Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Rで広告効果のモデリング vol.2

Rio
September 02, 2023

Rで広告効果のモデリング vol.2

Rio

September 02, 2023
Tweet

More Decks by Rio

Other Decks in Marketing & SEO

Transcript

  1. アジェンダ 1. Introduction ◦ MMMとは? ◦ 現代のマーケティングにおける MMMの立ち位置 2. RでできるMMM

    ◦ Robyn(RベースのMMMパッケージ)の概要 ◦ RobynでのMMM実施プロセス ◦ 結果の読み解き方 3. 最後に
  2. マーケティング戦略の効果測定に対する新たな考え方 Measurement 360 [1] で定義される効果測定フレームワークの定義 1. ビジネスの目標を定義し、そのために必要な測定対象を定める 2. 現在の効果測定フレームワークを点検する 現在の効果測定のどこに欠陥があるのかを把握し、将来的な試験運用や連携するツールの

    選定材料とする 3. ファーストパーティデータを利用して、より先進的なアナリティクスを構築する プライバシー保護を前提としたアナリティクスに配慮する 4. さまざまな手法を試す 5. 包括的な「テストと分析」アプローチを取り入れる 6. 継続的に調整する - 複数のデータソース・アナリティクスの結果を総合的に判断する - さまざまなタイプの効果測定を行って、継続的に調整する https://www.facebook.com/business/news/adva nced-measurement-strategy 近年の広告を取り巻く環境の複雑化・プライバシーへの配慮・膨大なデータを活用した戦略の最適化 に対応するため、新たな効果測定の考え方が提唱されている
  3. モデルインプットの定義 DATE holiday country year 2020/01/01元日 JP 2020 2020/01/13成人の日 JP

    2020 2020/02/11建国記念の日 JP 2020 2020/02/23天皇誕生日 JP 2020 2020/02/24休日 JP 2020 2020/03/20春分の日 JP 2020 dt_inputのデータフォーマット dt_holidaysのデータフォーマット 基本情報
  4. モデルインプットの定義 基本情報 パラメータ名 定義 date_var 日付を示すカラム名、 ”YYYY-MM-DD”の形式 *大文字小文字を区別する dep_var 目的変数(モデル化

    /予測対象)のカラム名 、一つのみ指定可能 dep_var_type 目的変数の種類、"revenue" or "conversion" prophet_vars 週次/月次データの場合"trend", "season", "holiday"を使用 日次データの場合"trend", "season", "weekday", "holiday"を使用 prophet_country 祝日データの対象国の略称、 2文字で入力、例: US window_start, window_end モデリング期間の開始日と終了日 、 ”YYYY-MM-DD”の形式
  5. モデルインプットの定義 モデリング情報 パラメータ インプット context_vars 非マーケティング要素の名前 paid_media_spends ペイドメディア費用の変数名 paid_media_varsと同じ順序で入力 paid_media_vars

    露出指標(インプレッション)の変数名 paid_media_spendsと同じ順序で入力 *露出指標がない場合、 paid_media_spendsと同じ値を入力 organic_vars 費用を伴わないマーケティング活動 (ニュースレター、ソーシャルメディアへの投稿など) factor_vars コンテキスト変数・オーガニック変数のうち、 数値として表現されない変数名
  6. 広告効果の変換 - 変換の概要 • Ad-Stock/Diminishing Returnsそれぞれの性質を一般的に表現できる確率分布を 用いてデータを変換する 1. 残存効果(Ad-Stock) •

    投下した広告の効果がどのくらい持続する か? 2. 飽和効果(Diminishing Returns) • 広告がもたらす効果の限界
  7. RobynによるMMMのモデリング • 以下変数を線形に結合 ◦ チャネルごと広告投下予算 (Ad-Stock, Diminishing Returns変換済み) ◦ 時系列要素(休日、季節性、トレンド)

    ◦ その他 (マーケティング予算が発生しない活動、マクロ経済的要素 ) • チャネル間の相関(多重共線性)に対処するためのリッジ回帰を実装
  8. 出力されたモデリング結果を読み解く • 右図のようなone-pager形式のレポートが出力対象となる モデルタイプの数だけ出力される • コンテンツは下記で構成される ◦ モデル精度 *タイトル下 ◦ レスポンスのチャネル別分解(①)

    ◦ 実測値と予測値の比較(②) ◦ 予算投下チャネルの ROI(③) ◦ ROIの信頼区間(④) ◦ Adstockの可視化(⑤) ◦ 即時効果とキャリーオーバー効果の可視化(⑥) ◦ レスポンスカーブ(⑦) ◦ 残差プロット(⑧) ① ② ③ ④ ⑤ ⑥ ⑦ ⑧
  9. Robynによる最適予算配分のシミュレーション モデリング結果をもとに、最適なチャネル別予算配分とその時に予測される KPIを可視化。それを実績として出ている予算配 分及びKPIと比較することができる channel A channel B channel C

    channel D channel E 現状の予算配分 最適予算配分 モデリングにより最適なモデル(の 候補群)を出力 各モデルの結果をもとに、最適な 予算配分のシミュレーションを実 行
  10. シミュレーションのアウトプットイメージ 実績と最適化後の予算・ KPIの比較(トータル) • 実績に対して、最適化の結果どのようにトータルの KPIが変化するかを判断する • 左から a. 実績値

    b. モデリングによる最適化後の予算変化幅 c. bの3倍の変化幅 実績と最適化後の予算・ KPIの比較(チャネル別) • 最適化のために各チャネルの予算をどれだけ変化させる必要があるか、 各チャネルから得られるリターンがどう変化するかを判断する • 左から a. 実績値 b. モデリングによる最適化後の予算変化幅 c. bの3倍の変化幅 各チャネルのサチュレーションカーブ • 効力の推移の観点から、各メディアの最適な投資額を判断する • 凡例 ◦ 白:Adstock効果(残存する効果の程度) ◦ 灰色:実績値(現状どの程度のパフォーマンスなのか) ◦ 青・茶色:最適化後のパフォーマンスがどうなのか *茶色は青の最適化の 3倍に変化幅を広げた時の可視化
  11. 参考 [1] Measurement 360: 効果測定戦略に対する先進的な考え方 [2] How to maximise a

    full-funnel media strategy with measurement [3] How to bring your marketing mix modeling into the 21st century [4] Taylor SJ, Letham B (2017). “Forecasting at scale”. [5] Prophet入門【理論編】Facebookの時系列予測ツール [6] Robyn