DeepCausalMMM：因果構造学習を用いたマーケティング・ミックス・モデリングのためのディープラーニング・フレームワーク

Abstract

マーケティング・ミックス・モデリング（MMM）は、売上や収益などのビジネス成果に対するマーケティング活動の影響を推定します。従来のMMM手法は、チャネルの独立性を仮定し、時間的ダイナミクスや非線形の飽和を捉えるのが難しい線形回帰またはベイズ階層モデルに依存していました。DeepCausalMMMは、深層学習、因果推論、マーケティング・サイエンスを組み合わせることで、これらの制約を克服します。Gated Recurrent Units（GRU）を用いて時間的パターン（アドストック、ラグ）を学習しつつ、上三角制約を伴うディレクテッド・エイクリック・グラフ（DAG）構造によってチャネル間の統計的依存関係も学習します。さらに、逓減する限界効果と予算最適化のために、Hill方程式の飽和曲線を実装します。主な機能：（1）データから学習するデータ駆動型ハイパーパラメータ（デフォルト付き）、（2）従属変数の線形平均スケーリング、（3）動的なロススケーリングを伴う設定可能なアトリビューション事前分布、（4）共有パラメータと地域固有パラメータによるマルチリージョン・モデリング、（5）Huberロスを含む頑健な手法、（6）レスポンス曲線の分析。