Uzasadnienie wnioskowania przyczynowego i modelowania Bayesa

Uzasadnienie wnioskowania o przyczynach jest proste, atrakcyjne. Wszystkie wielkości szacowane przez modelowanie marketing miksu wskazują na związek przyczynowo-skutkowy. ROI, krzywe reakcji, a optymalna analiza budżetu zależy od wpływu wydatków na marketing wpływa na wskaźniki KPI, biorąc pod uwagę, co by się stało, gdyby wydatki na marketing był inny. Z perspektywy południka południka nie ma żadnej alternatywy lecz o użycie metodologii wnioskowania przyczynowego.

Meridian to model regresji. Efekty marketingowe mogą być interpretowany jako przyczynowy zawdzięcza zdefiniowanym szacunkom i przyjętym założeniam (np. przyczynowy DAG). Chociaż te założenia mogą nie spełniać wszystkich wymagań informacje o założeniach są jasno ujawnione podjąć decyzję.

Chociaż modelowanie Bayesa nie jest konieczne do wnioskowania przyczynowego, Meridian stosuje podejście Bayesa, ponieważ zapewnia: zalety:

1. Wcześniejsze wersje modelu Bayesa pozwalają w intuicyjny sposób regularne dopasowanie każdego parametru zgodnie z wcześniejszymi informacjami i wybranej siły regularyzacji. Regularyzacja w modelu marketing miksu jest konieczna, ponieważ gdy liczba zmiennych jest duża, korelacje są często wysokie, efekty w mediach (z reklamami reklamowymi i malejącym zwrotem) są złożone.
2. Meridian oferuje opcję zmiany parametrów modelu regresji pod względem ROI, co pozwala wcześniej na zastosowanie niestandardowego zwrotu z inwestycji. Dowolne dostępnych informacji, w tym wyników eksperymentu, można wykorzystać do ustalenia które regularnie osiągają wyniki, w które wierzysz jest odpowiedni.
3. Przekształcenia zmiennych mediów (adstock i malejący zwrot) są: nieliniowe, a parametrów tych przekształceń nie można oszacować przez mieszanych modeli liniowych. Meridian wykorzystuje najnowocześniejsze rozwiązania Próbkowanie MCMC technikami, aby do rozwiązania tego problemu.