R

Rで広告の残存効果(アドストック)を計算する方法【MMMの基礎】

酒井 裕麻株式会社Bistro 代表取締役社長

テレビCMを流した週だけでなく、翌週、翌々週になっても売上が少し高いまま──こうした経験はないでしょうか。広告を見た記憶はすぐには消えず、効果がしばらく残るからです。

この「広告の残存効果」を数式で表したものをアドストック(Adstock)と呼びます。広告の効果を正しく測るためのマーケティング・ミックス・モデリング(MMM)では、欠かせない考え方です。

この記事では、Rでアドストックを計算する方法と、売上データから「効果がどれくらい残るか(残存率)」を推定する方法を解説します。

アドストックのイメージ

参考記事

マーケティングミックスモデリング(MMM)とは?重要性が増す3つの理由と成功事例を徹底解説
Rで回帰分析をする方法【lm関数・単回帰と重回帰・結果の読み方】

アドストックの考え方

もっとも基本的なアドストックは、次の式で表されます。

今週のアドストック = 今週の出稿量 + 残存率 × 先週のアドストック

残存率は0〜1の値で、「先週までの広告効果のうち、今週にどれだけ残るか」を表します。

  • 残存率0.5:効果が毎週半分ずつ残る(半減期は1週)
  • 残存率0.7:効果が毎週7割ずつ残る(長く効く)
  • 残存率0:効果は出稿した週だけ(残存効果なし)

Rでアドストックを計算する

関数を作る

adstock <- function(x, rate) {
  out <- numeric(length(x))
  for (i in seq_along(x)) {
    out[i] <- x[i] + if (i > 1) rate * out[i - 1] else 0
  }
  out
}

1週目から順番に、「今週の出稿量 + 残存率 × 先週のアドストック」を計算しています。

計算してみる

1週目にGRP(テレビCMの出稿量の指標)100、7週目にGRP 80のCMを流した場合を考えます。

grp <- c(100, 0, 0, 0, 0, 0, 80, 0, 0, 0)
round(adstock(grp, 0.5), 1)
round(adstock(grp, 0.7), 1)

実行結果

 [1] 100.0  50.0  25.0  12.5   6.2   3.1  81.6  40.8  20.4  10.2
 [1] 100.0  70.0  49.0  34.3  24.0  16.8  91.8  64.2  45.0  31.5

残存率0.5では、100 → 50 → 25 … と毎週半分になっていきます。7週目は、新しい出稿80に前週から残った1.6が加わって81.6になっています。残存率0.7では効果がより長く残り、6週目でもまだ16.8あります。

記事の冒頭のグラフは、この2つの残存率でのアドストックを、元の出稿量と比べたものです。

filter()を使うともっと簡単

実は、Rに標準で入っている stats::filter() でも、同じ計算が1行でできます。

round(stats::filter(grp, 0.5, method = "recursive"), 1)
Time Series:
Start = 1 
End = 10 
Frequency = 1 
 [1] 100.0  50.0  25.0  12.5   6.2   3.1  81.6  40.8  20.4  10.2

※dplyrを読み込んでいると、dplyrの filter() と名前がぶつかるため、stats::filter() と書いて区別します。

売上データから残存率を推定する

実際の分析では、残存率はわかっていません。そこで、いろいろな残存率でアドストックを計算し、売上を最もよく説明できる残存率を探すという方法をとります。

ここでは、52週分のテレビCMの出稿量と売上のシミュレーションデータを作って試してみます(このデータは、本当の残存率を0.6として作っています)。

set.seed(3)
weeks <- 52
tv <- ifelse(runif(weeks) < 0.35, round(runif(weeks, 50, 150)), 0)  # 約35%の週にCMを出稿
true_ad <- adstock(tv, 0.6)
sales <- round(1000 + 2.5 * true_ad + rnorm(weeks, 0, 60))

残存率を0から0.9まで0.1刻みで変えて、それぞれ回帰分析の決定係数(R²)を比べます。

fit_r2 <- sapply(seq(0, 0.9, 0.1), function(r) {
  summary(lm(sales ~ adstock(tv, r)))$r.squared
})
data.frame(rate = seq(0, 0.9, 0.1), r2 = round(fit_r2, 3))

実行結果

   rate    r2
1   0.0 0.610
2   0.1 0.679
3   0.2 0.747
4   0.3 0.812
5   0.4 0.870
6   0.5 0.917
7   0.6 0.941
8   0.7 0.922
9   0.8 0.815
10  0.9 0.527

残存率0.6のときに決定係数が最大(0.941)になりました。データを作ったときの本当の残存率0.6を、正しく見つけられています。

best <- seq(0, 0.9, 0.1)[which.max(fit_r2)]
coef(lm(sales ~ adstock(tv, best)))
      (Intercept) adstock(tv, best) 
      1008.040005          2.492762 

アドストック1単位あたりの売上への効果も2.49と、設定した値(2.5)にほぼ一致しました。

残存率0(=残存効果を考えない)の場合の決定係数は0.610なので、残存効果を考慮するだけで、売上の説明力が大きく上がることがわかります。広告の効果を出稿した週だけで評価すると、効果を小さく見積もってしまうのです。

実務のMMMでは

今回は1つの広告媒体だけの簡単な例でしたが、実際のMMMでは、さらに次のような要素を組み合わせます。

  • 複数の媒体:テレビ・Web広告・SNS・チラシなど、媒体ごとに残存率が違う
  • 飽和効果:広告を増やしすぎると、効果の伸びが鈍くなる(収穫逓減)
  • 季節性・価格・天候などの外部要因:広告以外で売上を動かす要因
  • ベイズ統計による推定:GoogleのMeridianやMetaのRobynといった、MMM用のツールも公開されています

まとめ

  • 広告の効果は、出稿した週のあとにも残る(アドストック)
  • 「今週の出稿量 + 残存率 × 先週のアドストック」で計算できる
  • Rでは、ループで書くか stats::filter(x, rate, method = "recursive") で計算できる
  • 残存率を変えながら回帰分析をして、最もよく当てはまる値を探す
  • 残存効果を無視すると、広告の効果を過小評価してしまう

アドストックは、「広告の効果を正しく測りたい」というマーケティングの課題に統計で答えるための第一歩です。株式会社Bistroでは、MMMによる広告効果の測定もご支援していますので、お気軽にご相談ください。

同じことをGoogle ColabのPythonで行う方法は、Pythonで広告の残存効果(アドストック)を計算する方法【MMMの基礎】で紹介しています。

CONTACT

データ活用のお悩み、
直接相談しませんか。

「何から始めればいいかわからない」段階でも大丈夫です。課題の整理からお手伝いします。