電通の「事業グロース実践ウェビナー」では、日々進化するビジネスの最新の知見を発信しています。本連載では、事業グロース実践ウェビナー2022 by 電通People Driven Marketingから、注目のセッションをピックアップ!登壇者に改めてお話を伺います。 今回のテーマは、今注目を浴びつつある「MMM」(マーケティング・ミックス・モデリング)。「統計技術」を用いて、さまざまなマーケティング施策の効果を可視化し、将来のメディア施策の予算配分を最適化するアプローチです。 今回は電通グループの知見を踏まえた、実践的MMM導入のアプローチの解説です。統計プロフェッショナルである田中悠祐氏、MMMにマーケティングのプロとして向き合っている福田博史氏、グローバルで豊富なMMM実績を持ち、現在はデータ活用のソリューションカンパニーである電通クロスブレインで代表取締役を務める川邊忠利氏という、電通
以前「Ads carryover & shape effects付きのMedia Mix Modeling」という記事で取り上げたベイジアンMMMのtechnical report (Jin et al., 2017)ですが、当時RStanで実装されていたものが4年の時を経て時代の趨勢に沿う形でPythonベースのOSSとしてリリースされています。 それがLightweight MMM (LMMM)です。ベイジアンモデリング部分はNumPyroによるMCMCサンプラーで実装されており、さらにはモダンなMMMフレームワークにおいて標準的とされる予算配分の最適化ルーチンも実装されています。全体的な使い勝手としては、まだ開発途上の部分もあるので時々痒いところに手が届かない感があるものの、概ねRStanで実装したものと似たような感じに仕上がっているという印象です。 ということで、LMMMがどんな感
Marketing mix modeling (MMM) is a process used to quantify the effects of different advertising mediums, i.e. media. It is also used to optimize the spend budget over these different mediums. The popular method of choice is multiple regression analysis. The model also takes into account other variables such as pricing, distribution points, and competitor tactics. This article will explain the math
RobynRobyn is an experimental, AI/ML-powered and open sourced Marketing Mix Modeling (MMM) package from Meta Marketing Science. A New Generation of Marketing Mix ModelingOur mission is to democratise modeling knowledge, inspire the industry through innovation, reduce human bias in the modeling process & build a strong open source marketing science community. Automated hyperparameter optimization w
What is Robyn?: Robyn is an experimental, semi-automated and open-sourced Marketing Mix Modeling (MMM) package from Meta Marketing Science. It uses various machine learning techniques (Ridge regression, multi-objective evolutionary algorithm for hyperparameter optimization, time-series decomposition for trend & season, gradient-based optimization for budget allocation, clustering, etc.) to define
この記事では、FacebookExperimentalのRobynの最初の概要を説明します。Facebookのマーケティングサイエンスチームはすでに優れたクイックスタートガイドと非常に詳細なページを作成しているので、記事を短く簡潔に保つようにしています。詳細な説明のために、あなたはより多く見つけることができるここで情報を。 tl; dr Facebook ExperimentalのRobynは、自動化されたマーケティングミックスモデリング(MMM)コードであり、現在ベータ版です。 これは、特徴変換のための2つのアドストック(幾何学的およびワイブル)およびS曲線変換(収穫逓減)手法を提供します。 時系列機能を考慮に入れるために、RobynはFacebookProphetを利用します。 FacebookのNevergrad勾配のない最適化プラットフォームを利用して、一連のパレート最適モデルソリ
これは単なる備忘録です。「論文とサンプルコード読みながら試しました」以外に何も内容のない記事ですのでご注意ください。特に個々の式の変数の説明については個人的な備忘録ゆえ大半を端折りますので、仮に興味を持たれた方は適宜論文の本文をご参照下さい。読んだ論文はこちら。 Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects – Google Research なお、この記事を書くに当たってid:ushi-goroshiさんのこちらのブログ記事シリーズを参考にさせていただきました。分かりやすくて大変助かりました、有難うございます。 それでは適当にやっていきます。 Ads carryover & shape effectsについて いわゆるMedia Mix Modeling (MMM)の肝は「広告が投下される
8.1 概要 回帰分析という統計手法は、独立変数(説明変数・予測変数)と従属変数(被説明変数・目的変数・応答変数)の関係を記述するのに使われます。 回帰分析を使うことで、 目的変数と関連のある説明変数を特定したり、 変数間の関係式を記述したり、 説明変数から目的変数を予測したり することができます。
プラットフォームの概要 AI Platform 生成 AIおよび予測 AIのプラットフォーム もっと詳しく ドキュメント 新機能 ログイン 無料で始める 運用 自信を持ってAIを拡張し、比類のないエンタープライズ・モニタリングとコントロールでビジネス価値を促進 デプロイと実行 再学習と最適化 監視と介入 ガバナンス AIの環境、チーム、およびワークフローを統合し、大規模な範囲での完全な可視性と監視を実現 レジストリと管理 監査と承認 コンプライアンスドキュメント生成 構築 ニーズの進化に合わせて自由に適応できるオープンなAIエコシステムで、迅速なイノベーションを実現 分析と変換 学習とチューニング 組立てと比較 プラットフォーム統合 インフラストラクチャーへのデプロイ ソリューション 業界ごと ヘルスケア 製造 小売業 金融サービス 成果ごと ユースケースのライブラリー お客様事例 Dat
背景 しつこいようですが、Marketing Mix Modeling(MMM)の話題です。 先日、こんな面白い論文を見つけました。 GoogleのResearcherによるMMMの論文(彼らはMedia Mix Modelingと呼んでいます)なのですが、ヒルの式を用いて広告のShape効果(Carveture効果)を推定するということをやっています。ここでShape効果・carveture効果とは、メディアの露出量に対する目的変数の反応を示す曲線を指すようで、ヒルの式とは: $$ H(x; K, S) = \frac{1}{1 + (\frac{x}{K})^{-S}} $$ であり、$K > 0$や$S > 0$となるパラメータによってLogやSigmoidの形状を表現することができるようです。 ヒルの式によってxがどのような形状となるか、実際に確認してみましょう。まずはヒルの式を以
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く