Fréquence d'actualisation
Vous pouvez actualiser les modèles aussi souvent que vous le souhaitez. La sélection et le réglage des modèles font généralement partie d'un processus itératif, qui peut nécessiter une actualisation prenant en compte les nouvelles données. Vous pouvez opter pour une mise à jour trimestrielle ou annuelle de votre modèle, ou encore choisir une fréquence qui correspond à votre processus de décision concernant le budget marketing.
Recommandation : regroupez les nouvelles données avec les anciennes
Nous vous recommandons d'ajouter les nouvelles données aux anciennes et d'utiliser Meridian. Vous devrez peut-être supprimer les données les plus anciennes afin de pouvoir intégrer les nouvelles. C'est parfois nécessaire pour respecter les périodes de données habituellement utilisées dans les MMM, qui vont de deux à trois ans. Meridian ne modélise pas l'efficacité média comme variant dans le temps. Choisir d'éliminer les anciennes données lors de l'ajout des nouvelles relève donc d'un compromis entre variance et biais. Opter pour une période plus longue permet de réduire la variance, car vous disposez de plus de données. Cependant, cela peut aussi créer davantage de biais si l'efficacité et les stratégies média ont radicalement changé au fil du temps.
N'oubliez pas que les estimations MMM présentent souvent une variance élevée. Par conséquent, intégrer de nouvelles données, même en quantité relativement limitée, peut avoir des effets visibles sur les résultats de votre modèle. Vous pouvez donc avoir des raisons métier justifiées pour définir des a priori dans le nouveau modèle de manière à favoriser la correspondance entre les a posteriori du nouveau modèle et ceux de l'ancien. Nous vous recommandons de définir ces a priori en fonction de vos connaissances préalables et de votre intuition, laquelle peut raisonnablement être influencée par les résultats MMM passés. C'est à vous de décider dans quelle mesure vous souhaitez que ces résultats MMM passés informent les connaissances et l'intuition liées à vos a priori. Toutefois, notez que si vous définissez des a priori correspondant aux résultats d'un MMM précédent, les anciennes données seront comptabilisées deux fois.
Autre option : modélisez les nouvelles données séparément et utilisez des a priori
Il peut être utile, dans certains cas, d'intégrer les nouvelles données à un modèle spécialement configuré pour celles-ci, qui exclut les données utilisées dans les anciens modèles. Cependant, bien que cela soit techniquement possible, même pour de courtes périodes de données (un trimestre, par exemple), cette option n'est généralement pas recommandée.
Lorsque vous modélisez exclusivement des nouvelles données, les effets différés ne sont pas correctement pris en compte. Dans Meridian, les données média peuvent couvrir plus de périodes (et donc remonter plus loin dans le temps) que les données de KPI et de contrôle. Cela permet une modélisation plus précise des effets différés à partir de la première période de données de KPI. Dans la mesure du possible, il est préférable d'inclure les périodes de données média max_lag avant la première période de données de KPI.
En petite quantité, les nouvelles données n'offrent en général pas suffisamment d'informations à un modèle pour lui permettre de tirer des conclusions (voir "Quantité de données requises"). C'est pourquoi vous pouvez intégrer les informations fournies par des données plus anciennes à l'aide d'une distribution a priori basée sur l'a posteriori d'un précédent modèle. La distribution a posteriori conjointe de tous les paramètres contient, en théorie, toutes les informations fournies par les précédentes données. L'utiliser en tant que distribution a priori pour de nouvelles données reviendrait donc quasiment à ajuster un nouveau modèle combinant anciennes et nouvelles données. Cependant, Meridian utilise des distributions a priori indépendantes pour chaque paramètre. Par conséquent, même si la distribution a posteriori de chaque paramètre est reprise en tant que distribution a priori, elle ne couvrira pas forcément l'intégralité de la distribution a posteriori conjointe, qui tient compte des interdépendances entre les paramètres. De plus, les modèles bayésiens nécessitent une distribution a priori paramétrique pour chaque paramètre. L'échantillonnage MCMC fournit un échantillon empirique de l'a posteriori, qui peut ou non disposer d'une approximation paramétrique appropriée pour une utilisation directe en tant qu'a priori.