AI×PyMC-Marketing — Claude Code・Cursor・YAMLで実現する次世代MMMワークフロー

はじめに

PyMC-Marketingのリポジトリには、あまり知られていない特徴があります。それは、Claude CodeとCursorのAI設定が公式に組み込まれていることです。

pymc-marketing/
├── .claude/           <- Claude Code用の設定
│   ├── CLAUDE.md        セッション指示書
│   ├── commands/        23種のスラッシュコマンド
│   └── agents/          エージェント定義
│
└── .cursor/           <- Cursor IDE用の設定
    ├── rules/basic.mdc  常時適用ルール
    └── skills/          7種のスキルモジュール

つまり、リポジトリをクローンしてClaude CodeやCursorを起動するだけで、PyMC-Marketingに特化したAIアシスタントが使えるのです。

なぜこれが重要なのか: PyMC-Marketingはベイズ統計、確率プログラミング、マーケティングサイエンスという3つの専門分野が交差する領域です。汎用的なAIアシスタントでは、このドメイン特有のパターン（事前分布の設計、MCMC診断、Adstock変換の選択等）に対して的確な回答が難しい場面があります。公式のAI設定は、これらの専門知識をAIのコンテキストに注入することで、ドメイン特化型のアシスタントを実現しています。

本記事では、YAML駆動モデリング、Streamlit可視化、Claude Code連携、Cursor IDE連携を組み合わせた次世代MMMワークフローの全貌を解説します。

1. YAML駆動モデリング

PyMC-Marketing v0.18以降で導入された MMM.from_yaml() は、コードを書かずにMMMモデルを定義できる機能です。YAMLファイルにモデル構成を記述するだけで、Pythonコード1行でモデルをインスタンス化できます。

1.1 MMM.from_yaml() の基本的な使い方

from pymc_marketing.mmm import MMM
import pandas as pd

# YAMLからモデルを構築（1行）
mmm = MMM.from_yaml("model_config.yml")

# データ読み込み & フィッティング
df = pd.read_csv("marketing_data.csv", parse_dates=["date_week"])
mmm.fit(X=df, target_column="revenue")

1.2 基本YAMLテンプレート（コメント付き）

以下は、そのまま使えるYAMLテンプレートです。コメントで各パラメータの意味と推奨値を記載しています。

# ========================================
# PyMC-Marketing MMM 基本設定テンプレート
# ========================================

model:
  type: mmm                      # モデル種別（mmm固定）
  date_column: date_week          # 日付列名（週の開始日）
  target_column: revenue          # 目的変数（売上等）

  # --- チャネル列 ---
  channel_columns:
    - tv_spend                    # TV広告費
    - digital_spend               # デジタル広告費
    - social_spend                # SNS広告費

  # --- コントロール変数（オプション） ---
  control_columns:
    - holiday_flag                # 祝日フラグ（0/1）
    - temperature                 # 気温（外部変数）

  # --- Adstock設定 ---
  adstock:
    type: geometric               # geometric | weibull | binomial
    l_max: 8                      # 最大ラグ週数（TV: 8-12, Digital: 2-4）

  # --- 飽和関数設定 ---
  saturation:
    type: logistic                # logistic | hill | tanh | michaelis_menten

  # --- 季節性 ---
  yearly_seasonality: 2           # フーリエモード次数（2-3推奨）

# --- サンプリング設定 ---
sampling:
  draws: 1000                     # MCMCサンプル数（本番: 2000）
  tune: 1000                      # バーンイン数（本番: 2000）
  chains: 4                       # チェーン数（4推奨）
  target_accept: 0.9              # 受容確率（発散時: 0.93-0.95）
  random_seed: 42                 # 再現性用シード

1.3 カスタマイズパターン

パターンA: カスタム事前分布

model:
  type: mmm
  date_column: date_week
  target_column: revenue
  channel_columns:
    - tv_spend
    - digital_spend
    - social_spend

  adstock:
    type: geometric
    l_max: 8

  saturation:
    type: logistic

  # --- カスタム事前分布 ---
  priors:
    beta_channel:
      dist: HalfNormal
      kwargs:
        sigma: [0.1, 0.05, 0.025]  # TV > Digital > SNS
    intercept:
      dist: Normal
      kwargs:
        mu: 0
        sigma: 5
    alpha:                          # Adstock残存率
      dist: Beta
      kwargs:
        alpha: 3
        beta: 3

パターンB: Geoモデル（階層ベイズ）

model:
  type: mmm
  date_column: date
  target_column: sales
  channel_columns:
    - tv_spend
    - digital_spend
  geo_column: region               # 地域列を指定

  adstock:
    type: weibull                   # Weibullで柔軟な残存効果
    l_max: 12

  saturation:
    type: hill                      # Hill関数で急激な飽和もモデル化

  yearly_seasonality: 3

1.4 YAML比較実験ワークフロー

YAML駆動の最大の利点は、異なるモデル設定を簡単に比較実験できることです。以下は、異なるAdstock型を比較するワークフローです。

import yaml
import copy
import arviz as az
import pandas as pd
from pymc_marketing.mmm import MMM
from pymc_marketing.paths import data_dir

# ベース設定の読み込み
with open("base_config.yml") as f:
    base_config = yaml.safe_load(f)

# 実験設定: 4つのAdstock型を比較
experiments = {
    "geometric_8":  {"type": "geometric", "l_max": 8},
    "geometric_12": {"type": "geometric", "l_max": 12},
    "weibull_8":    {"type": "weibull",   "l_max": 8},
    "weibull_12":   {"type": "weibull",   "l_max": 12},
}

# データ読み込み
df = pd.read_csv(
    data_dir / "mmm_example.csv",
    parse_dates=["date_week"]
)

results = {}
for name, adstock_config in experiments.items():
    print(f"\n=== 実験: {name} ===")

    # YAMLを動的に生成
    config = copy.deepcopy(base_config)
    config["model"]["adstock"] = adstock_config

    yaml_path = f"experiment_{name}.yml"
    with open(yaml_path, "w") as f:
        yaml.dump(config, f)

    # モデル構築 & フィッティング
    model = MMM.from_yaml(yaml_path)
    model.fit(X=df, target_column="y")

    # LOO-CVスコアで評価
    loo = az.loo(model.fit_result)
    results[name] = {
        "elpd_loo": loo.elpd_loo,
        "se": loo.se,
        "p_loo": loo.p_loo,
    }
    print(f"  LOO = {loo.elpd_loo:.2f} (SE: {loo.se:.2f})")

# ベストモデルの選択
best = max(results, key=lambda k: results[k]["elpd_loo"])
print(f"\n*** 推奨モデル: {best} ***")
print(f"    LOO = {results[best]['elpd_loo']:.2f}")

1.5 LOO-CV（az.loo()）によるモデル選択と解釈

LOO-CV（Leave-One-Out Cross-Validation）は、ベイジアンモデル比較の標準手法です。

import arviz as az

# 単一モデルのLOO-CV
loo = az.loo(model.fit_result)
print(loo)
# 出力例:
#   elpd_loo: -245.3    <- 高いほど良い
#   se:       12.1      <- 標準誤差
#   p_loo:    8.7       <- 有効パラメータ数

# 複数モデルの比較
comparison = az.compare({
    "geometric_8": model_geo8.fit_result,
    "geometric_12": model_geo12.fit_result,
    "weibull_8": model_weibull8.fit_result,
})
print(comparison)
# 出力: rank, elpd_loo, p_loo, weight 等の比較表

LOO-CV解釈のポイント: