Introducción al modelado aplicado

El modelado aplicado es la base del flujo de trabajo de Meridian, en el que configuras, ejecutas e interpretas el modelo para obtener estadísticas sobre tu rendimiento de marketing. Esta sección proporciona una guía integral de los componentes del modelo Meridian, desde la comprensión de los datos de entrada y los conceptos básicos hasta la personalización avanzada a través de las distribuciones a priori y la calibración.

El modelo Meridian

Esta sección abarca los componentes fundamentales del modelo Meridian, desde los datos que necesita hasta la estructura matemática básica.

Página	Descripción
Datos de entrada	Esta página especifica el formato y la estructura de los datos que proporcionas a Meridian. En particular, detalla los diferentes tipos de datos de entrada, como tu KPI principal, la actividad de medios y las variables de control, además de explicar cómo el modelo transforma internamente esos datos para el análisis.
Variables de control	Esta página explica las variables de control, que son factores que pueden influir en tus resultados, pero que no forman parte de tus tratamientos de marketing. Además, indica cómo elegir las variables adecuadas para garantizar que las estimaciones de tu modelo sean precisas y no sesgadas.
Variables de tratamiento de medios orgánicos y que no son de medios	Esta página explica cómo clasificar las variables de tratamiento que no tienen un costo directo. Te ayuda a decidir si clasificar una actividad como de "medios orgánicos" (como una entrada de blog) o de "tratamiento no relacionado con los medios" (como un cambio de precio) para un modelado preciso.
Modelado de búsqueda pagada	Descubre las prácticas recomendadas para modelar campañas de búsqueda pagada. Esta guía destaca la importancia de usar el volumen de búsquedas de Google como una variable de control para obtener una comprensión imparcial del verdadero impacto de tus anuncios de búsqueda.
Observaciones de los datos de exclusión (división de entrenamiento y prueba)	Esta guía abarca la práctica de excluir una parte de tus datos para probar el rendimiento del modelo. En particular, explica cómo esto ayuda a comparar diferentes versiones del modelo y proporciona recomendaciones sobre la mejor manera de seleccionar esos datos de exclusión para obtener resultados confiables.
Especificaciones del modelo Meridian	Esta página proporciona una descripción de la ecuación matemática fundamental del modelo Meridian. Desglosa los componentes principales, incluido cómo maneja las diferentes ubicaciones geográficas, cómo se ajusta a las tendencias a lo largo del tiempo y cómo modela los efectos no lineales de los medios.
Alcance y frecuencia	Ve más allá de los recuentos de impresiones y crea modelos basados en datos de alcance y frecuencia. Esta guía explica cómo este enfoque puede proporcionar una visión más detallada de la eficacia de tus medios, ya que tiene en cuenta la cantidad de personas a las que llegas y la frecuencia con la que ven tus anuncios.
Saturación y rezago de los medios	Comprende los dos conceptos fundamentales de los efectos de marketing. Esta guía explica los "efectos rezagados" (Adstock), con los que el impacto de una campaña continúa a lo largo del tiempo, y la "saturación" (función de Hill), que tiene en cuenta los retornos decrecientes a medida que aumentas la inversión.

Parámetros basados en el tiempo

Aprende a modelar en Meridian los efectos temporales de manera eficaz, lo que incluye la tendencia y la estacionalidad.

Página	Descripción
Cómo establecer nudos	Comprende cómo Meridian modela los efectos temporales a través de "nudos". Esta guía explica qué son los nudos y cómo crean un modelo de referencia flexible para tu modelo, además de brindar asesoramiento para elegir la cantidad correcta de nudos para tus datos y describir la selección automática de nudos en Meridian.
Cómo establecer el parámetro max_lag	Esta página explica el parámetro de configuración max_lag, que controla cuánto tiempo supone el modelo que durará el impacto de un anuncio. En particular, presenta las ventajas y desventajas de elegir un período de rezago más largo o más corto, así como la manera en que esto afecta tu modelo.
Cómo establecer el parámetro adstock_decay_spec	Ajusta la forma en que tu modelo comprende los efectos rezagados de los medios. Esta página describe las diferentes formas de decaimiento (geométrico y binomial) que puedes elegir para la función de Adstock y proporciona consejos sobre cuál usar según tus canales de marketing.

Modelado a nivel nacional o a nivel geográfico

Descubre cómo funciona el modelado a nivel nacional y a nivel geográfico en Meridian.

Página	Descripción
Modelado a nivel nacional	Obtén información sobre cómo se adapta Meridian cuando solo tienes datos a nivel nacional en lugar de datos desglosados por región. Esta página explica que se trata como un caso especial del modelo a nivel geográfico y detalla los ajustes automáticos que se realizan.

Distribuciones a priori

Las distribuciones a priori son un elemento clave del modelado bayesiano y te permiten incorporar conocimientos existentes en el modelo. Esta sección explica cómo usarlas de manera eficaz.

Tipos de distribuciones a priori para los tratamientos

Meridian ofrece varias formas de definir las distribuciones a priori, cada una con diferentes implicaciones para el modelo.

Página	Descripción
Parametrización del ROI, el mROI y la contribución	Esta página profundiza en los detalles matemáticos de cómo Meridian reparametriza el modelo para permitirte establecer distribuciones a priori directamente en relación con las métricas comerciales, como el ROI, el mROI o la contribución.
Distribuciones a priori del mROI y comparación con las del ROI	Esta guía compara dos opciones avanzadas de distribuciones a priori: el ROI (retorno general) y el mROI (retorno del próximo dólar invertido). En particular, explica las diferencias y te ayuda a decidir cuál es más adecuada, en especial cuando tu objetivo es la optimización del presupuesto.
Cómo elegir los tipos de distribuciones a priori para los tratamientos	Obtén información para seleccionar el mejor tipo de distribución a priori para cada una de tus actividades de marketing. Esta página proporciona orientación acerca de si te conviene establecer una distribución a priori basada en el ROI, el mROI, la contribución o el coeficiente del modelo subyacente, lo que te ayudará a adaptar la configuración del modelo a tus conocimientos comerciales.

Distribuciones a priori predeterminadas

Comprende las suposiciones predeterminadas que Meridian hace para ayudarte en el comienzo.

Página	Descripción
Parametrización de distribuciones a priori predeterminadas	Meridian puede establecer distribuciones a priori relacionadas con diferentes métricas, como el ROI, la contribución o un coeficiente bruto. Esta página explica cuál de estas opciones usa Meridian de forma predeterminada para distintos tipos de marketing (pagado, orgánico, etc.) y en diferentes situaciones.
Distribuciones a priori predeterminadas	Esta página detalla las "distribuciones a priori" predeterminadas que Meridian usa de entrada. Las distribuciones a priori son las suposiciones iniciales que el modelo hace sobre sus parámetros antes de analizar tus datos. Esta guía muestra las formas estadísticas de esas suposiciones predeterminadas.
Cuando el KPI no corresponde a los ingresos (distribuciones a priori predeterminadas)	Esta página explica las distribuciones a priori predeterminadas de Meridian cuando el indicador clave de rendimiento (KPI) no corresponde a los ingresos. En particular, describe el concepto de una "distribución a priori de la contribución total de los medios pagados", que ayuda a estabilizar el modelo cuando no se aplica un ROI directo.

Distribuciones a priori personalizadas

Aprende a adaptar el modelo a tu contexto comercial específico estableciendo distribuciones a priori personalizadas basadas en experimentos, comparativas o cualquier otro conocimiento del dominio.

Página	Descripción
Distribuciones a priori y calibración del ROI	Obtén información sobre la "calibración", el proceso de incorporar conocimientos existentes en tu modelo a través de las distribuciones a priori del ROI. Esta guía explica cómo puedes aprovechar los resultados de experimentos anteriores o las comparativas de sectores para que los datos de salida de tu modelo sean más precisos y confiables.
Cómo establecer distribuciones a priori del ROI personalizadas con experimentos anteriores	Esta guía incluye pasos prácticos para traducir los resultados de pruebas A/B o estudios de incrementalidad anteriores en distribuciones a priori del ROI personalizadas para tu modelo. Específicamente, presenta consideraciones importantes para garantizar que la traducción sea significativa.
Cuando el KPI no corresponde a los ingresos (distribuciones a priori personalizadas)	Cuando tu objetivo comercial principal no se mide en función de los ingresos (como en el caso de los registros de usuarios), establecer distribuciones a priori puede resultar complicado. Esta página presenta varias estrategias para crear distribuciones a priori personalizadas que sean significativas para los KPIs que no se relacionan con los ingresos.
Cómo establecer distribuciones a priori personalizadas a partir de una combinación de familias de distribuciones	Esta guía muestra una técnica avanzada para crear distribuciones a priori personalizadas. En particular, explica cómo puedes combinar diferentes distribuciones estadísticas para reflejar con mayor precisión tus creencias previas sobre el rendimiento que debería tener un canal de marketing.