおけるベイズ的アプローチの普及は、オープンソースの取り組みによって大きく促進されました。[要出典]中でも注目すべきは、PyMC-MarketingやLightweightMMMといったツールです。これらのプラットフォームは、広告ストック変換や飽和効果のモデリングといった手法を用いており、マーケティング予算と戦略の最適化に役立ちます。[58] [59]

ベイジアンMMMにおける革新

ベイジアン MMM は、いくつかの重要な革新を特徴としています。

  • Adstock変換 – この機能は、広告の長期的かつ累積的な影響を捉え、マーケティング担当者がキャンペーンのタイミングと効果を微調整できるようにします。[60]
  • 飽和効果 – ベイジアンMMMは、マーケティング投資の収益が減少するポイントを特定するのに役立ちます。これは、効率的な予算配分に不可欠です。[61]
  • 予算配分 – 様々なマーケティングシナリオをシミュレートすることで、企業はベイジアンMMMを活用し、最適化における不確実性をカプセル化する確率論的フレームワークを用いて、最も影響力のあるチャネルに支出を集中させることができます。[62]

課題と機会

ベイズMMMは人気が高まっている一方で、ベイズ統計に関する深い理解と、組織に課される計算負荷といった課題も抱えています。しかしながら、PyMC-Marketingのようなツールはオープンソースであるため、協力的なコミュニティとリソースの共有が促進され、こうした障壁を軽減するのに役立ちます。

考慮すべき他の課題としては、データの制限（限られたデータ量と相関する入力変数）や選択バイアス（例：広告ターゲティング、季節性、ファネル効果）などが挙げられる。[63]

制限事項

マーケティングミックスモデルは多くの有用な情報を提供しますが、意思決定にこれらのモデルを使用するすべての人が考慮すべき2つの重要な限界があります。これらの限界については、以下で詳しく説明します。

  1. 短期的な売上に焦点を当てると、長期的な資本構築活動の重要性が大幅に過小評価される可能性があります。
  2. メディア ミックスの最適化に使用する場合、これらのモデルは、時間特化型メディア (テレビ コマーシャルなど) を、時間特化型ではないメディア (月刊誌に掲載される広告など) よりも明確に優遇します。また、幅広いメディアと地域や人口統計に基づいてターゲットを絞ったメディアを比較する場合にも、バイアスが生じる可能性があります。

ブランドエクイティ構築活動に対する偏見に関連して、マーケティングミックスモデルを用いて最適化されたマーケティング予算は、マーケティングミックスモデルがマーケティングの短期的な効果のみを測定するため、効率性を重視しすぎる傾向がある可能性がある。マーケティングの長期的な効果はブランドエクイティに反映される。マーケティング支出がブランドエクイティに与える影響は、通常、マーケティングミックスモデルでは捉えられない。その理由の一つは、マーケティングがブランド認知に影響を与えるまでに要する期間が長く、これらのモデルが測定するマーケティングの売上への同時影響、あるいはせいぜい数週間先の影響を超えてしまうためである。もう一つの理由は、経済・社会情勢による一時的な売上変動は、必ずしもマーケティングがブランドエクイティ構築において効果的でなかったことを意味するわけではないことである。むしろ、短期的には売上と市場シェアが低下する可能性は高いが、ブランドエクイティは実際には高まる可能性がある。このブランドエクイティの高まりは、長期的にはブランドの売上と市場シェアの回復に役立つはずである。[64]

マーケティングミックスモデルがマーケティング戦術が売上にプラスの影響を与えることを示唆したとしても、それが必ずしも長期的なブランドエクイティにプラスの影響を与えるとは限りません。異なるマーケティング施策は、短期的および長期的なブランド売上に異なる影響を与えるため、短期または長期のいずれか一方のみを最大化するようにマーケティングポートフォリオを調整することは、最適とは言えません。例えば、プロモーションが消費者の効用に対して短期的にプラスの影響を与えると、消費者はプロモーション対象ブランドに乗り換えるようになりますが、ブランドエクイティに対するプロモーションのマイナスの影響は、期間を超えて継続します。したがって、ブランドへのマイナスの影響により、プロモーションがブランドの市場シェアと収益性に及ぼす正味の影響はマイナスになる可能性があります。マーケティングミックスモデルのみに基づいてマーケティングROIを決定すると、誤った結果につながる可能性があります。これは、マーケティングミックスが増分貢献を高めるためにマーケティングミックスを最適化しようとする一方で、マーケティングミックスはブランドエクイティも促進するためです。これは、マーケティングミックスモデルによって測定される増分部分の一部ではなく、ベースラインの一部です。真の「マーケティング投資収益率（ROI）」とは、短期ROIと長期ROIの合計です。多くの企業がマーケティング・ミックス・モデルを短期ROIの測定にのみ利用しているという事実は、ブーズ・アレン・ハミルトンの記事から推測できます。同記事は、プロモーション支出の測定が容易になったことから、従来のメディアから「ビロウ・ザ・ライン」支出への大きなシフトが起こっていることを示唆しています。しかし、学術研究では、プロモーション活動は長期的なマーケティングROIに悪影響を及ぼすことが示されています（Ataman et al., 2006）。短期マーケティング・ミックス・モデルは、ブランド追跡データを用いたブランド・エクイティ・モデルと組み合わせることで、短期および長期の両方で「ブランドROI」を測定することができます。最後に、モデリング・プロセス自体のコストは、結果として得られる収益性の向上よりも高くてはなりません。つまり、モデリング・プロセスにおけるROI （Return On Modeling Effort、ROME）がプラスであるべきです。[65]

マーケティングミックスモデルの2つ目の限界は、広告主がこれらのモデルを用いて異なるメディアタイプ間で最適なメディア配分を決定しようとする際に現れます。テレビCMとクーポン券の支出額を比較するためにMMMが従来用いられてきたのは、テレビCMとクーポン券の出現（例えば新聞のFSI広告）がどちらも時期によって大きく左右されるという点で、比較的妥当なものでした。しかし、これらのモデルがより広範なメディアタイプ間での比較に利用されるようになったため、細心の注意を払う必要があります。

雑誌広告などの従来のメディアであっても、MMM を使用してメディア間の結果を比較すると問題が生じる可能性があります。モデラーは月刊誌の「典型的な」視聴曲線のモデルを重ね合わせますが、これらのモデルは精度が不足しているため、方程式にさらなる変動が生じます。そのため、テレビコマーシャルの有効性と雑誌広告の有効性を比較すると、測定精度が高いテレビに有利な結果になる場合があります。新しい形式のメディアが急増するにつれて、MMM を使用してその効果を定量化する場合には、これらの制限を考慮することがさらに重要になります。たとえば、スポンサーシップ マーケティング、スポーツ アフィニティ マーケティング、バイラル マーケティング、ブログ マーケティング、モバイル マーケティングはすべて、露出の時間的特異性の点で異なります。

さらに、マーケティングミックスモデルへのほとんどのアプローチは、すべてのマーケティング活動を国レベルまたは地域レベルで総合的に考慮しようとしますが、様々な戦術が異なる消費者層をターゲットとしている場合、その効果が失われる可能性があります。例えば、マウンテンデューによるNASCARのスポンサーシップは、複数の年齢層を含むNASCARファンをターゲットとしている可能性がありますが、ゲームブログへのマウンテンデューの広告は、Y世代をターゲットとしている可能性があります。これらの戦術はどちらも、対応する人口統計グループ内では非常に効果的かもしれませんが、国レベルまたは地域レベルのマーケティングミックスモデルに総合的に組み込むと、効果がないことが判明する可能性があります。

集約バイアスは、異なるメディアの時間的特性の差異に関連する問題とともに、これらのモデルが本来の設計目的を超えて使用される場合に深刻な問題を引き起こします。メディアがさらに細分化されるにつれて、マーケティングミックスモデルを用いて異なるメディアや戦術の相対的な有効性を判断する際には、これらの問題を考慮することが極めて重要になります。

マーケティングミックスモデルは、マーケティングパフォーマンスを評価するために過去の実績を用いるため、新製品のマーケティング投資管理には効果的なツールとは言えません。これは、新製品の歴史が比較的短いため、マーケティングミックスの結果が不安定になるからです。また、マーケティングと売上の関係は、発売期と安定期では大きく異なる可能性があります。例えば、コカ・コーラゼロの発売当初の実績は非常に悪く、広告弾力性が低いことが示されました。しかし、コカ・コーラは戦略を改善し、メディア支出を増加しました。その結果、パフォーマンスは劇的に改善され、発売期と比べて広告効果はおそらく数倍にも達しました。典型的なマーケティングミックスモデルであれば、メディア支出を削減し、代わりに大幅な値引きを行うことを推奨していたでしょう。[66]

参照

参考文献

  1. ^ ハンセンス、ドミニク・M. (2001).市場反応モデル：計量経済学と時系列分析. シュプリンガー. ISBN 978-1402073687。
  2. ^ Ataman, M. Berk; van Heerde, Harald J.; Mela, Carl F. (2010). 「マーケティング戦略のブランドパフォーマンスに対する長期的影響」. Journal of Marketing Research . 47 (5): 866– 882. doi :10.1509/jmkr.47.5.866.
  3. ^ Tellis, Gerard J. (2006). 「マーケティング・ミックスのモデリング」. Grover, Rajiv; Vriens, Marco (編). 『マーケティング・リサーチ・ハンドブック：活用法、誤用法、そして未来の進歩』 . pp.  506– 522. ISBN 978-1-4129-0997-6。
  4. ^ Naik, Prasad A.; Raman, K. (2003). 「マルチメディアコミュニケーションにおけるシナジー効果の理解」. Journal of Marketing Research . 40 (4): 375– 388. doi :10.1509/jmkr.40.4.375.19383 (2026年1月13日現在非アクティブ).{{cite journal}}: CS1 maint: DOIは2026年1月時点で非アクティブです（リンク）
  5. ^ Leeflang, Peter SH (2015). 『市場モデリング：マーケティング現象の分析とマーケティング意思決定の改善』 Springer. ISBN 978-1493920853。
  6. ^ Wieringa、Jaap E.;ファン・デル・ランス、ラルフ（2018）。 「マーケティングミックスモデリング」。マーケティング分析ハンドブック。エドワード・エルガー。
  7. ^ ハンセンス、ドミニク・M. (2009).マーケティング効果に関する実証的一般化. マーケティング科学研究所.
  8. ^ Naik, Prasad A.; Raman, K. (2003). 「マルチメディアコミュニケーションにおけるシナジー効果の理解」. Journal of Marketing Research . 40 (4): 375– 388. doi :10.1509/jmkr.40.4.375.19383 (2026年1月13日現在非アクティブ).{{cite journal}}: CS1 maint: DOIは2026年1月時点で非アクティブです（リンク）
  9. ^ 「マーケティングミックスモデリングの復習」ハーバード・ビジネス・レビュー、2017年11月15日。 2025年9月13日閲覧。
  10. ^ ab Borden, Neil H. (1964年6月). 「マーケティングミックスの概念」(PDF) . Journal of Advertising Research . 4 (2): 2– 7. doi :10.1080/00218499.1964.12519724. OCLC  222909833.
  11. ^ カリトン、ジェームズ・W. (1948). マーケティング費用の管理. ボストン: ハーバード大学経営大学院研究部.
  12. ^ ジョン・A・クエルチ、キャサリン・E・ジョッツ（2008年冬）「マーケティングのマイルストーン」（PDF）ビジネス・ヒストリー・レビュー、82 （ 4）、ハーバード大学学長・フェロー：827-838。doi ： 10.1017/S0007680500063236。S2CID 154290687  。
  13. ^ マッカーシー、E. ジェローム (1960). 『マーケティングの基礎：経営的アプローチ』 リチャード・D・アーウィン.
  14. ^ Booms, B.; Bitner, M. (1981). 「サービス企業のマーケティング戦略と組織構造」 Donnelly, J.; George, WR (編) 『サービスのマーケティング』 シカゴ: アメリカマーケティング協会. pp.  47– 52. ISBN 0-87757-148-1。
  15. ^ ビトナー、メアリー・ジョー、ツァイタムル、ヴァレリー・A、グレムラー、ドウェイン・D (2013).サービスマーケティング. マグロウヒル.
  16. ^ Hanssens, Dominique M. (2001).市場反応モデル：計量経済学と時系列分析. Springer.
  17. ^ D'Mello, Yolande (2021年9月26日). 「マーケティングミックスモデリングの解説」MarTech Vibe . 2025年9月13日閲覧。
  18. ^ Leeflang, Peter SH (2015). 『市場モデリング：マーケティング現象の分析とマーケティング意思決定の改善』 Springer.
  19. ^ ハンセンス、ドミニク・M. (2014). 『マーケティングメトリクス：マーケティングパフォーマンス測定の決定版ガイド』ピアソン.
  20. ^ 「インクリメンタリティ：基礎」. Haus . 2025年2月13日. 2025年9月13日閲覧。
  21. ^ Blattberg, Robert C.; Eppen, Gary D.; Lieberman, J. (1981). 「非耐久消費財の価格取引に関する理論的・実証的評価」. Journal of Marketing . 45 (1): 116– 129. doi :10.1177/002224298104500111.
  22. ^ Hanssens, Dominique M. (2001).市場反応モデル：計量経済学と時系列分析. Springer.
  23. ^ Leeflang, Peter SH (2015). 『市場モデリング：マーケティング現象の分析とマーケティング意思決定の改善』 Springer.
  24. ^ D'Mello, Yolande (2021年9月26日). 「マーケティングミックスモデリングの解説」MarTech Vibe . 2025年9月13日閲覧。
  25. ^ ハンセンス、ドミニク・M. (2009).マーケティング効果に関する実証的一般化. マーケティング科学研究所.
  26. ^ 「インクリメンタリティ：基礎」. Haus . 2025年2月13日. 2025年9月13日閲覧。
  27. ^ ブロードベント、サイモン (1979). 「テレビ広告の効果の一方向」.市場調査協会誌. 21 (3): 139–166 .
  28. ^ ウィレンガ、ベレンド (2008).マーケティング意思決定モデルのハンドブック。スプリンガー。
  29. ^ ハンセンス、ドミニク・M. (2014). 『マーケティングメトリクス：マーケティングパフォーマンス測定の決定版ガイド』ピアソン.
  30. ^ Leeflang, Peter SH (2015). 『市場モデリング：マーケティング現象の分析とマーケティング意思決定の改善』 Springer.
  31. ^ ダナハー、ピーター・J. (1991). 「テレビ番組の時間帯と広告反応」.広告研究ジャーナル. 31 (2): 42–49 .
  32. ^ Tellis, Gerard J.; Weiss, Dominik (1995). 「テレビ広告は本当に売上に影響を与えるのか？ 測定、モデル、データ集約の役割」. Journal of Advertising . 24 (3): 1– 12. doi :10.1080/00913367.1995.10673478.
  33. ^ グプタ、スニル；クーパー、リー・G. (1992). 「割引とプロモーション閾値の割引」.消費者研究ジャーナル. 19 (3​​): 401– 411. doi :10.1086/209308.
  34. ^ Ataman, M. Berk; van Heerde, Harald J.; Mela, Carl F. (2010). 「マーケティング戦略のブランドパフォーマンスに対する長期的影響」. Journal of Marketing Research . 47 (5): 866– 882. doi :10.1509/jmkr.47.5.866.
  35. ^ Tellis, Gerard J. (2006). 「マーケティング・ミックスのモデリング」. Grover, Rajiv; Vriens, Marco (編). 『マーケティング・リサーチ・ハンドブック：活用法、誤用法、そして未来の進歩』 . pp.  506– 522. ISBN 978-1-4129-0997-6。
  36. ^ Reddy, RK; Gupta, Amit (2009年9月12日). 「適切な組み合わせを見つける」The Hindu Businessline .
  37. ^ Pauwels, Koen (2004). 「消費者のダイナミックな反応、競合他社の反応、企業のサポート、そして企業の慣性が長期的なマーケティング効果をどのように形作るか」マーケティングサイエンス. 23 (4): 596– 610. doi :10.1287/mksc.1040.0079.
  38. ^ Leeflang, Peter SH (2015). 『市場モデリング：マーケティング現象の分析とマーケティング意思決定の改善』 Springer.
  39. ^ Rust, Roland T.; Zahorik, Anthony J.; Keiningham, Timothy L. (1995). 「品質収益率（ROQ）：サービス品質の財務的説明責任の確立」. Journal of Marketing . 59 (2): 58– 70. doi :10.1177/002224299505900205.
  40. ^ 「メディアミックスモデリング（MMM）とは？ – メディアプランニング101」2023年3月16日。 2025年9月13日閲覧。
  41. ^ 「メディアミックスモデリングとマーケティングミックスモデリングの違いは何ですか？」Rockerbox . 2025年9月13日閲覧。
  42. ^ ab 「メディアミックスモデリング（MMM）とは何か？」。測定。 2025年9月13日閲覧。
  43. ^ ab IAB (2019-11-01). IAB マーケティングミックスモデリングとマルチタッチアトリビューションの基本ガイド.
  44. ^ 「DATAxSCIENCE：測定とアトリビューションの理解」（PDF） .広告研究財団（ARF）（カンファレンスプレゼンテーション）. Facebook. 2019年11月13日. 2025年10月17日閲覧。
  45. ^ ab Gordon, Brett R.; Moakler, Robert; Zettelmeyer, Florian (2023). 「実験による予測的増分性」. arXiv プレプリント. arXiv : 2304.06828 .
  46. ^ 「広告反応実験とマーケティング測定におけるその役割（報告書）」広告研究財団、2019年。
  47. ^ 「MMMの基礎」ハウス、2024年。
  48. ^ Lewis, Randall A.; Rao, Justin M. (2015). 「広告の収益測定における不利な経済学」. Quarterly Journal of Economics . 130 (4): 1941– 1973. doi :10.1093/qje/qjv023.
  49. ^ Gordon, Brett R.; Zettelmeyer, Florian; Bhargava, Neha; Chapsky, Dan (2019年3月). 「広告効果測定へのアプローチの比較：Facebookにおける大規模フィールド実験の証拠」. Marketing Science . 38 (2): 193– 225. doi :10.1287/mksc.2018.1135. ISSN  0732-2399.
  50. ^ ウィレンガ、ベレンド (2008).マーケティング意思決定モデルのハンドブック。スプリンガー。
  51. ^ 「P&G幹部：小売メディアはマーケティングミックスにおいて『地位を確立する』必要がある」Insider Intelligence 2023年8月7日. 2025年9月13日閲覧。
  52. ^ 「マーケティングミックスモデリングの復習」ハーバード・ビジネス・レビュー、2017年11月15日。 2025年9月13日閲覧。
  53. ^ ハンセンス、ドミニク・M. (2009).マーケティング効果に関する実証的一般化. マーケティング科学研究所.
  54. ^ Leeflang, Peter SH (2015). 『市場モデリング：マーケティング現象の分析とマーケティング意思決定の改善』 Springer.
  55. ^ Rust, Roland T.; Ambler, Tim; Carpenter, Gregory S.; Kumar, V.; Srivastava, Rajendra K. (2004).マーケティング・アカウンタビリティ. 第68巻. Journal of Marketing. pp.  76– 89. doi :10.1509/jmkg.68.4.076.42734 (2026年1月13日現在非アクティブ).{{cite book}}: CS1 maint: DOIは2026年1月時点で非アクティブです（リンク）
  56. ^ ゲルマン、アンドリュー、ヒル、ジェニファー (2007).回帰分析と階層型／多層型モデルを用いたデータ分析. ケンブリッジ大学出版局.
  57. ^ 「キャリーオーバーと形状効果を考慮したメディアミックスモデリングのためのベイズ法」（PDF）。
  58. ^ "LightweightMMM". GitHub . 2025年9月13日閲覧。
  59. ^ 「PyMC-Marketingドキュメント」。PyMC -Marketing 。2025年9月13日閲覧。
  60. ^ フェイラー、ダニエル; トン、J. (2019). 「マーケティングにおけるベイズ法」.マーケティングの基礎とトレンド. 12 (2): 61– 184. doi :10.1561/1700000058.
  61. ^ Ataman, M. Berk; van Heerde, Harald J.; Mela, Carl F. (2010). 「マーケティング戦略のブランドパフォーマンスに対する長期的影響」. Journal of Marketing Research . 47 (5): 866– 882. doi :10.1509/jmkr.47.5.866.
  62. ^ ゲルマン、アンドリュー、ヒル、ジェニファー (2007).回帰分析と階層型／多層型モデルを用いたデータ分析. ケンブリッジ大学出版局.
  63. ^ Chan, David X.; Perry, Mike (2017). 「メディアミックスモデリングにおける課題と機会」. Google Research . 2025年9月13日閲覧。
  64. ^ Ataman, M. Berk; van Heerde, Harald J.; Mela, Carl F. (2010). 「マーケティング戦略のブランドパフォーマンスに対する長期的影響」. Journal of Marketing Research . 47 (5): 866– 882. doi :10.1509/jmkr.47.5.866.
  65. ^ Thomas, Jerry W. (2006). 「マーケティング・ミックス・モデリング」 . 2016年10月6日閲覧。
  66. ^ Pauwels, Koen (2004). 「消費者のダイナミックな反応、競合他社の反応、企業のサポート、そして企業の慣性が長期的なマーケティング効果をどのように形作るか」マーケティングサイエンス. 23 (4): 596– 610. doi :10.1287/mksc.1040.0079.

さらに読む

  • アタマン, M. バーク; ヴァン・ヘルデ, ハラルド・J.; メラ, カール・F. (2010). 「マーケティング戦略のブランドパフォーマンスに対する長期的影響」.ジャーナル・オブ・マーケティング・リサーチ. 47 (5): 866– 882. doi :10.1509/jmkr.47.5.866.
  • テリス、ジェラード・J. (2006).「マーケティング・ミックスのモデリング」. グローバー、ラジブ、ヴリアンス、マルコ（編）. 『マーケティング・リサーチ・ハンドブック：活用、誤用、そして未来の進歩』. pp.  506– 522. ISBN 978-1-4129-0997-6。
「https://en.wikipedia.org/w/index.php?title=マーケティングミックスモデリング&oldid=1332729793」より取得