El modelado de combinación de marketing (MMM) es una técnica de análisis estadístico que mide el impacto de las campañas y actividades de marketing para guiar las decisiones de planificación del presupuesto y mejorar la efectividad general de los medios. El MMM utiliza datos agregados para medir el impacto en los canales de marketing y tener en cuenta los factores no relacionados con el marketing que afectan los ingresos y otros indicadores clave de rendimiento (KPIs), además de que resguarda la privacidad y no usa cookies ni información a nivel del usuario.
Meridian es un framework de MMM que permite que los anunciantes configuren y ejecuten sus propios modelos internos. Meridian te ayuda a responder preguntas clave, como las siguientes:
- ¿Cómo generaron los canales de marketing mis ingresos o algún otro KPI?
- ¿Cuál fue mi retorno de la inversión (ROI1) de marketing?
- ¿Cómo puedo optimizar la asignación de mi presupuesto de marketing en el futuro?
Meridian es un framework de modelado altamente personalizable que se basa en la inferencia causal bayesiana. Puede manejar datos a gran escala a nivel geográfico, lo que se recomienda si están disponibles, pero también se puede usar para el modelado a nivel nacional. Meridian proporciona estadísticas y visualizaciones claras para fundamentar las decisiones comerciales en torno al presupuesto y la planificación de marketing. Además, Meridian proporciona metodologías para calibrar el MMM con experimentos y otra información de distribuciones a priori, así como para optimizar la frecuencia objetivo de los anuncios utilizando datos de alcance y frecuencia.
Características clave
Meridian admite todos los casos de uso principales del MMM a través de metodologías de modelado y optimización. Para obtener más información sobre las metodologías de Meridian, consulta las secciones Especificación del modelo y El modelo Meridian.
Además, las características clave incluyen las siguientes:
Modelado jerárquico a nivel geográfico: El modelo jerárquico a nivel geográfico de Meridian te permite utilizar datos de marketing a nivel geográfico, que pueden contener mucha más información sobre la efectividad de tus iniciativas de marketing que los datos a nivel nacional. Además, puedes examinar la efectividad de las iniciativas de marketing a nivel local o regional. El enfoque jerárquico suele generar intervalos creíbles más ajustados en métricas como el ROI. Para obtener más información, consulta Geo-level Bayesian Hierarchical Media Mix Modeling (Modelado jerárquico bayesiano de combinación de medios a nivel geográfico).
Meridian admite modelos completamente bayesianos con más de 50 ubicaciones geográficas y 2 o 3 años de datos semanales con TensorFlow Probability y su compilador XLA. El hardware de la GPU, disponible con Google Colab Pro+ o con otras herramientas, puede optimizar aún más el rendimiento de la velocidad.
Puedes usar el enfoque estándar a nivel nacional si no tienes datos a nivel geográfico disponibles.
Incorporación de conocimientos previos sobre el rendimiento de los medios: El modelo bayesiano de Meridian te permite incorporar el conocimiento existente sobre el rendimiento de tus medios con el uso de distribuciones a priori del ROI. En este modelo, el ROI es un parámetro del modelo que puede tomar cualquier distribución a priori. No se necesitan cálculos adicionales para traducir la información previa del ROI a los parámetros del modelo. El conocimiento se puede obtener de cualquier fuente disponible, como experimentos anteriores, resultados anteriores del MMM, experiencia en el sector o comparativas de sectores.
El método bayesiano es flexible porque puedes controlar el grado en el que los valores anteriores influyen en la distribución a posteriori. Las distribuciones a priori se pueden usar para estimar un parámetro cuando el indicador de los datos actuales es débil. Meridian cuantifica la incertidumbre de todos los parámetros del modelo, el ROI y el ROI marginal. Para obtener más información, consulta Media Mix Model Calibration With Bayesian Priors (Calibración del modelo de combinación de medios con distribuciones a priori bayesianas).
Consideración de la saturación y los efectos rezagados de los medios: La saturación y los efectos rezagados de los medios pagados y orgánicos se modelan con funciones de transformación paramétrica. Específicamente, la saturación se modela con una función Hill, que captura los retornos marginales en disminución, y los efectos rezagados, con una función de Adstock con decaimiento geométrico. Meridian utiliza métodos bayesianos de muestreo de Monte Carlo basado en cadenas de Markov (MCMC) para estimar de forma conjunta todos los parámetros del modelo, incluidos estos parámetros de transformación. Para obtener más información, consulta Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects (Métodos bayesianos para el modelado de combinación de medios con transferencias y efectos de forma).
Uso opcional de datos de alcance y frecuencia para obtener estadísticas adicionales: Además de usar impresiones, Meridian ofrece la opción de aplicar datos de alcance y frecuencia como entradas del modelo para proporcionar estadísticas adicionales. El alcance es la cantidad de usuarios únicos en cada período, y la frecuencia es la cantidad promedio correspondiente de impresiones por usuario. Esto proporciona una mejor predicción del rendimiento que podría tener cada canal de medios con un cambio en la inversión. Para obtener más información, consulta Bayesian Hierarchical Media Mix Model Incorporating Reach and Frequency Data (Modelo jerárquico bayesiano de combinación de medios que incorpora datos de alcance y frecuencia).
Modelado de canales del embudo inferior (como la búsqueda pagada): Meridian se diseñó en función de la teoría de la inferencia causal para ayudar a tomar decisiones racionales. Las suposiciones del modelo necesarias para una inferencia causal válida son completamente transparentes. Específicamente, Meridian proporciona una opción para usar el volumen de búsquedas de Google (GQV) como variable de control cuando se mide el impacto de la búsqueda pagada.
Optimización del presupuesto de medios: La fase de optimización determina la asignación óptima del presupuesto en los canales según tu presupuesto general. También hay una opción para que Meridian sugiera el presupuesto general óptimo en función de tus objetivos publicitarios. Además, Meridian proporciona la optimización de la frecuencia para cualquier canal con datos de alcance y frecuencia.
Estimación con situaciones hipotéticas: Con tu modelo ajustado, puedes estimar cuál habría sido tu ROI en diferentes situaciones hipotéticas de medios, como aumentar o disminuir la inversión publicitaria en un canal específico o reasignar el presupuesto entre los diferentes canales.
Evaluación y elaboración de informes sobre la bondad de ajuste del modelo: Meridian genera informes sobre las estadísticas de ajuste del modelo, tanto dentro de la muestra como fuera de ella. Esto te permite comparar diferentes configuraciones del modelo, como las distribuciones a priori y las parametrizaciones.
Inclusión opcional de variables de tratamiento que no son de medios: Si se prefiere, se pueden incluir variables de tratamiento que no son de medios, como los cambios en el precio y las promociones, para estimar la eficacia de las acciones de marketing no relacionadas con los medios.
-
Los términos "ROI" y "ROAS incremental" se usan como sinónimos en todos los documentos, y ambos denotan la medición del retorno de la inversión incremental. ↩