A priori de ROIm et comparaison avec les a priori de ROI

Les a priori de ROIm sont une alternative aux a priori de ROI pour les canaux média payant. Le ROIm d'un canal est défini comme le retour attendu sur une unité monétaire supplémentaire de dépenses. L'unité monétaire supplémentaire est répartie entre les régions géographiques et les périodes en augmentant la couverture, tout en conservant une fréquence moyenne fixe.

Le choix entre les a priori de ROI et de ROIm a des répercussions importantes, en particulier si votre objectif est de créer une parité des a priori sur les canaux. Le ROI et le ROIm ont une distribution a priori. Si l'a priori de ROI est spécifié, un a priori de ROIm est induit. Si l'a priori de ROIm est spécifié, un a priori de ROI est induit. Un a priori induit n'appartient pas à une famille paramétrique et n'est généralement pas indépendant des autres paramètres du modèle. La distribution exacte d'un a priori induit dépend de la distribution de l'exécution média d'un canal dans les régions géographiques et les périodes. Il est important de noter que même si un a priori de ROI (ROIm) commun est utilisé pour tous les canaux, l'a priori de ROIm (ROI) induit diffère toujours selon le canal.

Lorsque la fonction de Hill est concave, par exemple lorsque son paramètre de pente est égal à 1 (hypothèse par défaut), les canaux sans données de couverture et de fréquence auront toujours un ROI global plus élevé que leur ROI marginal. Si vous utilisez un a priori de ROI, la distribution a priori de ROI marginal induite sera strictement inférieure pour un canal sans couverture ni fréquence. À l'inverse, si vous utilisez un a priori de ROI marginal, l'a priori de ROI induit sera strictement supérieur pour un canal sans couverture ni fréquence.

Pour les canaux avec couverture et fréquence, le ROI marginal par couverture est égal au ROI. En effet, l'a priori de ROI marginal est appliqué au ROI marginal par couverture (la prochaine unité monétaire dépensée augmente la couverture sans modifier la fréquence moyenne). Selon la spécification du modèle Meridian, les effets média sont linéaires en termes de couverture. Par conséquent, le choix entre une paramétrisation de l'a priori de ROI et une paramétrisation de l'a priori de ROI marginal n'a aucun impact sur l'a priori pour les canaux avec couverture et fréquence. Toutefois, le choix entre la paramétrisation du ROI et celle du ROI marginal aura toujours un impact sur l'inférence a posteriori pour les canaux avec couverture et fréquence, car :

• Le choix a priori pour les autres canaux affecte l'adéquation du modèle et les résultats a posteriori pour les canaux avec couverture et fréquence.
• Les distributions a priori du ROI et du ROIm par défaut sont différentes.

Si vous souhaitez examiner l'a priori induit pour un modèle spécifique, vous pouvez l'obtenir en appelant sample_prior, suivi d'un appel à la méthode roi ou marginal_roi de la classe Analyzer avec l'argument use_posterior=False.

Raisons pour lesquelles choisir les a priori de ROI :

• Un a priori de ROI commun peut être utilisé pour tous les canaux afin de créer une parité de ROI a priori. À mesure que l'a priori se renforce (et que l'écart-type diminue), les distributions de ROI a posteriori diminuent pour s'approcher d'une valeur commune.
• Des a priori de ROI propres à un canal peuvent être utilisés pour intégrer des connaissances préalables, telles que les résultats de tests.
• Même si les a priori de ROI ne contrôlent pas les réaffectations de budget pour l'optimisation aussi bien que les a priori de ROIm, des contraintes de dépenses d'optimisation peuvent être utilisées afin de limiter le montant de la réaffectation de budget proposée pour un canal donné.

Raisons pour lesquelles choisir les a priori de ROIm :

• Un a priori de ROIm commun peut être utilisé pour tous les canaux afin de créer une parité de ROIm a priori. À mesure que l'a priori se renforce, les valeurs de ROIm a posteriori diminuent pour s'approcher d'une valeur commune.
• Une parité de ROIm a priori entraîne généralement des réaffectations moins importantes du budget pour l'optimisation :
  • Si le même a priori de ROIm est utilisé pour tous les canaux, la répartition de budget optimale a priori sera égale à l'historique.
  • À mesure que l'a priori se renforce, la répartition de budget optimale a posteriori diminue pour s'approcher de l'historique.
  • Malgré l'utilisation d'a priori de ROIm forts, un canal disposant de données de couverture et de fréquence peut toujours bénéficier d'une réaffectation positive importante des dépenses lors de l'optimisation, si nous utilisons également la fréquence optimale de ce canal plutôt que la fréquence historique. L'a priori de ROIm est appliqué au ROIm basé sur la fréquence historique, qui est toujours inférieur au ROIm basé sur la fréquence optimale. Par défaut, l'optimisation du budget est exécutée avec la fréquence optimale, mais la méthode d'optimisation contient un argument booléen use_optimal_freq qui permet de définir si l'optimisation est exécutée avec la fréquence optimale ou historique.

N'oubliez pas que le ROIm diffère selon les périodes. Par conséquent, si votre période d'optimisation ne correspond pas à celle de l'a priori de ROIm, il est possible que les a priori de ROIm ne régularisent pas comme prévu les réaffectations de budget pour l'optimisation. Vous pouvez ajuster la période de votre optimisation à l'aide de l'argument selected_time de BudgetOptimizer.optimize(). Vous pouvez ajuster la période de votre a priori de ROIm à l'aide des arguments roi_calibration_period et rf_roi_calibration_period de ModelSpec. Par défaut, les deux périodes seront définies sur la période de modélisation complète.