Python

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】

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、その翌週や翌々週にも売上が伸びている——そんな経験はないでしょうか。広告の効果は、出稿したその週だけで消えるわけではなく、しばらく残りながら少しずつ弱まっていきます。この残存効果をアドストックと呼びます。

この記事では、Google ColabのPython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。マーケティング・ミックス・モデリング(MMM)の基礎となる考え方です。

同じ分析をRで行う方法は、Rで広告の残存効果(アドストック)を計算する方法で紹介しています。MMMそのものについては、マーケティングミックスモデリング(MMM)とは?をご覧ください。

出稿量とアドストックの比較

アドストックの考え方

アドストックは、次の式で計算します。

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)

Pythonでアドストックを計算する

関数を作る

式のとおりに、1週目から順番に計算する関数を作ります。

import numpy as np

def adstock(x, rate):
    """出稿量 x に、残存率 rate のアドストックを適用する"""
    out = np.zeros(len(x))
    for i in range(len(x)):
        out[i] = x[i] + (rate * out[i - 1] if i > 0 else 0)
    return 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100、7週目に80のGRP(テレビCMの出稿量の単位)を出稿した場合を考えます。

grp = np.array([100, 0, 0, 0, 0, 0, 80, 0, 0, 0])
print(adstock(grp, 0.5).round(1))
print(adstock(grp, 0.7).round(1))

実行結果

[100.   50.   25.   12.5   6.2   3.1  81.6  40.8  20.4  10.2]
[100.   70.   49.   34.3  24.   16.8  91.8  64.2  45.   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が足されて81.6になっています。残存率0.7では、効果がより長く残ることがわかります。

グラフにして、元の出稿量と比べてみましょう。

!pip install -q matplotlib-fontja
import matplotlib.pyplot as plt
import matplotlib_fontja

weeks = np.arange(1, 11)
fig, ax = plt.subplots(figsize=(8, 4.5))
ax.bar(weeks, grp, color="#DCEBF5", label="出稿量(GRP)")
ax.plot(weeks, adstock(grp, 0.5), marker="o", color="#195379", linewidth=2, label="アドストック(残存率0.5)")
ax.plot(weeks, adstock(grp, 0.7), marker="o", color="#E67E22", linewidth=2, label="アドストック(残存率0.7)")
ax.set_xticks(weeks)
ax.set_title("出稿量とアドストックの比較")
ax.set_xlabel("週")
ax.set_ylabel("GRP")
ax.legend()
plt.show()

出稿量とアドストックの比較グラフ

scipyを使うともっと簡単

この計算は、信号処理の分野で使われる「再帰フィルター」と同じものです。scipyの lfilter() を使うと、1行で計算できます。データが多いときは、こちらのほうが速く計算できます。

from scipy.signal import lfilter

def adstock_fast(x, rate):
    return lfilter([1], [1, -rate], x)

adstock_fast(grp, 0.5).round(1)

実行結果

array([100. ,  50. ,  25. ,  12.5,   6.2,   3.1,  81.6,  40.8,  20.4,
        10.2])

自作の関数と同じ結果になりました。Rの stats::filter(x, rate, method = "recursive") と同じ計算です。

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します。

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にして作っています)。

import pandas as pd

rng = np.random.default_rng(3)
n_weeks = 52
tv = np.where(rng.uniform(size=n_weeks) < 0.35, rng.integers(50, 151, n_weeks), 0)  # 約35%の週にCMを出稿
true_ad = adstock(tv, 0.6)
sales = np.round(1000 + 2.5 * true_ad + rng.normal(0, 60, n_weeks))

df = pd.DataFrame({"week": range(1, n_weeks + 1), "tv": tv, "sales": sales})
df.head()

実行結果

   week   tv   sales
0     1   71  1115.0
1     2  120  1491.0
2     3    0  1243.0
3     4    0  1124.0
4     5  113  1267.0

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。回帰分析の方法は、Pythonで回帰分析をする方法で解説しています。

import statsmodels.api as sm

def r2_for(rate):
    X = sm.add_constant(adstock(df["tv"].to_numpy(), rate))
    return sm.OLS(df["sales"], X).fit().rsquared

result = pd.DataFrame({"rate": np.round(np.arange(0, 1.0, 0.1), 1)})
result["r2"] = result["rate"].map(r2_for).round(3)
result

実行結果

   rate     r2
0   0.0  0.554
1   0.1  0.617
2   0.2  0.679
3   0.3  0.737
4   0.4  0.788
5   0.5  0.823
6   0.6  0.833
7   0.7  0.793
8   0.8  0.657
9   0.9  0.252

sm.add_constant() は、回帰分析の式に切片を加えるための関数です。

決定係数が最も高くなる残存率を確認します。

best = result.loc[result["r2"].idxmax(), "rate"]
best

実行結果

np.float64(0.6)

本当の残存率(0.6)に近い値が見つかりました。

もっと細かく推定する

0.1刻みではなく、もっと細かく推定したいときは、scipyの minimize_scalar() で、決定係数が最も高くなる残存率を探せます。

from scipy.optimize import minimize_scalar

opt = minimize_scalar(lambda r: -r2_for(r), bounds=(0, 0.95), method="bounded")
print(f"推定した残存率: {opt.x:.3f}")

実行結果

推定した残存率: 0.577

推定した残存率でアドストックを計算し、回帰分析の係数を確認します。

model = sm.OLS(df["sales"], sm.add_constant(adstock(df["tv"].to_numpy(), opt.x))).fit()
model.params.round(2)

実行結果

const    1000.36
x1          2.69
dtype: float64

const は広告がなかったときの売上(ベース)、x1 はアドストック1単位あたりの売上の増加です。データを作ったときの値(ベース1000、効果2.5)に近い値が推定できました。

実務のMMMでは

実際のMMMでは、ここで紹介した方法に加えて、次のような点も考えます。

  • 複数の媒体:テレビ・Web広告・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、効果が頭打ちになる(収穫逓減)
  • 季節性・ほかの要因:季節、価格、キャンペーンなど、広告以外の要因も売上に影響する
  • ツール:GoogleのMeridianや、MetaのRobynなど、MMMのためのオープンソースのツールもPythonやRで使えます

アドストックは、こうしたMMMの土台になる考え方です。まずは自社のデータで、残存率を推定するところから試してみてください。

まとめ

  • アドストックは「今週の出稿量 + 残存率 × 先週のアドストック」で計算する
  • Pythonでは、forループの関数や、scipyの lfilter() で計算できる
  • 残存率は、いろいろな値で回帰分析をして、売上を最もよく説明する値を探す
  • minimize_scalar() を使えば、細かい値まで推定できる
  • 実務のMMMでは、複数の媒体・飽和効果・季節性もあわせて考える

株式会社Bistroでは、MMMによる広告効果の可視化と、広告運用への活用をご支援しています。お気軽にご相談ください。

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。