モデリング適用の概要

モデリング適用はメリディアン ワークフローの中核です。この段階でモデルを構成、実行、解釈し、マーケティングのパフォーマンスに関する分析情報を取得します。このセクションではメリディアン モデルのコンポーネントについて、入力データと基本コンセプトから、事前分布と補正による高度なカスタマイズまで、包括的に解説します。

メリディアン モデル

このセクションでは、メリディアン モデルの基本的要素について、必要なデータから核となる数理構造まで説明します。

ページ	説明
入力データ	このページでは、お客様がメリディアンに提供するデータの規定の形式と構造を示します。 各種の入力データ（主要な KPI、メディア アクティビティ、コントロール変数など）について詳しく説明し、それらのデータが分析に向けてモデル内部で変換される方法も説明します。
コントロール変数	このページでは、結果に影響する可能性はあるものの、マーケティング施策に含まれない要素であるコントロール変数について説明します。 モデルの推定値が正確で偏りのないものになるように、適切なコントロール変数を選択する方法も説明します。
オーガニック メディアとメディア以外の介入変数	このページでは、直接的な費用が発生しない介入変数の分類方法を説明します。 この情報は、正確なモデリングを行うために、各アクティビティを「オーガニック メディア」（ブログ投稿など）に分類するか「メディア以外の施策」（価格変更など）に分類するかを判断するのに役立ちます。
有料検索モデリング	有料検索キャンペーンをモデリングする際のベスト プラクティスを学びましょう。 このガイドでは、検索広告の本当の効果を偏りなく把握するうえで、Google 検索ボリュームをコントロール変数として使うことの重要性を説明します。
ホールドアウト観測データ（学習用データと検証用データの分割）	このガイドでは、モデルのパフォーマンスを検証するために、データの一部をホールドアウトする（取り分ける）手法を説明します。 この手法を使って異なるモデル バージョンを比較する方法を説明し、信頼性の高い結果になるようにホールドアウト データを適切に選ぶためのヒントも示します。
メリディアン モデルの仕様	このページでは、メリディアン モデルの根幹となる数式の概要を示します。 主な構成要素を分解し、さまざまな地域をどのように扱うか、経時的な傾向をどのように調整するか、メディアの非線形効果をどのようにモデル化するかなどを説明します。
リーチとフリークエンシー	リーチとフリークエンシーを踏まえたモデリングによって、表示回数だけではわからない情報を把握しましょう。 このガイドでは、こうしたモデリングによって、リーチしたユーザーの数と広告の表示頻度を考慮して、メディアの効果をより詳細に把握する方法を説明します。
メディアの飽和状態と遅延効果	マーケティング効果に関する 2 つの基本的な概念を理解しましょう。 このガイドでは、キャンペーンの効果が持続する「遅延効果」（Adstock）と、費用を増やすにつれて収益が減少する「飽和状態」（Hill 関数）について説明します。

時間ベースのパラメータ

トレンドや季節性といった時間効果を、メリディアンで効果的にモデル化する方法を学びましょう。

ページ	説明
ノットの設定	メリディアンが「ノット」を使って時間効果をモデル化する方法を理解しましょう。 このガイドでは、ノットとは何か、ノットがモデルの柔軟なベースラインをどのように作成するかを説明します。また、お客様のデータに適したノット数を選ぶためのヒントを示し、メリディアンのノットの自動選択についても説明します。
max_lag パラメータを設定	このページでは、モデルが想定する広告効果の持続期間を制御する、max_lag の設定について説明します。 また、遅延効果の期間を長く / 短く指定した場合のメリットとデメリット、指定した期間がモデルに与える影響についても説明します。
adstock_decay_spec パラメータを設定	メディアの遅延効果をモデルが解釈する方法を微調整します。 このページでは、Adstock 関数で選択できる異なる減衰パターン（幾何減衰型と二項減衰型）を説明し、ご利用のマーケティング チャネルで使うべきパターンに関するアドバイスを示します。

地域レベルと全国レベルのモデリング

メリディアンにおける全国レベルと地域レベルのモデリングの仕組みを学びましょう

ページ	説明
全国レベルのモデリング	地域レベルのデータではなく国レベルのデータしかない場合に、メリディアンが適応する方法を学びましょう。 このページでは、国レベルのデータが地域レベルモデルの特殊ケースとして扱われることを説明し、その際に加えられる自動調整について詳しく説明します。

事前分布

事前分布はベイズ モデリングの重要な機能の一つで、既存の知見をモデルに組み込むことができます。このセクションでは、事前分布を効果的に使う方法を説明します。

施策に関する事前分布の種類

メリディアンには事前分布を定義する方法が複数あり、それぞれの方法によってモデルに与える影響が異なります。

ページ	説明
ROI、mROI、貢献度のパラメータ定義	このページでは、ROI、mROI、貢献度などのビジネス指標について、お客様が事前分布を直接設定できるように、メリディアンがモデルのパラメータを再定義する仕組みを数学的に解説します。
mROI 事前分布と、ROI 事前分布との比較	このガイドでは、高度な 2 つの事前分布である ROI（全体的な費用対効果）と mROI（1 ドルの追加投資をした場合の効果）を比較します。 この 2 つの事前分布の違いを説明します。この情報は、特に予算の最適化を目指す場合に、どちらのほうが適しているかを判断するのに役立ちます。
施策の事前分布の種類を選ぶ方法	個々のマーケティング活動に最適な事前分布を選ぶ方法を説明します。 このページでは、ROI、mROI、貢献度、基盤となるモデル係数のどれに基づいて事前分布を設定すべきかについてガイドを示し、ビジネスの知見に合わせてモデルを設定できるように支援します。

デフォルトの事前分布

メリディアンを初期設定で使う際の既定の前提条件を理解しましょう。

ページ	説明
デフォルトの事前分布のパラメータ定義	メリディアンでは、ROI、貢献度、未加工係数などのさまざまな指標について事前分布を設定できます。 このページでは、さまざまな状況の各種マーケティング施策（有料、オーガニックなど）について、メリディアンがデフォルトで使う事前分布の種類を説明します。
デフォルトの事前分布	このページでは、メリディアンが初期設定で使うデフォルトの「事前分布」について詳しく説明します。 事前分布は、モデルがデータを分析する前に、パラメータに想定している当初の前提条件です。このガイドでは、こうしたデフォルトの前提条件の統計的分布パターンを示します。
KPI が収益でない場合（デフォルト）	このページでは、重要業績評価指標（KPI）が収益でない場合のメリディアンのデフォルトの事前分布について説明します。 「有料メディアの全体的貢献度の事前分布」という概念について説明します。この事前分布は、直接的な ROI が使えない場合に、モデルを安定させる役割を果たします。

カスタム事前分布

テスト結果やベンチマーク結果、その他の専門的知見に基づいてカスタム事前分布を設定し、お客様のビジネスに特有の状況に合わせてモデルをカスタマイズする方法を学びましょう。

ページ	説明
ROI 事前分布と補正	「補正」（ROI 事前分布を使って、既知の知見をモデルに組み込むプロセス）について学びましょう。 このガイドでは、過去のテストや業界ベンチマークの結果を使って、モデル出力の精度と信頼性を高める方法を説明します。
過去のテスト結果を使ってカスタム ROI 事前分布を設定	このガイドでは、過去の A/B テストやインクリメンタリティ調査の結果を、モデルのカスタム ROI 事前分布に変換する実践的な手順を説明します。 また、この変換を意味あるものにするうえで重要な考慮事項も示します。
KPI が収益でない場合（カスタムの事前分布）	メインのビジネス目標を収益以外（ユーザー登録数など）で測定している場合は、事前分布の設定を慎重に行う必要があります。 このページでは、収益以外の KPI で意味のあるカスタム事前分布を作るための複数の手立てを示します。
複数の分布族を組み合わせてカスタム事前分布を設定	このガイドでは、カスタム事前分布を作るための高度な手法を説明します。 さまざまな統計分布を組み合わせて、マーケティング チャネルのパフォーマンスに関するお客様の事前の想定を、より正確に反映させる方法を説明します。