小規模データでのMMM：データ量が少ないときの実践的対処法

「MMMを始めたいが、データが2年分しかない」「広告チャネルが3つだけ」「地域展開していないので全国1系列のみ」――こうした小規模データ環境はMMMの大きな課題ですが、適切なアプローチを取れば有意義な分析は可能です。本記事では、データ量が限られている場合の7つの実践的対処法を解説します。

「データが少ない」の定義

MMMにおける「十分なデータ量」は、チャネル数やモデルの複雑さに依存します。以下は一般的な目安です。

最低限必要なデータ量の目安（チャネル数別）

推定パラメータ数の内訳例（5チャネルの場合）：

• メディア係数：5
• Adstock減衰率：5
• 飽和曲線パラメータ：5
• コントロール変数：3〜5
• 季節性：4〜6（フーリエ項）
• 切片：1
• 合計：約23〜27パラメータ

週次52行（1年分）で27パラメータを推定しようとすると、1パラメータあたり約2行しかなく、推定が極めて不安定になります。

小規模データの3大課題

課題1：パラメータ推定の不安定性

データが少ないと、小さなデータの変動がモデル全体に大きく影響します。

import numpy as np
from sklearn.linear_model import LinearRegression

# シミュレーション：少ないデータで推定が不安定になる例
np.random.seed(42)
true_beta = 0.5  # 真の係数

estimates_small = []  # N=30
estimates_large = []  # N=200

for _ in range(100):
    # 小サンプル
    X_small = np.random.randn(30, 1)
    y_small = true_beta * X_small.flatten() + np.random.randn(30) * 0.5
    model_small = LinearRegression().fit(X_small, y_small)
    estimates_small.append(model_small.coef_[0])

    # 大サンプル
    X_large = np.random.randn(200, 1)
    y_large = true_beta * X_large.flatten() + np.random.randn(200) * 0.5
    model_large = LinearRegression().fit(X_large, y_large)
    estimates_large.append(model_large.coef_[0])

print(f"小サンプル（N=30）の推定値: {np.mean(estimates_small):.3f} ± {np.std(estimates_small):.3f}")
print(f"大サンプル（N=200）の推定値: {np.mean(estimates_large):.3f} ± {np.std(estimates_large):.3f}")
# 出力例:
# 小サンプル: 0.501 ± 0.098
# 大サンプル: 0.499 ± 0.035

課題2：季節性の学習不足

週次データ1年分（52行）では、季節パターンのサイクルを1回しか観測できません。モデルは「1年間で1回だけ見た12月の売上上昇」が、本当に毎年の季節パターンなのか、たまたまの変動なのか判断できません。

課題3：チャネル効果の分離困難

複数チャネルに同時に投資していると、各チャネルの個別効果を分離することが困難になります。データが少ないほどこの問題は深刻化します。