【Python実践】マーケティング・ミックス・モデリング(MMM)自作講座 ― SHAPで広告効果を可視化

広告予算をどのチャネルにどれだけ配分すべきか――この問いに、ブラックボックスの外部ツールに頼らず、自分の手で答えを出せるようになる講座です。「TVは効いたのか」「Facebook広告のROIはどれくらいか」「看板広告に意味はあったのか」。多くの現場では、こうした問いに対して外部ベンダーのダッシュボードが返す謎のスコアを鵜呑みにするしかなく、なぜその数字になるのかを自分の言葉で説明できないまま予算配分の意思決定が行われています。本講座では、マーケティング・ミックス・モデリング(MMM)をPythonでゼロから自作することで、モデルの中身をブラックボックスのままにせず「なぜその広告効果が算出されるのか」を根本から理解できるようになります。既製のSaaSツールが出す結果を鵜呑みにするのではなく、自分自身の手でモデルを構築・検証・説明できる力を身につけることが、この講座のゴールです。

【この講座で学べること】

・MMMという手法がそもそも何を推定しようとしているのか、背景となる考え方を論文紹介から出発して理解する
・広告の効果が時間とともに減衰しながら残っていく現象を、Adstock(広告の残存効果)としてモデルに組み込む方法
・季節性やトレンドを含む時系列データをProphetで扱い、MMMの土台となる需要予測パートを構築する方法
・SHAPを使って「どのチャネルが、どれだけ売上に貢献したか」をブラックボックスにせず定量的に可視化する方法
・Optunaによるハイパーパラメータ最適化を、精度だけを追う１目的のケースと、精度とビジネス上の制約を同時に満たす２目的のケースの両方で実践する方法
・実務でMMMを適用する際の一連の流れ――データ準備からモデル構築、効果検証、意思決定への接続まで――を押さえる
・全体のまとめパートで各パーツのつながりを振り返り、自分のプロジェクトに落とし込むための土台を作る
・各セクションに挟み込まれる「Tips Data Science」で、モデリング周辺の実務的な注意点やつまずきやすいポイントを都度補強
・広告チャネル別のROIを定量評価し、限られた予算をどこに配分すべきかという意思決定に使える形にまとめる考え方

【2026年7月時点の内容】

本講座は2026年7月時点の最新の内容として提供しています。2026年7月14日には、ボーナスレクチャー「AI時代のモデル説明 — SHAPの結果を意思決定者の言葉に」を追加しました。SHAPによる分析結果は、技術的に正しくてもそのままでは意思決定者に伝わらないことが少なくありません。生成AIの活用が当たり前になった今だからこそ求められる、分析結果を経営層や現場の意思決定者に向けて「翻訳」し、実際の予算配分の意思決定に落とし込むための考え方を扱っています。今後も現場での気づきを踏まえてアップデートしていく予定です。

【こんな方におすすめ】

・広告予算の配分についてブラックボックスの外部ツールやベンダーのレポートに頼らず、自分の手でモデルを構築し検証できるようになりたい方
・マーケティング担当者やデータアナリストで、Pythonを使った実務レベルのデータ分析スキルを一段引き上げたい方
・SHAPやOptunaといった機械学習まわりのライブラリを、理論の説明だけで終わらせず実際のプロジェクトで使いこなせるようになりたい方
・時系列モデリングや因果推論に関心があり、MMMを入り口として体系的に学んでいきたい方
・分析結果を数字のまま出すだけでなく、経営層や意思決定者にわかりやすく説明する力もあわせて身につけたい方
・Pythonとpandasの基本的な読み書きができ、これから機械学習ライブラリを実務で使いこなしたい方

自分の手でMMMを組み立てられるようになれば、外部ベンダーのブラックボックスに依存せず、広告投資の意思決定に自信を持って向き合えるようになります。ぜひ一緒に、Pythonで「効いた広告」を可視化していきましょう。

This is a practical, code-first course on building Marketing Mix Modeling (MMM) from scratch in Python, aimed at marketers, data analysts, and data scientists who want to move beyond black-box attribution tools and understand exactly how advertising effectiveness is measured and explained. Rather than treating MMM as a single black box, the course walks through the modeling pipeline piece by piece: reviewing the academic background behind MMM, encoding adstock (the decay and carryover of advertising effects over time), handling seasonality and trend with Prophet, and using SHAP to make channel-level contributions to sales transparent and explainable rather than opaque. The course also covers hyperparameter tuning with Optuna, first for single-objective optimization and then for two-objective optimization where predictive accuracy and business constraints must be balanced simultaneously, before tying everything together into a practical, end-to-end workflow for applying MMM in a real business setting. A bonus lecture addresses a problem many technical analysts face: translating SHAP output into language decision-makers can actually act on. The course assumes basic familiarity with Python and pandas; no prior experience with MMM, SHAP, Prophet, or Optuna is required, though comfort reading and adapting Python code will help. By the end, learners will be able to build, validate, and explain their own advertising effectiveness models and evaluate channel-level ROI without depending on opaque third-party marketing analytics platforms.