Frecuencia de actualización
Las actualizaciones de modelos se pueden realizar con la frecuencia que desees. La selección y el ajuste del modelo suelen ser un proceso iterativo, que puede ser necesario actualizar junto con los datos nuevos. Puedes considerar actualizar el modelo de forma trimestral o anual, o con una frecuencia que coincida con tu proceso de toma de decisiones sobre el presupuesto de marketing.
Opción recomendada: Incorpora datos nuevos agregándolos a los datos más antiguos
Te recomendamos que agregues los datos nuevos a los datos más antiguos y ejecutes Meridian. Se debe considerar si se deben descartar o no los datos más antiguos para incorporar los datos nuevos. Esto puede ser necesario para permanecer en el período de datos de 2 a 3 años que es común en un MMM. Meridian no modela la efectividad de los medios como variable en el tiempo. Por lo tanto, la decisión de descartar datos antiguos cuando se agregan datos nuevos es una compensación entre sesgo y varianza. Un período más largo reduce la varianza, ya que tienes más datos, pero puede aumentar el sesgo si la efectividad y las estrategias de los medios cambiaron drásticamente con el paso del tiempo.
Ten en cuenta que las estimaciones de MMM suelen tener una gran varianza. Esto puede significar que la incorporación de incluso una cantidad relativamente pequeña de datos nuevos puede tener un efecto notable en los resultados del modelo. Por ello, puede haber motivos comerciales válidos para establecer las distribuciones a priori en el modelo nuevo para que la distribución a posteriori del modelo nuevo coincida con la del modelo anterior. Te recomendamos que establezcas distribuciones a priori en función de tus conocimientos previos y tu intuición, y es razonable que la intuición se base en los resultados anteriores del MMM. Tú decides qué lugar quieres darles a los resultados anteriores del MMM en tus conocimientos previos y tu intuición. Sin embargo, ten en cuenta que, si estableces distribuciones a priori que coincidan con los resultados anteriores del MMM, los datos anteriores se contabilizan dos veces.
Opción alternativa: Modela los datos nuevos de forma independiente y usa distribuciones a priori
Algunos pueden considerar incorporar datos nuevos ajustando un modelo solo a esos datos nuevos, de forma independiente de los datos que se usan en los modelos anteriores. Aunque técnicamente es posible, incluso para una pequeña cantidad de datos, como un trimestre, por lo general, no se recomienda.
Si modelas los datos nuevos de forma completamente independiente de los datos anteriores, no se considerarán los efectos rezagados de forma correcta. Meridian permite que los datos de medios incluyan períodos más largos (más antiguos) que los datos de KPI y controles. Esto permite que los efectos rezagados se modelen con mayor exactitud a partir del primer período de los datos del KPI. Siempre que sea posible, es mejor incluir los períodos de max_lag de los datos de medios antes del primer período de los datos de KPI.
Es probable que una pequeña cantidad de datos nuevos no sea lo suficientemente informativa para que el modelo saque conclusiones (consulta Cantidad de datos necesarios). Es posible que se desee incorporar la información de los datos anteriores usando una distribución a priori basada en la distribución a posteriori del modelo más antiguo. Si bien la distribución a posteriori conjunta completa de todos los parámetros contiene, en teoría, toda la información de los datos más antiguos (y usarla como una distribución a priori para los datos nuevos sería similar a ajustar un modelo nuevo que combine datos antiguos y nuevos), Meridian usa distribuciones a priori independientes para los parámetros individuales. Por lo tanto, incluso si la distribución a posteriori de cada parámetro individual se transfiriera como su distribución a priori, es posible que no capture por completo toda la distribución a posteriori conjunta, que tiene en cuenta las interdependencias entre los parámetros. Además, los modelos bayesianos requieren una distribución a priori paramétrica para cada parámetro. El muestreo de MCMC proporciona una muestra empírica de la distribución a posteriori, que puede tener o no una aproximación paramétrica adecuada para su uso directo como distribución a priori.