A Modelagem de Marketing Mix (MMM) é fundamentalmente um problema causal: o objetivo dela é determinar o efeito causal dos seus investimentos de marketing nos resultados da sua empresa. Para fazer isso de maneira rigorosa, o Meridian é criado com base em inferência causal e estatística bayesiana. Nesta seção, fornecemos uma visão geral desses princípios básicos, explicando o "porquê" da metodologia do Meridian e as principais proposições que tornam os insights possíveis.
Fundamentos da inferência causal
Nesta seção, apresentamos os principais conceitos de inferência causal e modelagem bayesiana, explicando por que essas abordagens são essenciais para uma MMM prática.
| Página | Descrição |
|---|---|
| Justificativa para inferência causal e modelagem bayesiana | Esta página explica por que o Meridian é criado com base em uma estrutura de inferência causal. Ela esclarece que a meta da MMM é entender o efeito causal da atividade de marketing nos resultados de negócios. |
| Uma introdução à inferência bayesiana | Conheça as ideias principais por trás da estatística bayesiana. Esta página explica conceitos como distribuições a priori (o que você sabe de antemão) e distribuições a posteriori (o que você aprende com seus dados) e como essa abordagem permite que o Meridian forneça uma faixa completa de incerteza nas estimativas. |
| Sobre a MMM como uma metodologia de inferência causal | Esta página discute como a MMM se encaixa no campo mais amplo da inferência causal. Ela compara a MMM, que usa dados de observação, com experimentos controlados e descreve as principais proposições necessárias para tirar conclusões causais dos seus dados de marketing. |
Pressupostos de inferência causal do Meridian
Para que o Meridian estime com precisão o impacto causal do seu marketing, ele precisa fazer algumas proposições importantes. Esta seção detalha quais são essas proposições e como elas são justificadas.
| Página | Descrição |
|---|---|
| Premissas obrigatórias | Esta página descreve as premissas fundamentais, como troca condicional, necessárias para que um modelo de mix de marketing produza estimativas causais válidas. Ela explica o que essas premissas significam na prática para sua análise. |
| Gráfico causal | Saiba mais sobre o gráfico causal, que é um mapa das relações de causa e efeito no seu ecossistema de marketing. Esta página explica como o Meridian usa esse gráfico presumido para garantir que o modelo esteja estruturado corretamente e estimar o efeito causal dos gastos com marketing no resultado comercial. |
| Estimar o resultado incremental usando regressão | Esta página detalha o método estatístico usado pelo Meridian para calcular o resultado incremental, que é a base do ROI, do mROI e das curvas de resposta. Esse é o núcleo da análise, mostrando o quanto do seu KPI é gerado a cada atividade de marketing. |
| Extensão para modelos com dados de alcance e frequência | Esta página explica como a estrutura causal é adaptada para canais com dados de alcance e frequência. Ela mostra como essas entradas mais completas permitem uma compreensão mais detalhada do impacto causal da sua mídia. |
Referências
| Página | Descrição |
|---|---|
| Referências | Nesta página, você encontra uma lista dos principais artigos acadêmicos e pesquisas que formam a base teórica da abordagem do Meridian para a Modelagem de Marketing Mix. |