メインコンテンツへスキップ
MMM Lab
データ分析Basic

Pythonで学ぶアドストック：GeometricとWeibullの徹底比較

PyMC-Marketingが提供するGeometricAdstockとWeibullAdstockの数学的背景・実装方法・使い分けを、Pythonコードで詳しく解説します。

MMM Lab 編集部2026/2/232分で読める6

Pythonで学ぶアドストック：GeometricとWeibullの徹底比較

アドストックの2大モデル

PyMC-Marketingには主に2種類のアドストックモデルがあります。それぞれの数学的定義と使い分けを解説します。

1. GeometricAdstock（幾何減衰）

数式

adstock(t) = spend(t) + α × adstock(t-1)

Pythonでの実装

from pymc_marketing.mmm import MMM, GeometricAdstock, LogisticSaturation

mmm = MMM(
    date_column="date",
    channel_columns=["tv_spend", "digital_spend"],
    adstock=GeometricAdstock(l_max=8),   # 最大8週ラグ
    saturation=LogisticSaturation(),
)

特徴

  • シンプルで解釈しやすい
  • 効果は 初週がピーク で指数的に減衰
  • α=0.9（高残存）〜 α=0.1（即時消滅）
  • 適した媒体：検索広告、SNS広告

続きはBasicプランで読めます

この先の内容（詳細な分析結果・具体的な数値・施策の全容）はBasicプラン以上のメンバー限定です。

ログインプランを確認する

関連記事

階層ベイズGeoモデル・HSGP・リフトテスト統合 — PyMC-Marketing上級テクニック

PyMC-Marketingの上級機能を完全解説。階層ベイズGeoモデルによる地域別分析、HSGPによる時変パラメータ推定、リフトテスト統合、MV-ITSによるカニバリゼーション分析、時系列交差検証まで。

CLV（顧客生涯価値）分析の実践 — BG/NBDとGamma-Gammaモデルで顧客を科学する

PyMC-MarketingのBG/NBDモデルとGamma-Gammaモデルを使い、顧客生涯価値（CLV）を不確実性付きで推定する実践ガイド。RFMデータの作成からセグメント別CRM戦略まで、完全なワークフローを解説します。

回帰分析の基礎：MMMの統計的バックボーンを理解する

MMMの根幹をなす回帰分析の基礎を、数式だけでなく具体的な数値例を交えて分かりやすく解説。単回帰から重回帰、対数変換、ベイズ回帰まで、MMMに必要な統計知識を体系的に学べます。