
【PyMC Marketingシリーズ Vol.1】PyMC Marketingの全体像とMMM構築
シリーズ概要Vol.1(本記事): PyMC Marketingの全体像とMMM構築
Vol.2: CLV・階層モデル・本番運用——PyMCだけの機能群
Vol.3: GitHubリポジトリ完全ガイド——構造理解からノートブック活用まで
Vol.4: AI開発ツールで加速するPyMC Marketing——Claude Code・Cursor連携
Vol.5: ハンズオンデータラボ——公式データセットで学ぶ実践ワークフロー
MMMの基礎理論(アドストック、飽和関数、回帰モデル、ベイズ統計の基礎等)は別シリーズで詳しく解説しています。本シリーズではPyMC Marketing固有の内容に集中します。
はじめに
本記事は、PyMC Marketingというツールそのものに焦点を当て、ライブラリの全体像を解説したうえで、実際にMMMモデルを構築するコードパイプラインまでを一気通貫で扱います。
「MMMとは何か」「ベイズ統計とは何か」については、本シリーズの前提知識として別途解説を予定しています。
本記事の構成:
Part 1(無料エリア): ライブラリの全体像、アーキテクチャ、Adstock/Saturation各クラスの詳細解説、バックエンド比較、差別化ポイント、導入事例
Part 2(有料エリア): MMMモデル構築の完全コードパイプライン(Step 0〜9)、トラブルシューティング、コピペ用スクリプト
Part 1: ライブラリの全体像
1. 基本情報

PyMC Marketingは、確率的プログラミングフレームワークPyMCの上に構築されたマーケティング分析専用ライブラリです。PyMC自体はPyTensor(旧Theano)による自動微分とシンボリック計算を基盤としており、ユーザーは内部のサンプラーを意識せずに高レベルAPIでベイズモデルを記述できます。
一般的なMMMツール(Google Meridian、Meta Robyn)との最大の違いは、MMM以外にCLV(顧客生涯価値)とCustomer Choice(カニバリゼーション分析)を統合している点です。
2. 3つの分析モジュール

MMMモジュール
マーケティングミックスモデリングの標準的なワークフロー(データ投入 → Adstock/Saturation変換 → ベイズ線形回帰 → 事後分布推定 → チャネル貢献度分解 → 予算最適化)を、高レベルAPIで実装します。GeometricやWeibullなど複数のAdstock関数をクラスとして提供し、1行でモデル定義できるのが特徴です。
CLVモジュール
BTYD(Buy Till You Die)モデル群をベイズ推定で実装します。具体的には以下のモデルクラスを提供:

従来のBTYDモデル(Python lifetimesライブラリ等)は最尤推定でしたが、PyMC MarketingはMCMCによるベイズ推定を行うため、パラメータの不確実性がそのまま予測のHDI(Highest Density Interval)として得られます。これにより「CLV = ¥12,000」ではなく「CLV = ¥12,000 [¥8,500, ¥16,200]」のような不確実性付きの推定が可能です。
Customer Choiceモジュール
Multivariate Interrupted Time Series(MV-ITS)による因果効果推定を実装します。例えば「新商品Bを投入したとき、既存商品Aの売上はどう変化したか?」という問いに対して、ベイズ構造時系列モデルで反事実(もしBがなかったら)を推定し、カニバリゼーション率を定量化します。
CLVとCustomer Choiceを統合しているのはPyMC Marketingだけです。MMMツールが必要なだけならMeridianやRobynでも代替可能ですが、CLVやカニバリゼーション分析まで一つのフレームワークで扱いたい場合はPyMC Marketing一択になります。
3. アーキテクチャ
┌──────────────────────────────────────┐
│ PyMC Marketing │
│ (MMM / CLV / Customer Choice) │
├──────────────────────────────────────┤
│ PyMC │
│ (確率的プログラミングフレームワーク) │
├──────────────────────────────────────┤
│ PyTensor │
│ (シンボリック計算 / 自動微分) │
├──────┬──────┬──────┬────────────────┤
│ NUTS │NumPyro│BlackJAX│ Nutpie │
│(既定) │(JAX) │(JAX) │ (Rust) │
├──────┴──────┴──────┴────────────────┤
│ CPU / GPU (CUDA) / TPU │
└──────────────────────────────────────┘
レイヤー構成の詳細
PyMC Marketing層(最上位): ユーザーが直接触るAPI。MMM(), BetaGeoModel() などのクラスを提供し、fit(), predict(), optimize_budget() などのメソッドで分析を実行。
PyMC層: 確率モデルの記述言語。PyMC Marketingの各クラスは内部で pm.Model() コンテキストを使ってベイズモデルを自動構築します。mmm.model でPyMCモデルオブジェクトを直接参照でき、カスタマイズが可能です。
PyTensor層: 数式のシンボリック表現と自動微分。Adstock変換やSaturation変換はPyTensorの演算グラフとして実装されているため、勾配ベースのMCMCサンプラー(HMC/NUTS)が効率的に動作します。
サンプラー層: 実際にMCMCサンプリングを実行するエンジン。4つのバックエンドから選択可能で、すべてHMC(Hamiltonian Monte Carlo)系のアルゴリズムを使用します。
MMMの内部モデル構造
PyMC Marketingの MMM クラスは、内部で以下のベイズモデルを自動構築します:
y[t] = intercept
+ Σ_c beta_channel[c] × Saturation( Adstock( x[t,c] ) )
+ Σ_j beta_control[j] × z[t,j]
+ fourier_seasonality[t]
+ trend[t]
+ ε[t]
ここで:
y[t]: 目的変数(売上等)。正規分布 Normal(mu, sigma) で観測モデルを仮定
intercept: 切片(ベースライン売上)。Normal(0, sigma) の事前分布
beta_channel[c]: チャネルcの効果係数。HalfNormal(sigma=2) がデフォルト(非負制約)
Adstock(): 広告残存効果の変換。GeometricまたはWeibullクラスが担当
Saturation(): 飽和効果の変換。Logistic/Hill/Tanhクラスが担当
beta_control[j]: コントロール変数の効果(符号制約なし)
fourier_seasonality[t]: フーリエ級数で季節性をモデル化
ε[t]: 観測ノイズ
重要なのは、Adstock → Saturation の順番で変換が合成される点です。つまり「まず広告効果の残存を計算し、その残存効果に対して飽和効果を適用する」という流れです。この合成順序はマーケティングの因果関係に対応しています。
4つのサンプリングバックエンド

バックエンドベース技術推奨シーン備考NUTS(既定)PyTensor初めての利用、小〜中規模データ最も安定。診断情報が最も詳細NumPyroJAXGPU活用、大規模データCUDA/ROCm必須。JITコンパイルで10-50倍高速化BlackJAXJAXカスタムサンプラーが必要研究用途。HMC以外のサンプラー(GHMC等)が使えるNutpieRustCPU環境での高速化Rust製バイナリ。CPUのみで5-10倍高速化。メモリ効率も良好
この「サンプリングバックエンドの交換可能性」がPyMC Marketingの大きな強みです。Meridian はTensorFlow Probabilityに固定されており、この柔軟性はありません。
バックエンド選択の判断フロー
GPUが使える?
├─ Yes → NumPyro(最速。GPU VRAM 8GB以上推奨)
│ コード: mmm.fit(..., nuts_sampler="numpyro")
└─ No
├─ データが大きい(200週×5ch以上)?
│ └─ Yes → Nutpie(CPU最速。pip install nutpie が必要)
│ コード: mmm.fit(..., nuts_sampler="nutpie")
└─ No → NUTS(既定。追加設定不要)
コード: mmm.fit(...)
パフォーマンスベンチマーク
PyMC Marketing内部のバックエンド比較(100週 × 3チャネル、4chain × 1000 draws):

PyMC Marketing vs Meridian 比較:

指標結果サンプリング速度Meridian比 2〜20倍高速(バックエンドによる)チャネル貢献度推定精度約40%の誤差低減(PyMC Labs公式ベンチマーク)エンタープライズ規模50地域×30チャネルでMeridianは収束失敗、PyMCは成功
このベンチマークはPyMC Labsが公式ブログで公開しているもので、同一データ・同一ハードウェアでの比較です。Meridianの開発元であるGoogleは独自のベンチマークを公開していないため、中立的な第三者検証はまだ存在しない点に留意してください。
4. MMMモジュールの構成要素 — Adstock/Saturation詳細解説
PyMC Marketingは、Adstock変換とSaturation変換をそれぞれ独立したクラスとして提供しています。この設計により、任意の組み合わせ(例: WeibullAdstock + HillSaturation)を1行で切り替えられます。
Adstock変換クラス
Adstock(広告残存効果)は「今週の広告が来週以降にも効果を持つ」という現象をモデル化します。
GeometricAdstock(幾何減衰)

項目内容クラス名GeometricAdstock(l_max=8)パラメータalpha(減衰率、0〜1)減衰パターン指数的に減衰。effect[t+k] = alpha^k × spend[t]l_max最大ラグ(この期間を超えると効果ゼロと仮定)適用シーンデジタル広告(検索、リターゲティング、SNS)。効果が即座に発現し急速に減衰するチャネル利点パラメータが1つだけ(alpha)で安定。データが少なくても推定可能
alpha = 0.7 の場合の減衰パターン:
Week 0: 1.000(広告出稿週)
Week 1: 0.700
Week 2: 0.490
Week 3: 0.343
Week 4: 0.240
→ 5週目でほぼゼロ。l_max=8 で十分
実装例:
from pymc_marketing.mmm import GeometricAdstock
# l_max=8: 効果が最大8週間持続すると仮定
adstock = GeometricAdstock(l_max=8)
# alphaの事前分布をカスタマイズ(デフォルト: Beta(1,1) = 一様分布)
adstock = GeometricAdstock(
l_max=8,
priors={"alpha": {"dist": "Beta", "kwargs": {"alpha": 3, "beta": 3}}},
)
# → alpha ~ Beta(3,3): 平均0.5、0.2-0.8に集中する事前分布
WeibullAdstock(Weibull分布ベース)

項目内容クラス名WeibullAdstock(l_max=12, kind="PDF")パラメータlam(スケール)、k(形状)減衰パターンWeibull分布のPDFまたはCDFに従うl_max最大ラグ(TV広告等は12以上推奨)適用シーンTV、OOH、ラジオ。効果にピーク遅延(Delay)があるチャネル利点「出稿直後ではなく数週間後にピーク」というパターンを表現可能
WeibullAdstock(kind="PDF") の場合:
k < 1: 出稿直後にピーク → 急速に減衰(Geometric に類似)
k = 1: 指数減衰(Geometric と同等)
k > 1: 遅延ピーク → ベル型の減衰カーブ
例: k=2, lam=3 の場合:
Week 0: 0.000(出稿直後は効果なし)
Week 1: 0.198
Week 2: 0.439(ピーク付近)
Week 3: 0.494(ピーク)
Week 4: 0.395
Week 5: 0.218
→ TV広告の「認知の蓄積 → ピーク → 減衰」パターン
実装例:
from pymc_marketing.mmm import WeibullAdstock
# PDF型(ベル型の遅延効果)
adstock_pdf = WeibullAdstock(l_max=12, kind="PDF")
# CDF型(累積効果、立ち上がりが緩やか)
adstock_cdf = WeibullAdstock(l_max=12, kind="CDF")
Adstock選択の判断基準

判断基準GeometricAdstockWeibullAdstockデータ量少なくてもOK(50週〜)多いほうが安定(100週〜推奨)チャネル特性即効性(検索、SNS)遅延効果あり(TV、OOH)パラメータ数1(alpha)2(lam, k)推定の安定性高いやや低い(事前分布の設定が重要)迷ったらこちらを選択(初心者推奨)ドメイン知識がある場合
Saturation変換クラス
Saturation(飽和効果)は「広告支出を増やしても効果は無限に伸びず、どこかで頭打ちになる」という現象をモデル化します。収穫逓減の法則の数学的表現です。
LogisticSaturation(シグモイド型)

項目内容クラス名LogisticSaturation()パラメータlam(飽和の速さ)。lamが大きいほど早く飽和する数式S(x) = 1 - exp(-lam × x)適用シーンデフォルト推奨。特にドメイン知識がない場合はこれを使う利点パラメータが1つで安定。解釈もシンプル(「lamは飽和の速さ」)
lam = 0.001 の場合(飽和が遅い):
Spend = 1,000 → Effect = 0.63
Spend = 5,000 → Effect = 0.99(ほぼ飽和)
Spend = 10,000 → Effect = 1.00
lam = 0.0001 の場合(飽和が遅い):
Spend = 1,000 → Effect = 0.10
Spend = 10,000 → Effect = 0.63
Spend = 50,000 → Effect = 0.99(ほぼ飽和)
HillSaturation(Hill関数)

項目内容クラス名HillSaturation()パラメータsigma(半飽和点)、beta(Hill係数、曲線の急峻さ)数式S(x) = x^beta / (sigma^beta + x^beta)適用シーン半飽和点(支出がいくらで効果が50%に達するか)をビジネス上議論したい場合利点sigmaに「支出がこの額で効果が半分に達する」という直接的な経済的解釈がある
sigma = 5000, beta = 2 の場合:
Spend = 1,000 → Effect = 0.04(効果わずか)
Spend = 5,000 → Effect = 0.50(半飽和点: 50%の効果)
Spend = 10,000 → Effect = 0.80
Spend = 20,000 → Effect = 0.94
→ 「5,000ドル投下で効果の半分が得られる」と説明できる
TanhSaturation(双曲線正接型)

項目内容クラス名TanhSaturation()パラメータb(飽和の速さ)、c(スケーリング)数式S(x) = tanh(b × x + c)適用シーン急な飽和が予想されるチャネル(在庫制約、キャパシティ制約)利点Logisticより急峻な飽和カーブを表現可能
Saturation選択の判断基準

判断基準LogisticSaturationHillSaturationTanhSaturationパラメータ数122解釈のしやすさ◎◎(半飽和点)○推定の安定性◎○○ビジネス活用一般的「いくら使えば50%効果?」急飽和チャネル迷ったらこれを選択上級者向け特殊ケース
5. PyMC Marketing固有の機能
他のMMMライブラリにはないPyMC Marketing独自の機能群です。
機能概要どこで使う?Prior API全パラメータの事前分布を辞書形式で完全カスタマイズドメイン知識の組み込みsample_prior_predictive()データ前のモデル妥当性検証フィッティング前の必須チェックgeo_column パラメータ1つのMMMクラスで階層Geoモデルを構築(v0.18.0+)地域別分析HSGP時変パラメータチャネル効果の時間変化をモデル化(Vol.2で詳説)長期間データの分析optimize_budget()SLSQP+制約付き予算最適化予算配分の意思決定save() / load()NetCDF形式でモデル永続化本番運用・チーム共有Plotly対話的可視化ズーム・ホバーできるインタラクティブチャート(v0.18.0+)レポーティングMLflow autolog()実験追跡・モデルレジストリ統合本番運用(Vol.2で詳説)YAML駆動モデルMMM.from_yaml() でコードレス構築チーム展開・実験管理
Prior APIの具体例
PyMC Marketingでは、すべてのモデルパラメータの事前分布を辞書形式で指定できます。これは「ドメイン知識をモデルに注入する」ための仕組みです。
custom_priors = {
# チャネル効果: 「効果は正」「beta=0.5前後を期待」
"beta_channel": {
"dist": "HalfNormal",
"kwargs": {"sigma": 2},
},
# Adstock alpha: 「0.3-0.8に集中してほしい」
"alpha": {
"dist": "Beta",
"kwargs": {"alpha": 3, "beta": 3},
},
# 切片: 「ベースライン売上は正」
"intercept": {
"dist": "HalfNormal",
"kwargs": {"sigma": 5},
},
}
mmm = MMM(
date_column="date_week",
channel_columns=["x1", "x2"],
adstock=GeometricAdstock(l_max=8),
saturation=LogisticSaturation(),
model_config=custom_priors,
)
事前分布の選択によってモデルの推定結果は大きく変わります。「事前分布の設計 = ドメイン知識の翻訳」であり、PyMC Marketingの最大の利点であると同時に、最も注意が必要な工程です。
6. 他のMMMライブラリとの差別化ポイント
PyMC Marketingにあって他にないものなぜ重要かCLVモデル(BTYD全系列)広告効果だけでなく顧客価値まで一気通貫で分析Customer Choice Analysis(MV-ITS)新製品投入のカニバリゼーションを定量化4種のサンプリングバックエンドハードウェアに応じた柔軟な高速化YAML駆動モデル構築非エンジニアでも設定変更・実験管理が可能Prior APIによる完全カスタム事前分布ドメイン知識を直接モデルに反映MLflow autolog() 統合本番運用に必要な実験追跡をゼロ設定でPlotly対話的可視化経営層へのレポーティングに直接使えるStreamlitデモアプリ(リポジトリ同梱)即座にインタラクティブ分析を試せるClaude Code / Cursor の公式AI設定AIツールとの連携が公式にサポート(Vol.4参照)
Meridianとの比較

観点PyMC MarketingGoogle Meridian開発元PyMC Labs(オープンソースコミュニティ)GoogleバックエンドPyTensor + 4種サンプラーTensorFlow ProbabilityモジュールMMM + CLV + Customer ChoiceMMMのみGPU対応NumPyro/BlackJAX経由TFP経由事前分布完全カスタマイズ可能制限ありYAML駆動ありなしMLflow統合ありなしドキュメント45+ノートブック限定的コミュニティ活発(Discord、GitHub Issues)Google内部寄り
Robynとの比較

7. 導入事例
PyMC Marketing(またはその前身であるPyMC3ベースのMMM)を本番環境で運用している企業の公開事例を紹介します。チーム規模、運用頻度、具体的な成果を含む実務的な情報に焦点を当てます。
HelloFresh(ドイツ・ミールキットサブスクリプション)
HelloFreshはPyMC Marketingの最も有名な本番採用企業の1つです。データサイエンスチームがGoogleの元論文(Stan実装)をPyMCに移植し、自社データで運用を開始しました。
企業プロファイル:
業種: ミールキット宅配(サブスクリプション)
売上規模: 約70億ユーロ(2023年)
展開地域: 18カ国以上
チーム構成:
リード: Luca Fiaschi(MMM/マーケティングDS責任者)
チーム: データサイエンティスト複数名 + PyMC Labsコンサルタント
関係者: マーケティングチーム、ファイナンスチーム
運用頻度:
モデル更新: 定期的に再フィッティング
予算シミュレーション: 数百パターンの感度分析を実施
レポート: マーケティング計画サイクルに合わせて報告
具体的な成果:
1. 予測分散を60%削減
→ 対数変換 + Student-T尤度に切り替えたことで達成
2. 推論時間を20分→2分に短縮(10倍高速化)
→ Adstock関数のアルゴリズム最適化(二次時間→線形時間)
→ Numba JITコンパイルの導入
3. A/Bテストパイプラインを60倍高速化(5-6時間→5-6分)
4. TV広告への投資増加を推奨→翌四半期が同社最良の業績に
→ 当初マーケティングチームは懐疑的だったが、
モデルの推奨通りにTV予算を増加させた結果、大幅な売上増
経営層へのインパクト:
- 「ROASは2.5だが、94%信頼区間は1.8-3.2」という形で
不確実性を伝えることで、リスクを考慮した投資判断が可能に
- 不確実性の可視化が経営層の意思決定プロセスを根本的に変革
参考: HelloFresh Engineering Blog、PyMC Labs ケーススタディ
Bolt(エストニア・配車/モビリティサービス)
Boltは、プライバシー規制の強化によりアトリビューションモデルの精度が低下したことを契機に、PyMC Marketingを採用しました。
企業プロファイル:
業種: 配車サービス/モビリティ
展開地域: ヨーロッパ・アフリカ45カ国以上
MAU: 1億以上
チーム構成:
インハウスのデータアナリティクスチーム
(専任のMMM担当者が在籍、チーム規模は非公開)
運用頻度:
予算配分: 定期的に再最適化
What-Ifシミュレーション: Webベースのシミュレーター経由で随時
具体的な実装と成果:
1. Adstock(キャリーオーバー効果)+ Saturation(収穫逓減)を
デジタル・オフライン両チャネルに適用
2. 全結果を実験(A/Bテスト)と準実験(Google CausalImpact)で検証
3. チャネル別のレスポンスカーブを可視化し、
追加投資が効果を生まなくなる「プラトー点」を特定
4. Webベースの予算シミュレーターを構築
→ マーケターが自分でWhat-Ifシナリオを実行可能に
5. 目的別(市場シェア拡大/収益性/効率性)の
自動予算配分戦略を設計
オープンソース貢献:
- Boltの予算配分モデルをPyMC MarketingにPRとして還元
参考: Bolt Blog — Better Budgeting with Bayesian Models
Qonto(フランス・法人向けネオバンク)
Qontoは、PyMCを直接使用して(PyMC Marketingのラッパーではなく)MMMを構築し、その全過程を6回のブログシリーズとして公開しています。
企業プロファイル:
業種: 法人向けデジタルバンキング
顧客数: 50万社以上(ヨーロッパ)
評価額: 約50億ユーロ(2022年時点)
チーム構成:
専任データサイエンティスト: 少なくとも2名
- Louis Magowan(シリーズPart I, II, VI著者)
- Ruari Walker(Part III, IV, V著者)
※ 「Marketing Data Scientist」の求人を出しており、チーム拡大中
技術的な特徴:
1. Geometric Adstock + Logistic Saturation
2. MLflowでの実験管理(パラメータ追跡、モデルバージョニング)
3. DVCでのデータバージョニング・ストレージ管理
4. Google Cloud Platformとの連携(集中ストレージ)
5. 6回にわたるブログで全工程を詳細公開:
- Part I: プロジェクト開始
- Part II: データ準備
- Part III: モデル構造
- Part IV: ベイズ推論と事前分布設計
- Part V: PyMCでのモデル実装
- Part VI: MLOps(2024年11月公開)
参考: Qonto Medium — Marketing Mix Modeling Series
Lemonade(米国・オンライン保険)
Lemonadeは2025年1月にarXivで学術論文を公開し、オンライン保険事業におけるベイズMMMの全体像を報告しています。
企業プロファイル:
業種: オンライン保険(AI駆動型インシュアテック)
上場: NYSE(LMND)
具体的な成果:
1. オンライン広告、SNS、ブランドマーケティングの効果を推定
2. 季節性、市場トレンド、マクロ経済指標を考慮
3. モデルの予測がA/Bテストの結果と整合することを確認
4. 凸最適化によるシナリオ分析で感度を検証
5. 分析結果に基づいてマーケティング戦略を調整し、
予算配分をより効果的に改善
参考: Marketing Mix Modeling in Lemonade (arXiv:2501.01276)
Shell + Databricks(エネルギー大手)
Shellは、PyMC MarketingモデルをDatabricks上にデプロイし、技術者・非技術者の両方がアクセスできる環境を構築しています。
企業プロファイル:
業種: エネルギー
売上規模: 約3,000億ドル(2023年)
技術的な特徴:
1. Databricks上でPyMC Marketingモデルをスケール運用
2. MLflowでパラメータとコードバージョンを追跡
3. エンタープライズ規模のデータ処理
4. アクセスガバナンスとセキュリティの確保
5. 技術者以外のステークホルダーにも結果を公開
参考: Databricks Blog — Revolutionizing Tech Marketing
Ovative Group(米国・マーケティングアナリティクス代理店)
Ovative Groupは、PyMC Marketingを代理店ビジネスのコアツールとして位置付けています。
企業プロファイル:
業種: マーケティングアナリティクスの専門代理店
所在地: 米国
運用の特徴:
1. クライアントごとにカスタムMMMを構築
2. PyMC Marketingの柔軟性・カスタマイズ性を活用
3. MLflow + Google Cloud Platform(BigQuery/GCS)で集中管理
4. データエンジニアリング、メディア専門知識、戦略的柔軟性の
3つを組み合わせた統合サービスを提供
参考: Ovative Group — The Reality of Open-Source Media Mix Models
Haleon(英国・消費者向けヘルスケア、旧GSKコンシューマー)
企業プロファイル:
業種: 消費者向けヘルスケア製品(OTC医薬品等)
PyMC Labsとの協業:
- Nathan Kafi(Principal Data Scientist)がプロジェクトを主導
- PyMC Labsの支援で時変係数(Time-Varying Coefficients)を
MMMに導入し、季節性の捕捉を大幅に改善
- 「モデルの精度と解釈性の両方が大幅に向上した」と報告
その他の採用企業・組織
PyMC Labs公式サイトやカンファレンスから確認できる採用・活用事例:

企業名業種担当者活用内容Colgate-Palmolive消費財Iraklis Pappas(Global Head of AI)「最先端の問題に対する比類なき品質の仕事」と評価WiseフィンテックCarlos Eduardo Trujillo AgostiniPyMC Marketing ハッカソンに参加、MMM構築FREENOWモビリティWill Dean(Senior Data Scientist)PyMC Marketing Webinarで実践経験を共有Dentsu(電通)広告代理店—顧客案件でPyMC Marketingを活用学術研究——マーケティングサイエンス論文での引用が増加
導入企業から見えるパターン
1. チーム規模:
→ 最小2名のデータサイエンティスト(Qontoの事例)
→ 一般的には3-5名のDS/MLチーム + PyMC Labsコンサルタント
→ 大企業(Shell, Colgate)では専門チームが存在
2. 運用頻度:
→ 週次〜月次でモデル再フィッティング
→ What-Ifシミュレーションは随時(Bolt: Webシミュレーター)
→ 四半期ごとにモデル構造の見直し
3. 共通する成功パターン:
→ A/Bテストとの整合性検証を必ず実施
→ 不確実性(HDI)の可視化が経営層の信頼を獲得
→ MLflow等の実験管理ツールとの連携が標準
→ 段階的な導入(まず1チャネル→全チャネルへ拡大)
4. 業種の広がり:
→ フードテック(HelloFresh)
→ モビリティ(Bolt, FREENOW)
→ フィンテック(Qonto, Wise, Lemonade)
→ エネルギー(Shell)
→ 消費財(Colgate-Palmolive, Haleon)
→ 広告代理店(Ovative Group, Dentsu)
8. データ要件(PyMC Marketing APIの仕様)
MMMモデルに投入するデータには以下の要件があります。他のMMMツールと共通する部分もありますが、PyMC Marketing固有の注意点もあります。
必須列

列の種類説明PyMC Marketing固有の注意date_column日付列(datetime型推奨)parse_dates=["date_week"] でpandas読み込み。文字列のままだとエラーtarget_column目的変数(売上等)正の値のみ。HalfNormal事前分布と整合するようスケーリングを推奨channel_columnsチャネル支出列(1つ以上)0以上の値。欠損値(NaN)は許容されない
オプション列
列の種類説明control_columnsコントロール変数(気温、祝日等)。符号制約なしgeo_column地域列(階層モデル用、Vol.2で詳説)
データ品質チェックリスト
# PyMC Marketingに投入する前のチェック
def check_data_quality(df, date_col, target_col, channel_cols):
issues = []
# 1. 日付型チェック
if not pd.api.types.is_datetime64_any_dtype(df[date_col]):
issues.append(f"{date_col} が datetime型ではない → parse_dates で読み込む")
# 2. 欠損値チェック
for col in [target_col] + channel_cols:
na_count = df[col].isna().sum()
if na_count > 0:
issues.append(f"{col} に {na_count} 個の欠損値 → 補完が必要")
# 3. 負の値チェック
for col in channel_cols:
neg_count = (df[col] < 0).sum()
if neg_count > 0:
issues.append(f"{col} に {neg_count} 個の負の値 → 0以上にクリップ")
# 4. データ量チェック
n_weeks = len(df)
n_channels = len(channel_cols)
if n_weeks < 50:
issues.append(f"データが {n_weeks} 週のみ → 最低50週、推奨100週以上")
if n_weeks < n_channels * 20:
issues.append(f"チャネル数に対してデータが少ない({n_weeks}週/{n_channels}ch)")
# 5. 日付の等間隔チェック
date_diffs = df[date_col].diff().dropna().dt.days
if date_diffs.nunique() > 1:
issues.append(f"日付間隔が不均一 → リサンプリングが必要")
if issues:
for issue in issues:
print(f" ⚠️ {issue}")
else:
print(" ✅ データ品質チェック合格")
return len(issues) == 0
ここから先では、PyMC MarketingのAPIを使ったMMMモデル構築の完全なコードパイプライン(Step 0〜9)、トラブルシューティング、コピペ用パイプラインを解説します。
📌 ここから有料エリア(500円)
💰 この記事の投資対効果:
環境構築〜モデル構築の試行錯誤: 2〜3日削減
Adstock/Saturation設定のノウハウ: 1日削減
収束診断・デバッグ手順の理解: 1〜2日削減
合計時間価値: 約96,000円相当(時給3,000円 × 32時間)
📦 この先の内容:
✅ Step 0〜9の完全コードパイプライン(コピペ可能)
✅ GeometricAdstock / LogisticSaturationの設定ガイド(推奨値付き)
✅ 事前予測チェック → MCMCフィッティング → 収束診断(R-hat / ESS / トレースプロット)
✅ チャネル貢献度・ROAS算出 → 予算最適化(BudgetOptimizer実装)
✅ トラブルシューティング集(収束しない / メモリ不足 / 事前分布の調整)
✅ コピペ用パイプライン(1ファイルで動く完全版スクリプト)
500円の投資で、MMMモデル構築の試行錯誤を1週間分短縮
💡 お得な購入オプションのご案内
この記事は2つの方法でご購入いただけます:
プラン価格内容おすすめ単品購入500円この記事のみお試しの方スタンダードプラン5,000円/月全記事読み放題+今後の新作継続的に学びたい方 ⭐
スタンダードプランなら:
✅ PyMC Marketingシリーズ全5本(単品購入時2,400円相当)が読み放題
✅ MMMシリーズ全15本(単品購入時5,700円相当)も読み放題
✅ 今後追加される実践事例・アップデートも全て閲覧可能
ベイズマーケティング分析を本格的に学ぶなら、スタンダードプランが圧倒的にお得です