Mutinexの予算配分案を検算する方法｜採用前に人が見る線

「MMMが1日でできるなら、来期の予算配分はその案で決めてしまっていいのではないか」「数字は出てきたけれど、どこまで信じてよいのか社内で説明できない」——広告予算の配分を任された担当者が、エージェント型のMMMに触れたときによく口にする言葉です。どちらの声にも理由があります。ただ、短時間で出た配分案は、検算が済むまでは「仮説」であって「答え」ではありません。速く作れることと、正しく当たることは別の性質だからです。この記事では、豪州発の Mutinex が提供する GrowthOS のエージェント型MMMを例に、出てきた予算配分案を採る前に人が確かめる線、実験で確かめるべき配分の見分け方、BtoBの少ないデータでの限界、AIコンサル機能 MAITE の答えを意思決定にどう使うかを、手順の順に整理します。

Mutinex は何をする会社か：GrowthOS と MAITE と、1日で作るMMM

Mutinex は、シドニーとメルボルン、ニューヨークに拠点を置くマーケティング効果測定の会社です。主力の GrowthOS は、広告費や売上、価格などの集計データから、各チャネルが売上にどれだけ寄与したかを推定するMMM（マーケティング・ミックス・モデリング）を土台に、予算の計画と目標の追跡までを一つの画面で扱う基盤です。公式サイトでは、100を超える世界のブランドに使われ、130億ドルを超える事業上の判断を支えていると公表しています。

同社が自社の看板として掲げているのが、エージェントがデータの準備からモデルの構築までを進める方式です。公式サイトには「1日で作るMMM。四半期ではなく」という趣旨の言葉が並び、生データから24時間以内に本番水準のモデルにすると説明しています。あわせて、AIのコンサルタントとして質問に答える MAITE、データを整えてモデルに渡す前段の基盤、地域を分けた実験の機能、AIの回答での露出を扱う Signals を、同じ基盤の中に並べています。

MMMという手法そのものの考え方、つまり集計データから貢献度を推定する仕組みや、個別の計測との違いは別の記事で扱っているため、ここでは繰り返しません。この記事が扱うのは、Mutinex のようにモデルを短時間で作り、配分案まで自動で出す製品を社内の予算判断に入れるとき、人がどこで止まるかという一点です。

2026年の動き：5月のセルフサービス版、8月の Signals、10月の実験機能

公式の解説記事を日付順に並べると、2026年の Mutinex は三つの更新を出しています。まず5月19日に、GrowthOS のセルフサービス版を発表しました。広告費・売上・価格のデータを案内に沿って読み込ませると、エージェントがデータの約束事と照らして形式をそろえ、週ごとの時系列に整え、欠けや食い違いを指摘してからモデルを動かす、という流れです。公表された例では、ある大手食品企業がモデルの構築を約4時間で終えたとされています。対象は大企業に限らず、中堅や成長段階の企業も想定していると説明しています。

次に8月26日、AIの回答での露出を週ごとに測る Signals を、期間限定の早期提供として公開しました。ChatGPT、Claude、Gemini、Perplexity に決まった質問を投げ、自社が挙がるか、どの程度目立つか、どんな評判で語られるかを競合と比べて記録し、その動きを GrowthOS にある広告や広報のデータと突き合わせて、どの活動が露出と連動しているかの方向感を確信度つきで示す、という機能です。露出は説明される側の数字であって、配分案の入力ではありません。AIの回答での露出の測り方そのものは別の記事で扱っているため、この記事では配分案の検算とは切り離して読むよう勧めるにとどめます。

そして10月26日に、GrowthOS の中で地域を分けた実験を設計し、その結果をモデルに戻す機能を発表しました。モデルが出した配分案を、全額を動かす前に実験で確かめるための機能で、この記事の主題である検算に直接かかわります。公式の説明では初期版の位置づけで、提供先は米国と豪州の上位の契約の利用者に限られています。

前提：1日で出た配分案は「答え」ではなく「仮説」

エージェント型のMMMが短くしたのは、主にデータの準備とモデルを組む作業の時間です。データの読み込み、形式の統一、週次への集計、欠けの指摘は、確かに人が手でやると何週間もかかる作業でした。ただ、モデルが当たるかどうかを決めるのは、作業の速さではなく、データに含まれている情報の量と、モデルの前提が自社の事業に合っているかです。ここは自動化で縮まりません。

MMMは、広告費を増やした週に売上が増えたかという相関のパターンから、各チャネルの寄与を推し量ります。広告費がいつも同じ時期に同じ割合で動いている会社では、どのチャネルが効いたのかを分ける手がかりが少なく、モデルは前提の置き方しだいで違う答えを出します。速く作ったモデルも、手で作ったモデルも、この制約は同じです。

だからこそ、配分案を受け取ったときに最初に決めるべきなのは、案の中身ではなく扱いです。案をそのまま採る、検算してから採る、実験で確かめてから採る、の三つのどれに当たるかを、金額の大きさと、過去にやったことのない動かし方かどうかで先に振り分けておくと、モデルの速さを判断の速さに無理なくつなげられます。

検算の全体像：配分案を採るまでの5つの手順

ここからは、GrowthOS のようなエージェント型のMMMが出した配分案を、社内で採用するまでの手順を五つに分けて示します。順番には意味があります。データの欠けを見ないまま前提を議論しても空回りしますし、過去の実績に当てる前に実験を組むと、確かめなくてよい案にまで費用と時間を使うことになります。

この五つのうち、エージェントに任せてよいのは、手順1の欠けの検出と、手順4の計算の実行です。何を欠けとみなして埋めるか、どの期間を当てはまりの評価に使うか、どの案を実験に回すかは、人が決めて記録に残します。AIには判断させず、判断の材料を並べさせる、という分担です。

手順1：入れたデータの欠けと継ぎ目を確かめる

GrowthOS のセルフサービス版では、エージェントが読み込んだデータを約束事と照らし、週次にそろえ、欠けや食い違いを指摘してからモデルを動かすと説明されています。ここで大事なのは、指摘された欠けを、エージェントの既定の処理に任せて埋めないことです。欠けている週を前後の平均で埋めるのか、ゼロとみなすのか、その期間をまるごと外すのかで、モデルの答えは変わります。

人が見るべき継ぎ目は、欠けだけではありません。たとえば、広告の管理画面を途中で別の代理店のものに切り替えた、売上の計上を受注基準から出荷基準に変えた、ある製品群を別の事業部に移した、といった変更は、データの上では連続して見えても、意味が途中で変わっています。モデルはこの段差を、ある時期から広告の効き目が変わったものとして読んでしまうことがあります。

確かめ方は単純で、データの持ち主ごとに「この期間に定義や集計方法を変えたことはあるか」を聞いて、変更日の一覧を作ることです。一覧はモデルの説明資料に添付し、配分案を会議に出すときに、どの継ぎ目をどう扱ったかを一緒に示します。これがないと、後から数字が外れたときに、モデルの問題なのかデータの問題なのかを切り分けられません。

手順2：モデルの前提を言葉にして確かめる

MMMには、広告の効き目が翌週以降にどれだけ持ち越されるか、広告費を増やすほど効きがどう鈍っていくか、季節や価格、競合の動きをどう扱うか、といった前提が組み込まれています。エージェントがモデルを組むと、これらの前提は既定の設定や自動の探索で決まり、担当者の目に触れないまま配分案だけが出てくることがあります。

確かめる方法は、配分案の根拠を、担当者が自分の言葉で説明できるかを試すことです。たとえば「動画広告を増やす案が出たのは、動画の効き目が数週間持ち越されると推定されたからで、その推定は過去にこれだけの変化があった期間に基づいている」と言えるなら、前提は見えています。「モデルがそう言っているから」としか言えないなら、まだ採る段階ではありません。

前提の確かめは、モデルを疑うためではなく、案の効く範囲を知るために行います。持ち越しが長いと推定されたチャネルは、短期の売上だけで評価すると過小に見えますし、効きが鈍る点が低く推定されたチャネルは、増額の案が出にくくなります。どちらも、前提を一つ変えると配分案がどれだけ変わるかを見ておくと、案の確からしさの幅が分かります。

手順3：外れ値と一度きりの出来事を洗い出す

MMMが最も間違えやすいのは、広告以外の理由で売上が大きく動いた週です。値上げの直前の駆け込み、欠品による落ち込み、大型の展示会、補助金や制度の変更、報道による一時的な注目などは、広告を多く出していた時期と重なると、広告の効果として読まれてしまうことがあります。エージェントは数字の上の外れを見つけることはできても、その週に社内で何があったかは知りません。

そこで、営業、広報、商品企画、経理など、売上が動く理由を知っている部署に声をかけ、過去2年ほどの出来事を週の単位で一覧にします。一覧はモデルに渡せる形で持っておき、モデルがその週をどう扱ったかを確かめます。出来事の週を外して組み直したときに配分案が大きく変わるなら、その案はその出来事に引っ張られています。

• 値上げ前の駆け込み需要の週に検索広告を増やしていたため、検索広告の効き目が実態より大きく推定された
• 展示会の月にだけ動画広告を出していたため、展示会の集客効果が動画広告の効果として読まれた
• 欠品で売上が落ちた期間にテレビを止めていたため、テレビを止めると売上が落ちるという結論が強く出た

こうした取り違えは、手でモデルを作っていた時代にも起きていました。違うのは、エージェント型では作る人と使う人の間に会話がなくなり、出来事を知っている人に確かめる機会が、自然には生まれない点です。だから手順として明示しておきます。

手順4：過去の実績に当てて、外れ方を見る

モデルが当たるかどうかを最も直接に確かめるのは、作成に使っていない期間の売上を予測させて、実績と比べることです。たとえば直近の13週ほどをモデルの作成から外し、その期間の売上を予測させます。Mutinex の実験機能でも、実験の設計を、作成に使っていない13週のデータで確かめると説明しており、考え方は同じです。

見るのは、外れの大きさだけではありません。外れが特定の時期に偏っていないか、特定のチャネルを大きく動かした時期にだけ外れていないかを見ます。広告費を大きく動かした時期の予測が外れているなら、モデルは「広告費を動かしたときに何が起きるか」をうまく捉えていないということで、配分を大きく変える案ほど信用できません。

当てはまりが良いことは、配分案が正しいことの十分な証拠にはなりません。過去の売上の上がり下がりを、季節や価格でよく説明できていても、チャネルごとの寄与の分け方が正しいとは限らないからです。手順4は「このモデルで判断してよい範囲」を決めるための検査と位置づけ、配分案の当否そのものは、次の手順の実験で確かめます。

手順5：大きな予算移動だけ、地域を分けた実験で確かめる

2026年10月に GrowthOS に加わった実験の機能は、まず仮説を決めることから始まります。対象のチャネル、予算の変え方（止める、減らす、増やす）、見る指標（売上の総額か数量か）、そして行動に移す価値がある最小の変化の大きさを決めると、モデルが予測する結果が示されます。そのうえで、4週から12週の期間で地域の分け方の候補ごとに費用を見積もり、四つの設計を推しています。

設計	期間	公式の説明の要点
標準	4〜8週	決めた最小の変化を見分けられる中で、最も費用の小さい設計
試験	4週	より安く最初の手応えを見る。大きな効果しか捉えられない
高感度	4〜8週	最も精度が高い。費用は標準の最大3倍
延長	10〜12週	標準と同じ考え方で、期間を長く取る

各設計は過去の売上で検査され、何も変えていない週で誤って差が出ないこと、作成に使っていない13週でも持ちこたえることが求められます。結果はまずMMMを使わない標準的な方法で読み、そのあとでモデルと合わせます。精度の低い実験ほどモデルを動かさず、精度の高い実験ほど大きく動かすという説明で、実験の結果をそのまま上書きするのではなく、確からしさに応じて取り込む設計です。

実験を実際に動かすのは、自社か代理店です。Mutinex は広告を買い付けないと明言しており、地域の除外ができる広告基盤かを確かめ、群ごとに一つの配信と予算を用意し、期間中は価格や施策をそろえるのは利用者の側の仕事です。実験期間中は、試験の地域に予算の2%以下、対照の地域に5%以下しか漏れていないことを確かめる目安も示されています。

実験なしで採ってよい配分案、採ってはいけない配分案

すべての配分案を実験で確かめていたら、モデルを1日で作った意味がなくなります。実験には費用がかかり、試験の地域では売上を一時的に手放すこともあるからです。そこで、案の性質によって扱いを分けます。

配分案の性質	扱い	理由
過去に動かした範囲の中での小さな調整	手順1〜4の検算で採ってよい	モデルが実際のデータで見た範囲の中にある
過去に一度も試していない規模の増額	実験で確かめてから	モデルは見たことのない範囲を推し量っている
チャネルを止める、大きく減らす案	実験で確かめてから	止めた影響は戻すのに時間がかかる
持ち越しが長いと推定されたチャネルの削減	長めの実験で確かめてから	短い期間では影響が見えにくい
外れ値の扱いで結論が変わる案	採らない。データを直してから組み直す	案が出来事に引っ張られている

線を引くときの基準は、その案が外れたときに、取り返しにどれだけの時間と費用がかかるかです。少しの調整なら次の四半期に戻せますが、ブランド広告を止めた影響は半年後に出てくることもあります。取り返しのつかない案ほど、確かめる費用を払う価値があります。

BtoBの少ないデータで起きること

Mutinex の公表している利用企業は、食品、通信、金融、小売など、週ごとの売上の数が多い消費者向けの業種が中心です。BtoBでMMMを使うときには、週ごとの受注の件数が少なく、商談の期間が長いため、広告費の変化と売上の変化を同じ週で結び付けにくいという壁があります。受注が月に数件しかない会社では、広告費を動かしても売上の側の揺れに埋もれてしまいます。

よく取られる回避策は、売上の代わりに、問い合わせ件数や商談の作成件数など、もっと数の多い途中の指標をモデルの目的に置くことです。ただしこの場合、配分案は「問い合わせを増やす配分」であって「受注を増やす配分」ではありません。問い合わせの質がチャネルによって違うなら、案はむしろ逆方向に働くことがあります。採用する前に、チャネルごとの商談化率と受注率を別に確かめる必要があります。

実験の側にも制約があります。公式の説明では、地域を分けた実験は米国の場合、売上がある地域を40以上モデル化していることが条件とされています。顧客が首都圏の大企業に集中しているBtoB企業では、地域で分けても群の間の差が大きく、実験がそもそも組めないことがあります。その場合は、期間で区切って広告を止めてみる、特定の業種の顧客にだけ配信を変える、といった別の確かめ方を検討することになります。

MAITE の答えを意思決定にどう使うか

MAITE は、公式の説明では「ポケットの中のAI成長コンサルタント」とされ、利用企業のMMMのモデルで学習させた非公開の大規模言語モデルと紹介されています。モデルの出力、組織や目標の情報、アップロードした資料をもとに、予算配分、ブランドと獲得のバランス、チャネルごとの投資対効果、季節の打ち出しの時期などの質問に答えます。英国の広告効果の調査会社と提携し、10万件を超える事例と効果のデータベースを参照できるとも説明しています。

気をつけたいのは、公式のページを見る限り、答えの根拠をどこまで示すかが明記されていないことです。紹介画面の例には、6か月先の投資対効果の予測が不確かさの注記なしで示されていました。会話の答えは、モデルの数字を言葉で言い換えたものであり、モデル以上に確かになることはないという前提で扱う必要があります。

使いどころは、会議の前の論点出しと、担当者がモデルの読み方を確かめる場面です。たとえば「この配分案は、どのチャネルの持ち越しの推定に一番依存しているか」と聞き、返ってきた答えを手順2の確かめに使う、という使い方です。逆に、答えをそのまま経営会議の資料に貼ることは避けます。資料に載せる数字は、モデルの画面と検算の記録から人が転記し、出所を明記するのが原則です。

何が社外に出るか、費用はどう増えるか、止め方とやめ方

GrowthOS に渡すのは、チャネル別の広告費、売上、価格といった集計データが中心で、個人を特定するデータは通常は必要ありません。ただし、地域別のモデルを組む場合は地域ごとの売上を渡すことになり、事業部ごと、地域ごとの売上は、多くの会社で社外秘に当たる経営情報です。契約の前に、保管場所の国、保管期間、解約後の削除の手順を書面で確かめます。

MAITE について、公式のページは「データが他の利用企業と共有されることも、外部のモデルの学習に使われることもない」と説明しています。一方で、どの事業者の言語モデルを基にしているかは公開ページでは明かされていません。アップロードした資料や経営目標の文書がどこで処理されるかは、情報システム部門の審査で確かめておきたい点です。

• 費用の公開情報は限られ、セルフサービス版の価格も公式ページでは示されていない。見積もりの段階で、モデルの数、地域の数、実験の回数で費用がどう増えるかを確かめる
• 実験の費用は利用料だけではない。試験の地域で広告を止めるなら、その期間の売上の機会損失も費用として見込む
• 解約したときに、モデルの推定結果や実験の記録を自社の形式で持ち出せるかを確かめておく。次の測定基盤に移るときの比較の土台になる

止め方は、配分案の自動の反映をしないことで担保します。Mutinex は広告の買い付けをしないため、配分案が勝手に広告費を動かすことはありませんが、案を広告基盤の予算に反映する操作を誰が承認するかを決めておかないと、担当者の判断で少しずつ動いていきます。承認の記録を残し、四半期ごとに、採った案と結果を突き合わせます。

誰が何を決めるか：マーケ・財務・経営の持ち分

エージェント型のMMMを入れると、モデルを作る人がいなくなる代わりに、モデルの答えを受け取る人の責任が重くなります。役割をあいまいにしたままだと、マーケは「モデルがそう言った」と言い、財務は「マーケが出した数字だ」と言い、配分案の誤りの持ち主がいなくなります。

おすすめは、データ、検算、承認の三つの持ち主を分けることです。データの持ち主は、売上や広告費の定義と継ぎ目の一覧に責任を持ちます。検算の持ち主は、手順2から4を行い、案ごとに「採ってよい」「実験に回す」「採らない」の判定を記録します。承認の持ち主は、実験に回す案の費用と、採用する案の金額を決める人で、通常はマーケの責任者と財務の担当者が並んで持ちます。

Mutinex には、利用企業の解釈を支援する担当者がつく仕組みもあると説明されていますが、外部の支援者はあくまで解釈の相談相手です。社内の承認の持ち主の代わりにはなりません。外部の支援を受けるほど、社内の誰が最後に決めたかを記録に残しておくことが大切になります。

よくある質問

MMMを外部の分析会社に頼むのと比べて、何が違いますか。

大きな違いは、モデルを作る時間と、モデルを作る人と使う人の間の会話の量です。外部の分析会社では、作る過程で質疑が繰り返され、外れ値や前提の議論が自然に起きます。エージェント型ではその過程が短くなるため、この記事の手順1から3を社内で意識して行う必要があります。

日本の企業でも使えますか。

公式の説明では、拠点は豪州と米国で、実験の機能の提供先も米国と豪州とされています。日本の地域単位でのモデル化や実験に対応しているかは、公開情報では確かめられませんでした。日本の売上データで使う場合は、試行の段階で、地域の区分と祝日の扱い、日本語の資料の読み込みを確かめてください。

実験をせずに、モデルの当てはまりだけで判断してはいけませんか。

過去に動かした範囲の中での小さな調整なら、当てはまりの検査で十分なことが多いです。ただし、過去にない規模の増額や、チャネルを止める案は、モデルが見たことのない範囲の推し量りなので、当てはまりが良くても外れることがあります。そうした案だけを実験に回す、という使い分けが現実的です。

Signals の露出の数字を、配分案の材料に入れてよいですか。

公式の説明では、Signals は露出と広告や広報の活動との連動を「方向感」として示す機能で、早期提供の段階です。配分の主たる根拠にはせず、ブランド施策を議論するときの参考情報にとどめるのが安全です。

まとめ

Mutinex の GrowthOS は、生データから1日以内にMMMを組み、配分案まで出すことで、効果測定の待ち時間を大きく縮めました。2026年10月には、配分案を地域の実験で確かめてモデルに戻す機能も加わっています。一方で、モデルの当たり外れを決めるデータの量と前提の妥当さは、作る速さでは変わりません。配分案を受け取ったら、データの欠けと継ぎ目、前提、外れ値、過去への当てはまりを人が確かめ、取り返しのつかない大きな移動だけを実験に回す。BtoBの少ないデータでは途中の指標と商談化率を分けて確かめ、MAITE の答えは論点出しに使い、資料の数字は人が出所を明記して載せる。速さを判断の質につなげるには、確かめる線を先に決めておくことが欠かせません。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。