まず、図１のように使用できるデータから想定される因果関係を整理します。次に、実店舗売上データとCM出稿データを月別エリア別時間別に見てみる、実店舗売上データをパッケージの大小に分けて見てみる、など各指標の関係を確認していきます。さらに、CMのアドストック効果（※１）も考慮して時系列データ分析を行い、売上リフト効果（※２）を推定します。
A社の場合は、CMを集中投下している年末から春先にかけて小パッケージの新規購入者の割合が急増しており、この時期の小パッケージの売上においてCM効果が認められることがわかりました。

※1　CMの時間遅れの効果、残存効果のこと。

※2　CM放送前後の売上増分効果のこと。

今回の分析では、A社の売上データ、MadisonのCM出稿データ、ECサイトの広告インプレッション数、動画広告視聴数などを用いて、実店舗売上を説明するマーケティングモデル構築に取り組みました。
当社は、特定の分析手法に特化した分析ツールを提供するのではなく、マーケティング担当者が抱える課題や使用できるデータに応じて、最適な手法を選択して分析を行います。
モデルの構築において、様々な分析手法を検討した中から比較してわかりやすい2種類の分析結果を図2と図3に示します。（※３）
1つは、多くの人が知っていてExcelでも可能な重回帰分析を用いた結果が図2、もう1つのLightGBＭと呼ばれる機械学習の手法を用いた結果が図3です。図3のほうが図2に比べて、プロットした点のばらつきが少なく、フィッティングの精度が高いことがはっきりとわかります。このように、分析手法によって精度が異なるため、特定の分析手法のみを試すのではなく、様々な分析手法を試すことが重要です。

※3 モデルによって売上を予測し、横軸を実績売上値、縦軸を売上予測値としてプロットした図です。プロットした点のばらつきが少なく、直線の傾きが45度に近いほど、実績値との乖離が少なく、予測精度が高いことを示します。