Frequência de atualização
Atualize os modelos sempre que quiser. A seleção e o ajuste de modelos são normalmente processos iterativos, que talvez exijam atualização com a chegada de novos dados. O modelo pode ser atualizado de forma trimestral, anual ou na frequência que fizer mais sentido para seu processo de definição do orçamento de marketing.
Dica: incorporar novos dados adicionando-os aos dados mais antigos
Recomendamos adicionar os novos dados aos mais antigos e executar o Meridian. É preciso considerar se os dados mais antigos devem ou não ser descartados para acomodar os novos. Isso pode ser necessário para permanecer na janela de dados de dois a três anos, comum em uma MMM. O Meridian não modela a eficácia da mídia como variável com o tempo. Portanto, a decisão de descartar dados antigos ao anexar novos é uma compensação entre viés e variância. Uma janela de tempo mais longa reduz a variância porque você tem mais dados, mas pode aumentar o viés se a eficácia e as estratégias de mídia tiverem mudado drasticamente ao longo do tempo.
Observe que as estimativas da MMM costumam apresentar uma grande variância. Isso pode significar que incorporar até mesmo uma quantidade relativamente pequena de novos dados poderá ter um efeito notório nos resultados do modelo. Por isso, existem motivos comerciais válidos para definir as distribuições a priori no novo modelo de forma a incentivar que sua distribuição a posteriori corresponda à do modelo antigo. Recomendamos que você defina as distribuições a priori com base no conhecimento anterior e na intuição, e é razoável que essa intuição seja fundamentada por resultados anteriores de MMM. Você define até que ponto os resultados anteriores de MMM devem informar seu conhecimento e intuição anteriores. No entanto, considere que a definição de distribuições a priori que correspondem aos resultados de uma MMM antiga contabiliza os dados antigos duas vezes.
Alternativa: modelar novos dados de forma independente e usar distribuições a priori
Alguns podem considerar a incorporação de novos dados ajustando um modelo apenas a essas novas informações, de forma independente dos dados usados em modelos antigos. Embora tecnicamente possível, mesmo com uma pequena quantidade de dados, como os de apenas um trimestre, isso não é recomendado em geral.
A modelagem dos novos dados de forma totalmente independente dos dados antigos não estima com precisão os efeitos de defasagem. O Meridian permite que os dados de mídia incluam mais períodos (antigos) do que os dados de KPI e controle. Isso permite que os efeitos de defasagem sejam modelados com mais precisão, começando com o primeiro período de dados de KPI. É melhor incluir períodos de max_lag de dados de mídia antes do primeiro período de dados de KPI sempre que possível.
Uma pequena quantidade de dados novos provavelmente não é informativa o suficiente para que o modelo tire conclusões (consulte "Quantidade de dados necessários"). Talvez seja necessário incorporar as informações dos dados antigos usando uma distribuição a priori informada pela distribuição a posteriori do modelo mais antigo. Embora a distribuição a posteriori conjunta e integral de todos os parâmetros teoricamente contenha todas as informações de dados mais antigos (e usá-la como a priori para novos dados seria semelhante a ajustar um novo modelo que combina dados antigos e novos), o Meridian usa distribuições a priori independentes para parâmetros individuais. Portanto, mesmo que a distribuição a posteriori de cada parâmetro individual seja transferida como a priori, ela pode não capturar totalmente a distribuição a posteriori conjunta e integral, que considera as interdependências entre os parâmetros. Além disso, os modelos bayesianos exigem uma distribuição a priori paramétrica para cada parâmetro. A amostragem MCMC fornece uma amostra empírica da distribuição a posteriori, que pode ou não ter uma aproximação paramétrica adequada para uso direto como uma distribuição a priori.