Google Meridian入門：オープンソースMMMツールの導入と実践

はじめに

Meridianは、Googleが2024年にオープンソースとして公開したマーケティングミックスモデリング（MMM）フレームワークです。前身のLightweightMMMの後継として開発され、ベイズ推定をベースに地域レベル分析やリーチ＆フリークエンシー（R&F）モデリングなど、より高度な機能を備えています。

Meridianの最大の特徴は、Googleの検索クエリデータをモデルに直接統合できる点です。これにより、他のMMMツールでは捉えにくい「検索を通じた間接効果」を精密に測定できます。

MMMの基本概念についてはMMMとは？初心者向け完全ガイドをご覧ください。

Meridianの主要機能

機能一覧

LightweightMMMからの進化

セットアップ

システム要件

インストール

# pip でインストール
pip install google-meridian

# GPU版（CUDA環境がある場合）
pip install google-meridian[gpu]

# バージョン確認
python -c "import meridian; print(meridian.__version__)"

基本的な使い方

Step 1: データの準備

Meridianは独自のInputDataクラスでデータを管理します：

import pandas as pd
import numpy as np
from meridian.data import input_data

# 全国集計データの場合
df = pd.read_csv("marketing_data.csv", parse_dates=["date"])

media_data = df[["tv_spend", "digital_spend", "sns_spend"]].values
media_costs = df[["tv_spend", "digital_spend", "sns_spend"]].values
extra_features = df[["temperature", "holiday_flag"]].values
kpi = df["revenue"].values

data = input_data.InputData(
    media=media_data,
    media_costs=media_costs,
    extra_features=extra_features,
    kpi=kpi,
    time_periods=len(df),
    media_names=["TV", "Digital", "SNS"],
    extra_features_names=["Temperature", "Holiday"],
)

Step 2: モデルの定義と学習

from meridian.model import spec as model_spec
from meridian.model import model

# モデルスペックの定義
spec = model_spec.ModelSpec(
    max_lag=8,                    # 最大ラグ（週）
    hill_before_adstock=False,    # アドストック→飽和の順序
    knots=None,                   # 時間トレンドのノット数
)

# モデル構築
mmm = model.Meridian(
    input_data=data,
    model_spec=spec,
)

# MCMCサンプリング
mmm.sample_posterior(
    num_warmup=1000,
    num_samples=1000,
    num_chains=4,
    seed=42,
)

Step 3: 結果の確認

from meridian.analysis import analyzer

# Analyzerで結果を抽出
result = analyzer.Analyzer(mmm)

# チャネル別ROAS
roas = result.compute_media_summary()
print(roas)

# 予測精度
metrics = result.compute_model_fit_metrics()
print(f"R²: {metrics['r_squared']:.4f}")
print(f"MAPE: {metrics['mape']:.2f}%")

地域レベルモデリング

Meridianの最大の差別化ポイントは地域×時系列のパネルデータを直接扱えることです：

# 地域別データの場合（例：10地域 × 104週）
n_geos = 10
n_times = 104
n_media = 3

media_data = np.random.rand(n_geos, n_times, n_media)  # 地域×時間×チャネル
kpi = np.random.rand(n_geos, n_times)                    # 地域×時間

geo_data = input_data.InputData(
    media=media_data,
    media_costs=media_data,
    kpi=kpi,
    time_periods=n_times,
    geo_names=[f"region_{i}" for i in range(n_geos)],
    media_names=["TV", "Digital", "SNS"],
)

地域モデルの利点: 全国集計では「TV出稿量が常に一定」でも、地域別に見ると出稿パターンにばらつきがあるケースが多い。このばらつきを活用することで、TVの効果をより精密に推定できます。

Google検索データの統合

Meridianでは、Googleの検索クエリデータを「需要のプロキシ」として統合できます：

# 検索データを extra_features として統合
# Google Trends API や Search Console からデータを取得
search_data = df["branded_search_volume"].values

data_with_search = input_data.InputData(
    media=media_data,
    media_costs=media_costs,
    extra_features=np.column_stack([extra_features, search_data]),
    kpi=kpi,
    time_periods=len(df),
    media_names=["TV", "Digital", "SNS"],
    extra_features_names=["Temperature", "Holiday", "BrandSearch"],
)

Meridianの制約と注意点

PyMC-Marketing vs Meridian：選択基準

詳しいツール比較はMMM主要ツール徹底比較をご覧ください。

まとめ

1. MeridianはGoogleが開発するオープンソースMMMで、LightweightMMMの後継
2. 地域レベルモデリングとR&Fモデリングが最大の差別化ポイント
3. Google検索データの統合により、他ツールでは捉えにくい間接効果を測定可能
4. Python 3.11+が必要で、Windows環境ではWSL2推奨
5. PyMC-Marketingと比較して、Google広告中心かつ地域データが豊富な場合に特に有効

MMMツールの選択に迷った場合は、ツール比較記事も参考にしてください。