Las distribuciones a priori del mROI son una alternativa a las distribuciones a priori del ROI para los canales de medios pagados. El mROI de un canal se define como el retorno previsto de una unidad monetaria adicional de inversión. La unidad monetaria adicional se asigna a las diferentes regiones geográficas y períodos aumentando el alcance y manteniendo fija la frecuencia promedio.
La elección entre las distribuciones a priori del ROI y del mROI tiene implicaciones importantes, en particular si tu objetivo es crear paridad a priori en todos los canales. Tanto el ROI como el mROI tienen una distribución a priori. Si se especifica la distribución a priori del ROI, se induce una distribución a priori del mROI. Si se especifica la distribución a priori del mROI, se induce una distribución a priori del ROI. Las distribuciones a priori inducidas no pertenecen a una familia paramétrica y, por lo general, no son independientes de otros parámetros del modelo. La distribución exacta de una distribución a priori inducida depende de la distribución de la ejecución de los medios de un canal en las diferentes regiones geográficas y períodos. Es importante destacar que, incluso si se usa una distribución a priori del ROI (o mROI) común para todos los canales, la distribución a priori del mROI (o ROI) inducida seguirá difiriendo según el canal.
Cuando la función de Hill es cóncava, por ejemplo, cuando su parámetro de pendiente es igual a uno (la suposición predeterminada), los canales sin datos de alcance y frecuencia siempre tendrán un ROI general más alto que su ROI marginal. Si usas una distribución a priori del ROI, la distribución a priori inducida del ROI marginal será estrictamente menor para los canales sin datos de alcance y frecuencia. Por el contrario, si usas una distribución a priori del ROI marginal, la distribución a priori inducida del ROI será estrictamente mayor para los canales sin datos de alcance y frecuencia.
En el caso de los canales con datos de alcance y frecuencia, el ROI marginal según el alcance es igual al ROI. Esto se debe a que la distribución a priori del ROI marginal se aplica al ROI marginal según el alcance (la siguiente unidad monetaria invertida aumenta el alcance sin cambiar la frecuencia promedio). Según la especificación del modelo de Meridian, los efectos de los medios son lineales en lo que respecta al alcance. Por lo tanto, la elección entre la parametrización de la distribución a priori del ROI y el ROI marginal no tiene ningún impacto en la distribución a priori de los canales con datos de alcance y frecuencia. Sin embargo, la elección entre la parametrización del ROI y el ROI marginal seguirá afectando la inferencia de la distribución a posteriori para los canales con datos de alcance y frecuencia por los siguientes motivos:
- La elección de la distribución a priori para otros canales afecta el ajuste del modelo y los resultados a posteriori de los canales con datos de alcance y frecuencia.
- Las distribuciones a priori predeterminadas del ROI y del mROI difieren.
Si te interesa examinar la distribución a priori inducida para un modelo en particular, puedes obtenerla llamando a sample_prior y, luego, al método roi o marginal_roi de la clase Analyzer con el argumento use_posterior=False.
Motivos para elegir las distribuciones a priori del ROI:
- Se puede usar una distribución a priori del ROI común en todos los canales para crear una paridad a priori del ROI. A medida que la intensidad de la distribución a priori aumente (y la desviación estándar disminuya), las distribuciones a posteriori del ROI se reducirán hacia un valor común.
- Las distribuciones a priori del ROI específicas de cada canal se pueden usar para incorporar el conocimiento previo, como los resultados del experimento.
- Aunque las distribuciones a priori del ROI no controlen los cambios en el presupuesto de optimización con la misma eficacia que las distribuciones a priori del mROI, se puede restringir la inversión en optimización para limitar el importe del cambio de presupuesto propuesto para un canal determinado.
Motivos para elegir las distribuciones a priori del mROI:
- Se puede usar una distribución a priori del mROI común en todos los canales para crear una paridad a priori del mROI. A medida que aumente la intensidad de la distribución a priori, los valores a posteriori del mROI se reducirán hacia un valor común.
- Por lo general, la paridad a priori del mROI genera cambios en el presupuesto de optimización menos significativos:
- Si se usa la misma distribución a priori del mROI para todos los canales, la asignación óptima del presupuesto a priori será igual a la histórica.
- A medida que aumente la intensidad de la distribución a priori, la asignación óptima del presupuesto a posteriori se reducirá hacia un valor común.
- A pesar del uso de distribuciones a priori sólidas del mROI, un canal con datos de alcance y frecuencia podría recibir un cambio positivo significativo en la inversión durante la optimización si también usamos la frecuencia óptima de ese canal en lugar de la histórica. La distribución a priori del mROI se aplica al mROI con la frecuencia histórica, que siempre es inferior al mROI con la frecuencia óptima. De forma predeterminada, la optimización del presupuesto se ejecuta con la frecuencia óptima, pero el método de optimización contiene un argumento booleano
use_optimal_freq, que se puede usar para establecer si la optimización se ejecuta con la frecuencia óptima o histórica.
Es importante considerar que el mROI difiere en los distintos períodos, por lo que, si el período de optimización no se alinea con el período de la distribución a priori del mROI, es posible que tal distribución no regularice los cambios en el presupuesto de optimización según lo previsto. Puedes ajustar el período de optimización con el argumento selected_time de BudgetOptimizer.optimize().
Puedes ajustar el período de la distribución a priori del mROI con los argumentos roi_calibration_period y rf_roi_calibration_period de ModelSpec. De forma predeterminada, ambos períodos se establecerán en el período de modelado completo.