媒体のコンバージョンと、売上が合わない：広告の採算は、管理画面ではなく台帳側で見る
媒体の管理画面のコンバージョンを足しても、売上の実数と合わない──媒体の申告と受注の台帳は別の数直線なので、合わないのが普通です。採算の正を台帳側に置き、広告費を突き合わせると何が言えるようになるか（広告依存度・新規か既存か・増やした分の戻り）を整理しました。
読む広告を止めずに、効果を測りたい：MMM（マーケティング・ミックス・モデリング）は何に答えるか
広告の増分に直接答える方法は、止めるか、一部に届けないかの実験です。ただ、全チャネルで常に実験し続けることはできません。止めずに測り続ける道具として、GoogleとMetaはMMM（マーケティング・ミックス・モデリング）のツールを無償公開しています。一方で、MMMは推定であり、両社の文書自身が実験での較正を勧めています。株式会社SaaTsuは、管理画面・実験・MMMの三者の役割分担を整理しました。どの問いをどの道具で測るかを決める。それがこの記事の目的です。
MMM（マーケティング・ミックス・モデリング）とは
MMM（マーケティング・ミックス・モデリング）とは、マーケティングと非マーケティングの活動が売上に与えた増分の影響とROIを、統計モデルで定量化する分析のことです。この定義は、MetaのMMMツールRobynのアナリスト向けガイドが置いているもの ── プライバシーに配慮した、非常に頑健な、データドリブンな統計分析 ── の訳にもとづいています（Meta「Robyn: Analyst’s guide to MMM」、2026年10月16日取得。英文は原文［1］に置いています。訳は私たちのものです）。
道具は両社が無償で公開しています。GoogleのMeridianは、Googleが作ったオープンソースのMMMと自己定義し（Google「Meridian」製品ページ、2026年10月16日取得。原文［3］）、MetaのRobynは、Meta Marketing Scienceによる実験的（experimental）でAI/ML駆動のオープンソースMMMパッケージと自己定義しています（Robyn公式サイトのトップページ、2026年10月16日取得。原文［4］。いずれも訳は私たちのものです。2つのツールの優劣を言うものではありません）。
なぜいま、止めずに測る道具が要るのか
1 増分の「正」は実験 ── でも、止め続けられない
増分の因果に直接答えるのは実験です。広告を止める、または配信対象の一部に意図的に届けない方法で、「なければ起きなかった分」を直接測ります（読み方は広告の増分は、測り方で符号まで変わる）。ただし全面停止には売上側のリスクが伴い、全チャネル・全期間で実験を回し続けることは現実には難しい ── ここが、止めずに測り続ける道具の持ち場です（この持ち場の整理は私たちのものです）。
2 シグナルが細った後も、集計データで動く
Robynのガイドは、MMMの主要な強みの1つはシグナル喪失を乗り越えることだとし、マルチタッチアトリビューションのような他のモデルがオンラインのシグナルに強く依存するのに対し、MMMはユーザー単位のデータを必要とせず、キャンペーン単位などの集計データで動く、と説明しています（Meta「Robyn: Analyst’s guide to MMM」、2026年10月16日取得。原文［1］）。識別子の制度が変わって個人単位の計測が細った経緯はROASの悪化の切り分けで扱いました。集計データで動くという設計は、その制度の変化に対する答え方の1つです。
3 両社とも、広告の逓減を前提にモデルを組んでいる
Meridianのモデル仕様は、標準モデルをメディア変数に非線形のパラメトリック変換を掛けた地域階層モデルと定義し、式には飽和（Hill）と残存（Adstock）を組み合わせたHillAdstock変換が入っています。同じページは別の箇所で、このモデルを先行研究のベイズモデルの拡張と位置づけています（Google「Meridian: Model specification」、2026年10月16日取得。原文［2］）。Robynも、飽和と残存を変数変換としてモデルに組み込んでいます（Meta「Robyn: Analyst’s guide to MMM」、2026年10月16日取得）。広告の反応は使うほど増えにくくなる、という前提を両社が数式に置いていることの意味は、広告費を増やしたらROASが下がったで扱いました。MMMは、その逓減カーブの上で「どこまで使うか」を推定する道具です。
三者は、何に答えて、何に答えられないのか
管理画面のROAS・実験・MMMは、競合する道具ではなく、別の問いに答える道具です。並べ方は私たちの整理です。
| 道具 | 答えるもの | 答えられないもの | 必要なもの |
|---|---|---|---|
| 管理画面のROAS | その媒体が見た関与の記録。日々の運用の異常検知 | 増分（管理画面の数字は、広告がなくても起きた分を含み得るため） | 媒体の計測設定 |
| 実験（停止・除外群） | 増分の因果。正解値（ground truth）とみなされる | 全チャネル・全期間の常時計測（止める又は届けない期間が要る） | 実験の設計と、我慢する期間 |
| MMM | 集計データからの、チャネル横断の寄与とROIの継続的な推定 | 因果の確定（推定であり、実験での較正が推奨される） | 頑健な結果には、最低2年分の週次の集計データ（Robynのガイド） |
三者の並べ方と「答えるもの・答えられないもの」の整理は私たちのもの。MMM行のデータ要件と較正の推奨はMeta「Robyn: Analyst’s guide to MMM」（2026年10月16日取得）の記述にもとづく。
1 管理画面のROAS ── 毎日見られる、関与の記録
管理画面の数字は、その媒体が計測できた範囲の関与の記録で、毎日見られる速報です。ただし計測の欠けで動き（切り分けの記事）、増分には答えず、採算の正は台帳側に置きます（広告の採算を台帳側で見る）。
2 実験 ── 増分の因果に答える「正」
実験は増分の因果に答えますが、止めるか届けない期間が要ります。だから常設はホールドアウトの形になり、全チャネルを常にはカバーできません。
3 MMM ── 止めずに推定し、実験で較正する
MMMは、止めずに、チャネル横断の寄与を継続的に推定します。ただし推定です。Robynのガイド自身が、正解値（ground truth）とみなせる実験的・因果的な結果を使ってMMMを較正することを強く推奨する、と書き、継続的・定期的にインクリメンタリティの調査を実施して、MMMを常に較正できる結果を持つことを勧めています（Meta「Robyn: Analyst’s guide to MMM」、2026年10月16日取得。原文［1］）。Googleも、Meridianの製品ページで、実験でMMMを較正することと、地域実験（GeoX）をその手段にすることを前面に出しています（Google「Meridian」製品ページ、2026年10月16日取得。原文［3］）。実験とMMMは対立ではありません。実験が正、MMMがそれで較正される継続的な推定、という組み合わせです（この言い方は私たちの整理ですが、較正の推奨は両ツールの文書それぞれにあります）。
あわせて押さえる言葉
① MMM（マーケティング・ミックス・モデリング）
マーケティングと非マーケティングの活動が売上に与えた増分の影響とROIを、統計モデルで定量化する分析です（定義の出どころはMeta「Robyn: Analyst’s guide to MMM」、2026年10月16日取得。訳は私たちのもの）。ユーザー単位のデータではなく集計データで動く、というのも同ガイドの別の記述です。
② Meridian
Googleが作ったオープンソースのMMMです。標準モデルは地域階層モデルで、飽和と残存の変換（HillAdstock）が式に入っています。同ページは別の箇所で、先行研究のベイズモデルの拡張と位置づけています（Google「Meridian」製品ページ・「Model specification」、2026年10月16日取得。訳は私たちのもの）。
③ Robyn
Meta Marketing Scienceによる、実験的（experimental）でAI/ML駆動のオープンソースMMMパッケージ、というのが公式サイトのトップページの自己定義です（2026年10月16日取得。訳は私たちのもの）。
④ 較正（キャリブレーション）
実験などで得た正解値（ground truth）に合わせて、モデルの推定を調整することです。Robynのガイドは実験的・因果的な結果での較正を強く推奨しています（Meta「Robyn: Analyst’s guide to MMM」、2026年10月16日取得。訳は私たちのもの）。
⑤ レスポンスカーブ（飽和曲線）
支出と反応の関係の曲線で、チャネルの支出が最適な水準か、飽和に近づいているかを示し、予算の再配分の示唆を与える、とされています（Meta「Robyn: Analyst’s guide to MMM」、2026年10月16日取得。訳は私たちのもの）。
導入判断の前に、確かめる3つ
1 データの量と粒度が足りているか
Robynのガイドは、頑健な結果を得るには最低2年分の週次の過去データが必要だとしています。月次データしかない場合は、2年より長く（例として4〜5年）集めることを強く推奨しています（Meta「Robyn: Analyst’s guide to MMM」、2026年10月16日取得。原文［1］）。粒度は週次で集めるのがベストプラクティスで、日次も追加の検証を条件に許容されます。モデルに入れる変数の数には、独立変数1つにつき観測10という推奨比率もあります（いずれも同ガイド）。先に確かめるのはツールの機能ではありません。自社のデータが、この量と粒度で存在するかです。
2 入力は、台帳から出る
両ツールはオープンソースで無償ですが、入力 ── 週次で集計された広告費・成果・非マーケティング要因のデータ ── は自社で用意するものです。顧客単位で数えられる台帳（顧客台帳のつくり方）と、台帳への広告費の突き合わせ（広告の採算を台帳側で見る、の記事）が先にあると、MMMの入力はその集計として出せます。ツールが無償でも、要るものは要る ── 要るのはデータの整いです（この接続は私たちの整理です）。
3 実験と併走する前提で入れる
最後に、MMMを実験の代わりとして入れるのではなく、実験と併走させる前提で入れます。較正の推奨は両ツールの文書それぞれにあり、Robynのガイドはインクリメンタリティの調査を継続的・定期的に実施することを勧めています（Meta「Robyn: Analyst’s guide to MMM」、2026年10月16日取得）。増分の実験の設計は増分の記事で扱っています。
獲得したあとの数字を、どこから見るか。論点だけ先に揃えます。
ご相談は営業を受ける場ではありません。一行でも構いませんし、フォームは7項目・3分で送れます。
MMMについて、よくある質問
MMM（マーケティング・ミックス・モデリング）とは何ですか？
マーケティングと非マーケティングの活動が売上に与えた増分の影響とROIを、統計モデルで定量化する分析です（定義の出どころはMeta「Robyn: Analyst’s guide to MMM」、2026年10月16日取得。訳は私たちのもの）。ユーザー単位のデータを必要とせず、キャンペーン単位などの集計データで動く、とされている点が、個人の識別に頼る計測との違いです。
MMMがあれば、実験は不要になりますか？
両ツールの文書は逆のことを勧めています。Robynのガイドは、正解値（ground truth）とみなせる実験的・因果的な結果を使ってMMMを較正することを強く推奨し、インクリメンタリティの調査を継続的・定期的に実施することを勧めています（Meta「Robyn: Analyst’s guide to MMM」、2026年10月16日取得。訳は私たちのもの）。GoogleもMeridianの製品ページで、実験でMMMを較正することに触れています（2026年10月16日取得）。実験が正、MMMは較正される推定、という組み合わせで使います。
MMMの導入には、どんなデータが要りますか？
Robynのガイドは、頑健な結果を得るには最低2年分の週次の過去データが必要で、月次しかない場合は2年より長く（例として4〜5年）集めることを強く推奨する、としています（Meta「Robyn: Analyst’s guide to MMM」、2026年10月16日取得。訳は私たちのもの）。粒度は週次がベストプラクティスで、変数1つにつき観測10という推奨比率もあります（同ガイド）。ユーザー単位のデータは必要とされていません。
管理画面のROASとMMMの数字が違うとき、どちらを信じればよいですか？
別の問いに答えている数字なので、どちらかを選ぶ話ではありません。管理画面はその媒体が見た関与の記録、MMMは集計データからのチャネル横断の推定です（この整理は私たちのものです）。採算の判定の正は、どちらでもなく台帳側の受注・売上に置き、管理画面とMMMはそれぞれの持ち場で並べて読みます。
MeridianとRobynは、どちらを選べばよいですか？
この記事では優劣を判定しません。公式の自己定義を並べると、MeridianはGoogleが作ったオープンソースのMMMで、標準モデルは地域階層モデル（同ページは別の箇所で、先行研究のベイズモデルの拡張と位置づけています。Google「Meridian」製品ページ・「Model specification」、2026年10月16日取得）。RobynはMeta Marketing Scienceによる実験的（experimental）でAI/ML駆動のオープンソースパッケージです（Robyn公式サイト、2026年10月16日取得。いずれも訳は私たちのもの）。選定は、自社のデータの形と、モデルを運用する体制で変わります。
まとめ
MMMとは、マーケティングと非マーケティングの活動が売上に与えた増分の影響とROIを、統計モデルで定量化する分析です（ユーザー単位ではなく集計データで動く、というのも同じガイドの記述です）。GoogleのMeridianとMetaのRobynが、オープンソースで無償公開されています（それぞれの自己定義は本文のとおりで、優劣は判定していません）。
役割分担は三者です。管理画面のROASは毎日見られる関与の記録、実験は増分の因果に答える正、MMMは止めずに続けられるチャネル横断の推定。MMMは推定なので、実験の結果を正解値（ground truth）として較正することを、Robynのガイドは強く推奨し、Meridianの製品ページも実験での較正に触れています（いずれも2026年10月16日取得）。実験とMMMは、対立ではなく組み合わせです。
導入判断の前に確かめるのは3つです。データの量と粒度（頑健な結果には最低2年分の週次データ、月次なら2年より長く（例として4〜5年）の収集が強く推奨される。変数1:観測10の比率も。Robynのガイド、2026年10月16日取得）、入力が台帳から出せるか（ツールが無償でも、週次で集計された広告費・成果のデータは自社で用意するもので、台帳と広告費の突き合わせが前提になります）、そして実験と併走する前提があるか。
ROASの悪化の切り分けから始まり、増分の測り方、打ち手の仕分け、データの4つの段、そして止めずに測るMMMまで ── どの道具も、顧客単位で数えられる台帳の上で動きます。数字の置き場を自社に持つことが、この連載を通じた前提でした。
MMMの入力を出せる状態か、その手前の台帳の現在地 ── 自社の売上のうち、新規の獲得と既存の継続がそれぞれどれだけを占めているか ── は、顧客資産化診断（7問・約3分）で分解できます。
出典と、書けなかったこと
出典と注記を開く
出典
・Meta「Robyn: Analyst’s guide to MMM」ページを見る ── MMMの定義（マーケティング・非マーケティング活動の増分の影響とROIを定量化する統計分析）、シグナル喪失への強さ（ユーザー単位データ不要・集計データで動く）、データ要件（頑健な結果には最低2年分の週次データ・月次なら2年より長く（例として4〜5年）の収集を強く推奨・週次がベストプラクティス・変数1:観測10の推奨比率）、実験的・因果的な結果をground truthとしてMMMを較正することの強い推奨と、インクリメンタリティ調査の継続的・定期的な実施の推奨、レスポンスカーブの説明。発行日の表記はなく、取得は2026年10月16日・Robyn公式サイト（トップページ）ページを見る ── RobynがMeta Marketing Scienceによる実験的（experimental）でAI/ML駆動のオープンソースMMMパッケージであるという自己定義、PIIや個人のログレベルデータを必要としない旨、CookieやPixelのデータに依存しない旨。取得は2026年10月16日
・Google「Meridian」製品ページページを見る ── MeridianがGoogleの作ったオープンソースのMMMであるという自己定義、実験でMMMを較正すること（チャネル横断）と地域実験（Meridian GeoX）への言及。取得は2026年10月16日
・Google「Meridian: Model specification」ページを見る ── 標準モデルがメディア変数に非線形のパラメトリック変換を掛けた地域階層モデルである旨と、モデル式のHillAdstock（飽和と残存）変換。取得は2026年10月16日
・取得方法：4ページともコマンドラインで取得し、タグを除去したテキストを読みました（要約ツールは不使用）。機械抽出のため、英語の逐語は取得したテキストの字面のまま「引用した原文」に置いています。いずれも英語ページで、訳はすべて私たちが作りました。
書けなかったこと
・三者（管理画面・実験・MMM）の役割分担の表、入出力と組み合わせの図、導入前の3つの確認は、いずれも私たちの整理で、引いた資料の構成ではありません。・MMMの精度・効果の保証は書いていません。出力は推定で、較正の推奨が両ツールの文書にあります。「MMMで売上が何%改善した」という事例の数字も使っていません。引いたページにないためです。
・MeridianとRobynの優劣・精度の比較はしていません。比べられる一次資料に拠っていないためです。モデルの中身（ベイズ推定・Ridge回帰・ハイパーパラメータ最適化など）の技術的な解説と、導入の手順にも立ち入っていません。導入判断の手前までがこの記事の範囲です。
・データ要件（最低2年の週次・1:10など）はRobynのガイドの記述で、Meridian側の要件としては引いていません。社ごとの記述は社ごとに紐づけています。
・MMMの運用に人の判断が要る点（Robynのガイドにはアナリストの介在の必要性の記述があります）は、導入体制の話として本文では深掘りしていません。
・図と表は私たちが置いた構成で、引いた資料には載っていません。
引用した原文
原文を開く（4件）
［原文］引用した資料の記載
［1］Meta「Robyn: Analyst’s guide to MMM」（発行日の表記なし、2026年10月16日取得。英語原文のまま。訳は私たちのもの）：定義：“Marketing mix modeling (MMM) is a privacy-friendly, highly resilient, data-driven statistical analysis that quantifies the incremental sales impact and ROI of marketing and non-marketing activities.” ／ シグナル喪失：“one of the key strengths of MMM is it overcomes signal loss. Other models such as multi-touch attribution are very reliant on online signals, whereas MMM does not need user level data and instead it runs off aggregated data (such as campaign level) data.” ／ データ要件：“In order to get robust results, an MMM will need a minimum of two years of historical weekly data. If monthly data is only available, then it is strongly recommended to collect more than two years (e.g. 4-5 years) in order to increase the number of data points for the model.” ／ 粒度：“Time: Aim to collect data at the weekly level as best practice. Daily data can also be acceptable, however this would require extra data validations.” ／ 変数と観測の比率：“The recommended ratio of data points is 1 independent variable : 10 observations.” ／ 較正：“As mentioned above, we strongly recommend using experimental and causal results that are considered to be the ground truth to calibrate MMM.” ／ 継続的な調査：“It is recommended to run incrementality studies on an ongoing and regular basis in order to have results that can permanently calibrate the MMM.” ／ レスポンスカーブ：“Sometimes called saturation curves, response curves indicate if a specific media channel’s spend is at an optimal level or if it is approaching saturation and therefore suggest potential budget reallocation.”
［2］Google「Meridian: Model specification」（2026年10月16日取得。英語原文のまま。訳は私たちのもの）：“The standard Meridian model is a geo-level hierarchical model with non-linear parametric transformations on the media variables.” ／ 同ページのモデル式は、有料メディア変数に HillAdstock（飽和のHill関数と残存のAdstock関数の組み合わせ）の変換を適用している（式はこの欄では省略。原文ページ参照）。
［3］Google「Meridian」製品ページ（2026年10月16日取得。英語原文のまま。訳は私たちのもの）：“Meridian is an open-source MMM built by Google that provides innovative solutions to key measurement challenges.” ／ 同ページ：“Calibrate MMMs with experiments, across channels” ／ 同ページ（GeoX）：“Run geo experiments to calibrate your MMM.”
［4］Robyn公式サイト トップページ（2026年10月16日取得。英語原文のまま。訳は私たちのもの）：“Robyn is an experimental, AI/ML-powered and open sourced Marketing Mix Modeling (MMM) package from Meta Marketing Science.” ／ 同ページ（Private by Design）：“Privacy friendly, with no requirement for PII or Individual log level data” ／ 同ページ：“Not dependent on Cookies or Pixel data”
執筆者
永野 陽平
お問い合わせ
御社の現在地を教えてください。
7つの質問で、御社の顧客がいま資産に変わっているかが分かります。
3分・登録不要。結果を見てからご相談いただけます。