このドキュメントでは、Meridian GeoX フレームワークで反事実モデリングを利用して、マーケティング介入の真のインクリメンタリティを正確に測定する方法について詳しく説明します。
介入群における平均介入効果
反事実または潜在的結果のモデリングは、因果推論の標準的なアプローチです。介入群における平均介入効果（ATT）、つまりマーケティング介入の真の増分効果を測定することが重要になります。
数学的には、マーケティング介入後のコンバージョン結果に対して想定される増分効果 \( Y \)は、次のように定義されます。
この方程式において:
- \( D = 1 \) は、調査の地域割り当てルールに基づく介入地域を表します。
- \( Y (1) \) は、これらの地域に介入がある場合の潜在的結果です（事実）。
- \( Y (0) \) は、介入がない場合の潜在的結果です（反事実）。
GeoX のテスト期間中に観測できるのは \( Y (1) \) のみです。\( Y (0) \) は観測されず、GeoX のモデリング アプローチによって予測されます。
通常運用における機械学習の問題
GeoX の重要な前提は、新たにマーケティング介入を追加しない場合、地域レベルのコンバージョン データに季節性などの自然な変動が生じる可能性はあるものの、すべての地域が通常運用（BAU）の状態であるということです。
GeoX は、BAU 条件を使用して、対照群プールから介入地域のコンバージョンを予測する機械学習モデルを構築します。このモデルは、介入地域でマーケティング介入が実施された後も、BAU のままの対照地域を使用して反事実指標 \( Y (0) \) を予測するのに役立ちます。したがって、学習問題の損失関数は次のように計算されます。
この方程式において:
- \( Y_{t,T} \) と \( Y_{t,C} \) は、それぞれ、すべての介入地域とすべての対照地域の、時点 \( t \) におけるコンバージョンのベクトルです。損失関数は、テスト前データのみを使用して、介入群と対照群の差を比較することで、残差の L2 ノルムを合計します。
- 関数 \( f \) は通常、手動で定義され、すべての介入地域で同時点 \( t \) での平均コンバージョンを取得します。
- 関数 \( g \) は、合計損失関数を最小化することで、テスト前データから学習できます。分析方法が異なると、\( g \)の値も異なります。時間ベースの回帰（TBR）では、\( g \) は、対照地域全体の平均コンバージョンに適用される線形変換です。
一般的な機械学習の問題と同様に、L1 または L2 正則化項を損失関数に追加することが非常に有意義な場合があります。
分析モジュールで重要なのは、GeoX が、マーケティング介入を行わなかった場合の介入群のコンバージョン数または収益を予測し、それに応じて増分効果を推定することです。マーケティング介入の例としては、新しいキャンペーンの有効化、メディアの停止、費用の増加などがあります。