Justificación de la inferencia causal y el modelado bayesiano

El motivo para adoptar una perspectiva de inferencia causal es claro y convincente. Todas las cantidades estimadas por el MMM implican causalidad. El ROI, las curvas de respuesta y el análisis de presupuestos óptimos se relacionan con la forma en que la inversión de marketing afecta a los KPI, ya que consideran lo que habría sucedido si la inversión de marketing hubiera sido diferente. La perspectiva de diseño de Meridian es que no hay otra alternativa más que usar la metodología de inferencia causal.

Meridian es un modelo de regresión. El hecho de que los efectos del marketing se puedan interpretar como causales se debe a las variables definidas que se desea estimar y a las suposiciones realizadas (como el DAG causal). Si bien es posible que estas suposiciones no se apliquen a todos los anunciantes, se divulgan de forma transparente para que cada uno decida.

Si bien el modelado bayesiano no es necesario para la inferencia causal, Meridian adopta tal enfoque porque ofrece las siguientes ventajas:

1. Las distribuciones a priori de un modelo bayesiano ofrecen una forma intuitiva de regularizar el ajuste de cada parámetro según el conocimiento previo y la intensidad de regularización seleccionada. La regularización es necesaria en el MMM porque la cantidad de variables es grande, las correlaciones suelen ser altas y los efectos de los medios (con Adstock y la disminución de los retornos) son complejos.
2. Meridian ofrece la opción de reparametrizar el modelo de regresión en lo que respecta al ROI, lo que permite usar cualquier distribución a priori del ROI personalizada. Cualquier conocimiento disponible, incluidos los resultados del experimento, se puede utilizar para establecer distribuciones a priori que regularicen el proceso hacia resultados en los que confíes, con la intensidad que consideres adecuada.
3. Las transformaciones de variables de medios (Adstock y disminución de los retornos) no son lineales, por lo que los parámetros de estas transformaciones no se pueden estimar con las técnicas lineales de los modelos de combinación. Meridian usa técnicas de muestreo de MCMC de vanguardia para resolver este problema.