Meridian memerlukan distribusi yang diteruskan untuk kalibrasi ROI. Meskipun pengaturan sebelumnya kustom menggunakan hasil dari eksperimen sebelumnya adalah pendekatan yang tepat, ada banyak perbedaan yang perlu dipertimbangkan sebelum melanjutkan. Contoh:
Waktu eksperimen dalam kaitannya dengan jangka waktu MMM: Jika eksperimen dilakukan sebelum atau setelah jangka waktu MMM, hasilnya mungkin tidak langsung berlaku.
Durasi eksperimen: Eksperimen yang berdurasi singkat mungkin tidak secara efektif menangkap efek jangka panjang dari efektivitas pemasaran.
Kompleksitas eksperimen: Jika eksperimen melibatkan campuran saluran, hasilnya mungkin tidak memberikan wawasan yang jelas tentang performa setiap channel.
Perbedaan estimasi: Estimasi yang digunakan dalam eksperimen dapat berbeda dengan yang digunakan dalam MMM. Misalnya, kontrafaktual MMM adalah pembelanjaan nol, sedangkan beberapa eksperimen mungkin memiliki kontrafaktual yang berbeda, seperti pengurangan pengeluaran.
Perbedaan populasi: Populasi yang ditargetkan dalam eksperimen mungkin tidak sama dengan populasi yang dipertimbangkan dalam MMM.
Sebaiknya tetapkan prior kustom berdasarkan keyakinan Anda terhadap efektivitas saluran. Keyakinan sebelumnya dapat didasarkan pada banyak hal, termasuk eksperimen atau analisis yang dapat diandalkan lainnya. Gunakan keunggulan tersebut keyakinan sebelumnya untuk menginformasikan deviasi standar dari yang sebelumnya:
Jika Anda memiliki keyakinan kuat tentang efektivitas suatu saluran, Anda dapat menerapkan faktor penyesuaian pada standar deviasi dari mencerminkan kepercayaan diri Anda. Misalnya, Anda telah melakukan beberapa saluran tertentu dan semua eksperimen menghasilkan hasil serupa Perkiraan poin ROI, atau Anda memiliki data historis dari analisis MMM sebelumnya yang mendukung efektivitas saluran ini. Dalam hal ini, Anda dapat menyetel deviasi standar yang lebih kecil untuk sebelumnya sehingga distribusi tidak akan bervariasi secara luas. Distribusi yang lebih ketat ini mengindikasikan keyakinan Anda yang kuat terhadap hasil eksperimen.
Sebaliknya, eksperimen mungkin tidak selalu diterjemahkan ke dalam MMM, dengan mempertimbangkan beberapa nuansa yang tercantum sebelumnya. Dalam hal ini, Anda bisa memilih untuk menerapkan faktor penyesuaian pada simpangan baku dari distribusi sebelumnya. Misalnya, Anda dapat menetapkan standar deviasi yang lebih besar untuk tergantung pada tingkat skeptisisme Anda.
Anda harus mempertimbangkan untuk menggunakan argumen roi_calibration_period di
ModelSpec. Untuk informasi selengkapnya, lihat
Tetapkan periode kalibrasi ROI.
Saat menetapkan sebelumnya, distribusi LogNormal adalah
satu untuk digunakan. Kode contoh berikut dapat digunakan untuk mentransformasi
rata-rata dan error standar ke LogNormal sebelumnya
distribusi:
import numpy as np
def estimate_lognormal_dist(mean, std):
"""Reparameterization of lognormal distribution in terms of its mean and std."""
mu_log = np.log(mean) - 0.5 * np.log((std/mean)**2 + 1)
std_log = np.sqrt(np.log((std/mean)**2 + 1))
return [mu_log, std_log]
Namun, jika hasil dari eksperimen sebelumnya mendekati nol, Anda harus
mempertimbangkan apakah keyakinan Anda sebelumnya
diwakili secara akurat oleh
distribusi non-negatif, seperti distribusi LogNormal. Rab
sangat menyarankan untuk merencanakan distribusi
sebelumnya untuk memastikan kecocokannya
intuisi Anda sebelumnya sebelum
melanjutkan ke analisis. Hal berikut
kode contoh menunjukkan cara mendapatkan LogNormal yang diparameterisasi ulang
menentukan distribusi, dan mengambil sampel dari parameter tersebut.
import tensorflow as tf
import tensorflow_probability as tfp
# Get reparameterized LogNormal distribution parameters
mu_log, std_log = estimate_lognormal_dist(mean, std)
mu_log = tf.convert_to_tensor(mu_log, dtype=tf.float32)
std_log = tf.convert_to_tensor(std_log, dtype=tf.float32)
# Define the LogNormal distribution
lognormal_dist = tfp.distributions.LogNormal(mu_log, std_log)
# Draw 10,000 samples
lognormal_samples = lognormal_dist.sample(10000).numpy()