シリーズ「MMM分析後のアクション」完結編
本記事は以下のシリーズの第3回（完結編）です。
- MMM分析の「その後」：5つのアクションステップ（無料）
- 予算に落とし込む最適化アルゴリズムと三角測量（Basic）
- 本記事：予算最適化PDCAの実装と組織定着（Pro）
前回までで「何をすべきか」と「なぜそうすべきか」を解説しました。本記事では、それを組織に定着させる仕組みの作り方にフォーカスします。
フェーズ1: データパイプラインの自動化
MMMを継続的に運用するには、手動でのデータ収集・加工を排除することが最優先です。
必要なデータソースと取得方法
| データソース | 更新頻度 | 取得方法 |
|---|---|---|
| Google Ads | 日次 | Google Ads API → BigQuery |
| Meta Ads | 日次 | Marketing API → BigQuery |
| TV CM出稿 | 週次 | メディアバイイング会社からCSV / API |
| Yahoo!広告 | 日次 | Yahoo! Ads API → BigQuery |
| 売上・CV数 | 日次 | 自社DB / GA4 → BigQuery |
| 外部要因（天候等） | 日次 | 気象庁API / 外部データプロバイダー |
パイプライン構成例
[各広告プラットフォームAPI]
↓
[ETL（Airflow / Cloud Functions）]
↓
[BigQuery: raw → staging → mart]
↓
[週次集計テーブル: mmm_weekly_input]
↓
[MMM分析エンジン（PyMC-Marketing）]
↓
[結果テーブル: mmm_results]
↓
[ダッシュボード（Looker Studio / Streamlit）]
集計の注意点
-- BigQueryでの週次集計例
SELECT
DATE_TRUNC(date, WEEK(MONDAY)) AS week_start,
SUM(google_ads_cost) AS google_spend,
SUM(meta_ads_cost) AS meta_spend,
SUM(tv_grp * cpt) AS tv_spend,
SUM(revenue) AS revenue,
AVG(temperature) AS avg_temperature
FROM `project.dataset.daily_marketing_data`
GROUP BY week_start
ORDER BY week_start
重要: 広告プラットフォームのレポートは「表示日」と「発生日」が異なる場合があります。MMMでは**発生日（実際の出稿日）**基準で集計してください。