Aktualisierungshäufigkeit
Modelle können beliebig oft aktualisiert werden. Die Modellauswahl und -optimierung ist in der Regel ein iterativer Prozess, in den möglicherweise neue Daten einfließen müssen. Sie können das Modell vierteljährlich, jährlich oder in einer Häufigkeit aktualisieren, die dem Entscheidungsprozess für Ihr Marketingbudget entspricht.
Empfohlen: Neue in ältere Daten einfügen
Wir empfehlen, die neuen Daten den älteren Daten hinzuzufügen und Meridian auszuführen. Es ist zu überlegen, ob die ältesten Daten verworfen werden sollen, um Platz für die neuen zu schaffen. Dies kann erforderlich sein, um das Datenfenster von 2–3 Jahren einzuhalten, das in einer MMM üblich ist. In Meridian wird die Wirkung von Media nicht als etwas betrachtet, das sich mit der Zeit ändert. Die Entscheidung, alte Daten zu verwerfen, wenn neue hinzugefügt werden, stellt einen Kompromiss zwischen Bias und Varianz dar. Wenn Sie neue Daten anhängen, verringert sich die Varianz, da mehr Daten zur Verfügung stehen. Dies kann jedoch den Bias steigern, wenn sich Media-Effektivität und ‑Strategien im Laufe der Zeit drastisch verändert haben.
MMM-Schätzungen weisen oft eine hohe Varianz auf. Das kann bedeuten, dass selbst die Aufnahme einer relativ kleinen Menge neuer Daten einen spürbaren Einfluss auf die Ergebnisse des Modells haben kann. Daher kann es aus geschäftlichen Gründen sinnvoll sein, die Priors im neuen Modell so zu gestalten, dass der Posterior des neuen mit dem des alten Modells übereinstimmt. Sie sollten Priors auf eine Weise festlegen, die sowohl auf Vorwissen als auch auf Intuition beruht, wobei vergangene MMM-Ergebnisse als angemessene Informationsquelle genutzt werden können. Sie entscheiden selbst, inwieweit Sie diese Ergebnisse nutzen. Das Festlegen von Priors, die direkt auf früheren MMM-Ergebnissen basieren, kann jedoch dazu führen, dass die vorherigen Daten doppelt gezählt werden.
Alternative: Neue Daten getrennt modellieren und Priors verwenden
Einige Nutzer ziehen es in Betracht, nur neue Daten in einem Modell zu berücksichtigen, unabhängig von den Daten, die in alten Modellen verwendet wurden. Auch wenn dies technisch möglich ist, wird es selbst bei einer kleinen Datenmenge wie einem Quartal in der Regel nicht empfohlen.
Wenn die neuen Daten völlig unabhängig von den alten Daten modelliert werden, werden verzögerte Effekte nicht richtig berücksichtigt. Bei Meridian können Media-Daten mehr (ältere) Zeiträume umfassen als die KPI- und Kontrolldaten. So können die verzögerten Effekte ab dem ersten KPI-Zeitraum genauer modelliert werden. Es empfiehlt sich, nach Möglichkeit mit „max_lag“ Zeiträume für Media-Daten vor dem ersten Zeitraum mit KPI-Daten einzubinden.
Eine kleine Menge neuer Daten ist für das Modell wahrscheinlich nicht aussagekräftig genug, um Rückschlüsse zu ziehen (siehe „Erforderliche Datenmenge“). Es kann sinnvoll sein, die Informationen aus den alten Daten zu berücksichtigen, indem eine Prior-Verteilung verwendet wird, die auf der Posterior-Verteilung des älteren Modells basiert. Die vollständige gemeinsame Posterior-Verteilung aller Parameter enthält zwar theoretisch alle Informationen aus älteren Daten. Die Verwendung als Prior für neue Daten würde jedoch dem Anpassen eines neuen Modells entsprechen, das sowohl alte als auch neue Daten kombiniert. Meridian verwendet unabhängige Prior-Verteilungen für einzelne Parameter. Deshalb würde die Posterior-Verteilung, auch wenn sie für jeden einzelnen Parameter als Prior übernommen würde, möglicherweise nicht die vollständige gemeinsame Posterior-Verteilung abdecken, die Abhängigkeiten zwischen den Parametern berücksichtigt. Darüber hinaus erfordern bayessche Modelle für jeden Parameter eine parametrische Prior-Verteilung. Die MCMC-Stichprobenerhebung liefert eine empirische Stichprobe aus der Posterior-Verteilung, die eine geeignete parametrische Näherung für die direkte Verwendung als Prior haben kann oder nicht.