モデルを更新する

更新頻度

モデルの更新は、必要に応じて任意の頻度で行えます。モデルの選択とチューニングは通常、繰り返し行うプロセスであり、新しいデータに合わせて更新することが必要な場合があります。モデルは、四半期か年に 1 回、またはマーケティング予算を決定するタイミングで更新することを検討してください。

推奨: 古いデータに新しいデータを追加して取り込む

古いデータに新しいデータを追加してメリディアンを実行することをおすすめします。新しいデータを追加するために、最も古いデータを破棄するかどうかは検討する必要があります。最も古いデータを破棄することは、MMM のデータとして一般的な 2～3 年の期間内に収まるようにするために必要となる場合があります。メリディアンは、メディア効果を時間変動としてモデル化しません。したがって、新しいデータを追加するときに古いデータを破棄するかどうかは、バイアスと分散のバランスを考慮して判断してください。期間を長くするとデータ量が増えるため分散は少なくなりますが、時間の経過とともにメディアの効果と戦略が大幅に変化した場合は、バイアスが増す可能性があります。

MMM の推定値にはしばしば大きな分散があることを認識してください。つまり、組み込んだ新しいデータが比較的少量の場合でも、モデルの結果に顕著な影響を与える可能性があるということです。このため、新しいモデルで事前分布を設定して、新しいモデルの事後分布が古いモデルの事後分布と一致するようにすることが、ビジネス上妥当な場合もあります。事前分布は、事前分布に関する知識と、MMM の過去の結果から判断して設定することをおすすめします。MMM の過去の結果を、事前分布に関する知識や判断にどの程度反映させるかは、ご自身で決定してください。ただし、MMM の古い結果に基づいて事前分布を設定すると、古いデータが事実上 2 回カウントされる点を考慮してください。

別の方法: 新しいデータを分離してモデル化し、事前分布を使用する

古いモデルで使用されたデータと切り離して、新しいデータのみをモデルに組み込むことを検討している方もいらっしゃるかもしれません。これも技術的には可能ですが、四半期などの少量のデータでも、通常はおすすめしません。

新しいデータを古いデータと完全に分離してモデリングすると、遅延効果が適切に考慮されません。メリディアンでは、メディアデータに KPI データやコントロール データよりも長い（古い）期間を含めることができます。そうすることで、KPI データの最初の期間から遅延効果をより正確にモデリングできます。可能であれば、KPI データの最初の期間の前に、max_lag 期間のメディアデータを含めることを推奨します。

少量の新しいデータでは、モデルが結論を導き出すのに十分な情報量が得られない可能性があります（「必要なデータ量」をご覧ください）。古いモデルの事後分布に基づく事前分布を使用して、古いデータの情報を取り込むことも考慮してください。理論上、すべてのパラメータに完全に結合した事後分布を使用すれば、古いデータの全情報が含まれることになりますが（古いデータを新しいデータの事前分布として使用することは、古いデータと新しいデータの両方を組み合わせた新しいモデルを適合させる場合と同様です）、メリディアンでは、個別のパラメータに独立した事前分布を使用します。したがって、個別のパラメータの事後分布が事前分布として引き継がれたとしても、パラメータ間の相互依存性を考慮した、完全に結合した事後分布をすべて捉えたことにはならない可能性があります。また、ベイズモデルでは、各パラメータに事前分布が必要です。MCMC サンプリングは事後分布から実際的なサンプルが抽出され、これには、事前分布として直接使用するのに適したパラメトリック近似が含まれている場合と含まれていない場合があります。