クッキーやモバイルIDの廃止による、プライバシー環境の変化に伴って、デジタルマーケティングの現場では、メディアミックス・モデリング（MMM）が復活してきている。
＜中略＞
MMMの精度を確保するには、いくつかの分かりやすいアプローチがあるという。
ひとつは、MMMに実験的方法を組み合わせて、メディアのインクリメンタリティ（増分効果）を測定することだ。実験データは、MMMの出力結果を補正したり、ベイズ理論に基づくMMMモデリング（確率の概念、頻度ではなく知識や信念に基づいて確率を解釈）の事前確率値として扱ったりすることができ、現実世界の結果を、モデルに取り入れることで精度を高めることができる。
しかしウー氏は、MAPE（平均絶対パーセント誤差）やR2（決定係数R2乗）のような最高統計スコアを目指すだけでは、最も正確なMMMを保証することにはならないと警告している。
「ビジネスを理解することは、モデルの期待値を導き、ビジネスに統計的尺度に焦点を当てた指標を提供し、ビジネスにとって最も意味のあるモデルを選択するのに役立ちます。ビジネス上の考慮事項と現実的な精度はバランスをとる必要があるのです」と、ウー氏はCampaignに説明した。
ペリスコープの最高執行責任者、ロレーヌ・クリス氏は、重要なのは質の高いデータの収集に集中することだと指摘し、自動化が精度とスピードの向上に役立つだろうと指摘する。
ブランドは、収集・集計されるデータの質に焦点を当て、分析に適切なアトリビューション・システムを取り入れることで、精度を確保できるという。
「MMMでは通常、多変量回帰分析などが使用されます。その一方で、MMMモデリングの効果を測定するためには、広告費やROASなど、ブランドのマーケティング活動に関わるデータソースの収集が必要となります」とクリス氏はCampaignに語った。
MMMは、AIとML（機械学習）の文脈において、ルネッサンスを迎えており、技術の進歩が莫大な利益をもたらす可能性がある。
例えば、機械学習は、多様なソースからデータをクリーニングし、フォーマットやマージンといった必要なデータ作業を自動化し、大幅な時間の節約と精度の向上につながっている。 機械学習の高度なアルゴリズムは、天候が売上に与える影響や、季節性が広告予算に与える影響など、データの複雑なパターンや相互関係を明らかにすることができ、人による分析では捉えきれない洞察も提供する。
MMMモデルは、入力や初期設定の小さな変化にも敏感に反応するため、マーケターは、有意義なインサイトを模索しながら、モデルがビジネスの期待に沿った結果を提供できるよう、芸術と科学の間で適切なバランスを取る必要がある。
MMMモデルは一般的に過去データに基づいて構築されているため、マーケティング戦略が急速に進化すると一気に古くなる恐れがある。マーケターは、ビジネスとの関連性やビジネスの期待値を維持するために、キャンペーンの開始に向けて機敏に適応する必要がある
