MMMのためのデータ収集チェックリスト：広告プラットフォーム別完全ガイド

はじめに：MMMの精度はデータの質で8割決まる

マーケティング・ミックス・モデリング（MMM）の結果の信頼性は、入力データの品質に大きく依存します。「ゴミを入れればゴミが出る（Garbage In, Garbage Out）」という原則は、MMMにおいて特に顕著です。

本記事では、MMMに必要なデータを広告プラットフォーム別に整理し、すぐに使えるチェックリストを提供します。データ収集は地味な作業ですが、MMMプロジェクトの成功を左右する最も重要なフェーズです。

共通ルール：全プラットフォームで統一すべき項目

データを統合するために、以下のルールを事前に決めておきましょう。

日付の粒度

推奨: 週次（月曜始まり）を基本とし、最低2年分（104週）以上を確保してください。

通貨・単位の統一

• 広告費: 全てを同一通貨（例：日本円、税抜）に統一する
• インプレッション: 千単位（000）か実数かを統一する
• 売上: 税抜/税込を統一する。可能であれば数量（ユニット数）も取得する

プラットフォーム別データ収集ガイド

1. Google Ads

取得すべき指標

取得方法

方法A：管理画面からダウンロード

1. Google Ads管理画面 → 「レポート」タブ
2. カスタムレポート作成 → 期間・セグメント設定
3. CSVまたはExcelでダウンロード

方法B：Google Ads API

from google.ads.googleads.client import GoogleAdsClient

client = GoogleAdsClient.load_from_storage("google-ads.yaml")

query = """
    SELECT
        segments.date,
        campaign.name,
        metrics.cost_micros,
        metrics.impressions,
        metrics.clicks
    FROM campaign
    WHERE segments.date BETWEEN '2023-01-01' AND '2024-12-31'
    ORDER BY segments.date
"""

response = client.get_service("GoogleAdsService").search_stream(
    customer_id="1234567890",
    query=query
)

方法C：BigQuery連携（推奨）

Google AdsとBigQueryを連携させると、日次のレポートが自動的にBigQueryに蓄積されます。大量データの処理に最適です。

注意点

• 検索広告とディスプレイ広告は分離する：効果のメカニズムが異なるため、別チャネルとして投入する
• ブランド検索とノンブランド検索を分離する：ブランド検索は内生性の問題が生じやすい
• 費用は cost_micros（マイクロ単位）で返るため、/ 1,000,000 して円に変換する

2. Meta（Facebook / Instagram）Ads

取得すべき指標

取得方法

方法A：Ads Manager

1. Meta Ads Manager → 「レポート」
2. 列のカスタマイズで必要な指標を選択
3. 分析の軸に「日」を設定
4. エクスポート → CSV

方法B：Marketing API

import requests

access_token = "YOUR_ACCESS_TOKEN"
account_id = "act_123456789"

url = f"https://graph.facebook.com/v18.0/{account_id}/insights"
params = {
    "access_token": access_token,
    "time_range": '{"since":"2023-01-01","until":"2024-12-31"}',
    "time_increment": 1,  # 日次
    "fields": "spend,impressions,reach,clicks",
    "level": "account",
}

response = requests.get(url, params=params)
data = response.json()

注意点

• Meta広告はFacebookとInstagramの配信が自動最適化で混在するため、プラットフォーム別に分けるか統合するか事前に決定する
• リーチ（ユニークユーザー数）はMeta独自の指標で、MMMのモデリングで有用
• アトリビューションウィンドウ（1日クリック/7日クリックなど）はMMM自体が効果測定するため、気にしなくてよい

3. Yahoo!広告（日本）

取得すべき指標

取得方法

1. Yahoo!広告管理画面 → 「レポート」→「パフォーマンスレポート」
2. レポートタイプ：キャンペーン、期間：日次
3. 「レポートのダウンロード」からCSVで取得

注意点

• Yahoo!広告は検索連動型広告（YSA）とディスプレイ広告（YDA/旧YDN）で管理画面が分かれている
• APIの利用には申請が必要で、レート制限が厳しい場合がある
• 日本市場特有のプラットフォームであり、PCユーザー比率が高い傾向

4. LINE広告

取得すべき指標

取得方法

1. LINE Ads Platform管理画面 → 「レポート」
2. レポートの種類・期間を設定
3. CSVダウンロード

注意点

• LINE広告は日本国内でのリーチが非常に広い（月間アクティブユーザー9,500万人以上）
• 公式アカウントの友だち追加数もMMMの変数として検討可能
• LINE広告のAPIは機能が限定的な場合がある

5. テレビCM

テレビCMのデータ取得はデジタル広告と比べて複雑です。

取得すべき指標

取得方法

注意点

• GRP（Gross Rating Point）は「延べ視聴率」であり、同じ人が2回見れば2カウントされる
• 地域別にGRPが異なるため、全国一律の値は概算に過ぎない
• テレビCMの効果は アドストック（残存効果） が長い傾向にある（2〜6週間）

6. YouTube / 動画広告

取得すべき指標

取得方法

• Google Ads経由で配信している場合はGoogle Ads APIで取得可能
• YouTube Studio の「アナリティクス」からオーガニックデータを取得

7. 新聞・雑誌

取得すべき指標

取得方法

• 広告代理店からの出稿レポート
• 日本ABC協会の発行部数データ（リーチ推定用）

外部データ（コントロール変数）

MMMでは広告以外の売上影響要因をコントロール変数として投入することで、モデルの精度が向上します。

天気データ

import requests
import pandas as pd

# 気象庁API（無料、日次）
url = "https://www.data.jma.go.jp/obd/stats/etrn/view/daily_s1.php"
# パラメータで地点・期間を指定

# Open-Meteo API（無料、REST API）
url = "https://api.open-meteo.com/v1/forecast"
params = {
    "latitude": 35.6762,  # 東京
    "longitude": 139.6503,
    "daily": "temperature_2m_max,temperature_2m_min,precipitation_sum",
    "start_date": "2023-01-01",
    "end_date": "2024-12-31",
    "timezone": "Asia/Tokyo"
}
response = requests.get(url, params=params)
weather_data = response.json()

祝日・イベントカレンダー

経済指標

データ統合のベストプラクティス

統合時の注意点

1. 共通の日付キーを設定: date 列をISO 8601形式（YYYY-MM-DD）で統一する
2. 週次集計の基準日を統一: 月曜始まりまたは日曜始まりに統一する
3. 欠損値の処理方針を決める: 0埋めか線形補間か、チャネルごとに判断する
4. 外れ値の確認: 大型セール日の売上急増などが外れ値でないことを確認する

統合のPythonコード例

import pandas as pd

# 各プラットフォームのデータを読み込み
google_ads = pd.read_csv("google_ads_weekly.csv", parse_dates=["date"])
meta_ads = pd.read_csv("meta_ads_weekly.csv", parse_dates=["date"])
tv_data = pd.read_csv("tv_grp_weekly.csv", parse_dates=["date"])
sales = pd.read_csv("sales_weekly.csv", parse_dates=["date"])

# 日付キーで結合（左外部結合で欠損を保持）
df = sales.copy()
df = df.merge(google_ads, on="date", how="left")
df = df.merge(meta_ads, on="date", how="left")
df = df.merge(tv_data, on="date", how="left")

# 欠損値の確認
print("欠損値の数:")
print(df.isnull().sum())

# 広告費の欠損は0で埋める（出稿がなかった = 費用0）
spend_columns = [col for col in df.columns if "spend" in col]
df[spend_columns] = df[spend_columns].fillna(0)

# 統合データの保存
df.to_csv("mmm_integrated_data.csv", index=False)
print(f"統合データ: {df.shape[0]}行 x {df.shape[1]}列")

総合チェックリスト

以下のチェックリストを使って、データ収集の漏れがないか確認しましょう。

まとめ

データ収集はMMMプロジェクトの中で最も時間がかかるフェーズですが、ここでの手抜きはモデルの精度に直結します。本チェックリストを活用して、体系的かつ漏れのないデータ収集を心がけてください。特に、デジタル広告のブランド検索/ノンブランド検索の分離と、テレビCMのGRPデータの取得は、日本市場のMMMにおいて精度を大きく左右するポイントです。