Questions fréquentes

Informations générales sur le produit

La bibliothèque est-elle sans frais ?

Oui, la bibliothèque est libre d'utilisation et Open Source sur GitHub pour que tout le monde puisse l'utiliser.

Dois-je partager mes données avec Google pour utiliser la bibliothèque ?

Google n'aura pas accès à vos données d'entrée, à votre modèle ni à vos résultats (à l'exception des données média Google fournies par le biais de notre MMM Data Platform). Si vous demandez des données à la Google MMM Data Platform, ce sont les seules données auxquelles Google aura accès. Toutefois, Google ne saura pas si vous incluez réellement ces données dans votre modèle. Les entrées et les sorties réelles de votre modèle sont entièrement privées, sauf si vous choisissez de les partager avec vos représentants Google.

Meridian GeoX

Qu'est-ce que Meridian GeoX et en quoi diffère-t-il de Meridian ?

Meridian GeoX est notre future solution d'incrémentalité Open Source basée sur les données géographiques qui fait le lien entre les tests et la MMM. Exécutez Meridian GeoX pour calibrer votre modèle Meridian ou en tant que test géographique autonome pour mesurer l'impact causal réel de vos performances marketing.

Pourquoi est-il important d'effectuer des tests GeoX pour les utilisateurs de la modélisation du mix marketing (MMM) ?

Les méthodes d'inférence causale observationnelle, comme MMM, reposent sur des hypothèses pour estimer l'impact incrémental réel de canaux spécifiques. Meridian GeoX répond à cette problématique en fournissant des a priori causaux basés sur des tests. Il offre des fonctionnalités multi-éditeurs, ce qui garantit une intégration parfaite pour calibrer plus précisément vos résultats de mesure.

Migrer depuis LightweightMMM

En tant qu'utilisateur actuel de LightweightMMM, dois-je effectuer des tâches supplémentaires afin de créer une entrée de données pour Meridian ?

Pour profiter pleinement des nouvelles innovations Meridian, vous devrez ajouter d'autres dimensions de données, par exemple :

• Couverture et fréquence
• Tests
• Volume de requêtes Google (VRG)

Vous pouvez toujours exécuter Meridian sans ces dimensions, mais vous ne bénéficierez pas des dernières innovations. Pour en savoir plus, consultez Migrer depuis LightweightMMM.

Collecte et nettoyage des données

Puis-je collecter simultanément tous les types de données (performances, couverture et fréquence YouTube, volume de requêtes Google) dans l'interface MMM Data Platform ?

Les données sur les performances et les données de fréquence et de couverture YouTube doivent être demandées séparément. La procédure de demande est détaillée dans le guide de l'utilisateur inclus dans l'e-mail d'accès à MMM Data Platform.

Quelle est la portée des données VRG que je peux demander ?

Pour le volume de requêtes Google, le résultat inclut :

• QueryLabel (incluant une marque ou générique)
• ReportDate
• TimeGranularity (vous pouvez demander des données Daily, Weekly_Sunday ou Weekly_Monday)
• GeoCriteriaId
• GeoName
• GeoType
• IndexedQueryVolume (toutes les données de volume de requêtes sont indexées, les chiffres bruts ne sont pas fournis pour le volume de requêtes)

Puis-je appliquer la méthodologie VRG aux données de recherche non Google ?

Le volume de requêtes naturelles provenant d'autres moteurs de recherche que Google est souvent indisponible. D'autres options sont décrites dans Comprendre le volume de requêtes comme un facteur de confusion pour les annonces sur le Réseau de Recherche.

Pourquoi vaut-il mieux que j'obtienne mes données VRG à partir de la MMM Data Platform ?

Le rapport VRG de la MMM Data Platform a été spécialement conçu pour la MMM. Il offre l'aperçu le plus complet qui soit sur vos performances VRG, avec le niveau de précision adapté à votre modèle. La MMM Data Platform utilise une valeur d'index cohérente pour chaque paire annonceur/pays. Vous pouvez ainsi facilement mettre à jour vos données VRG à chaque actualisation du modèle et comparer précisément leurs performances au fil du temps. L'association de vos demandes de données VRG et de performance sur une seule et même plate-forme nous permet d'assurer une mise en correspondance cohérente entre les mots clés associés à une marque et la marque indiquée dans votre demande de données de MMM.

Les données sur les requêtes de recherche provenant d'autres sources peuvent être utilisées comme facteur de confusion dans Meridian, mais cette méthode peut avoir ses limites lorsque vous l'utilisez avec la MMM. Par exemple, Google Trends normalise les données de recherche, agrège les requêtes par thème et utilise un échantillon des recherches pour ses rapports. Bien que cela soit idéal pour générer rapidement des insights sur les tendances, nous vous recommandons d'obtenir vos données VRG à partir de la MMM Data Platform pour Meridian. Vous aurez ainsi l'assurance que les données sont spécifiques à chaque marque, cohérentes et fournies avec la précision adaptée à votre modèle.

Modélisation

Pour un levier média donné, comment définir différents a priori associés à différentes périodes ?

L'argument roi_calibration_period est probablement le plus adapté. En nous basant sur la section 3.4 du livre blanc sur la calibration des MMM, nous vous suggérons de calculer un ROI moyen pondéré par les dépenses pour les tests et de transmettre roi_calibration_period pour correspondre aux quatre trimestres des tests. Si les erreurs standards des tests sont très différentes, vous pouvez choisir de pondérer encore davantage les tests en conséquence. Pour en savoir plus, consultez Définir la période de calibration du ROI.

Puis-je définir un a priori temporel pour les valeurs de nœud ?

Meridian n'est pas compatible avec les a priori variables dans le temps pour les valeurs de nœud.

Comment Meridian permet-il de tenir compte des effets média variables dans le temps ?

Meridian permet de modéliser les effets média variables dans le temps grâce au partitionnement des données. Il s'agit de diviser manuellement les données de la chaîne en périodes distinctes et de les modéliser en tant que chaînes individuelles. Par exemple, si vous pensez qu'une chaîne a enregistré des performances différentes en 2024 et en 2025, vous devez créer deux chaînes dans votre ensemble de données : l'une contenant uniquement les données de 2024 et l'autre celles de 2025.

Nous vous déconseillons de créer trop de subdivisions temporelles, car cela peut entraîner une augmentation rapide du nombre de canaux. Un trop grand nombre de canaux augmente la quantité de paramètres que Meridian doit estimer, ce qui ne permet pas au modèle de distinguer aisément le signal du bruit avec des données limitées (pour en savoir plus, consultez Quantité de données requise). Dans les cas extrêmes, un trop grand nombre de canaux peut entraîner des problèmes d'incapacité d'identification et de convergence du modèle.

Comment obtenir des informations détaillées sur la décomposition de la régression, par exemple des DataFrames pour les tirages a posteriori ?

Les échantillons a posteriori se trouvent dans l'objet inference_data. Vous pouvez transformer ce tableau en tout type de DataFrame dont vous avez besoin. Pour accéder aux échantillons de données à l'aide de la docstring, consultez meridian.model.model.Meridian.

Puis-je mesurer les synergies entre les canaux dans Meridian ?

Meridian n'est pas compatible avec ce type d'analyse.

Est-il possible d'obtenir une mesure temporelle du ROI avec Meridian ?

Vous pouvez utiliser l'option selected_times dans Analyzer().roi() pour choisir les périodes qui vous intéressent.

Important : Lorsque vous suivez le ROI sur la durée, n'oubliez pas que même si les coefficients du modèle ne varient pas dans le temps, le ROI peut tout de même évoluer avec le temps, car il dépend de facteurs supplémentaires qui peuvent varier dans le temps. Par exemple, les courbes de Hill modélisent les rendements décroissants non linéaires de l'exécution média. Par conséquent, le volume d'exécution média à un moment donné peut avoir un impact sur le ROI. De plus, l'affectation des médias peut varier selon les zones géographiques au fil du temps avec des niveaux d'efficacité différents, tout comme le coût de l'exécution média.

La structure de modèle hiérarchique de Meridian peut-elle être utilisée pour une variable catégorielle autre que la région géographique ?

La structure de modélisation hiérarchique de Meridian a été conçue pour la modélisation au niveau géographique, qui présente d'importants avantages. Bien qu'il soit possible d'utiliser une variable catégorielle autre que la région géographique comme variable hiérarchique, cela n'est généralement pas recommandé. Si une autre variable hiérarchique est utilisée, il doit être possible de stratifier à la fois le KPI et les unités média selon cette variable.

Voici quelques exemples de variables hiérarchiques qui ne fonctionnent généralement pas.

• Produit (avec effets de halo). Si vous pensez qu'un canal publicitaire peut avoir un impact sur le KPI de plusieurs produits, n'utilisez pas "product" (produit) comme variable hiérarchique. Un canal peut avoir un impact sur plusieurs produits s'il cible l'ensemble de la marque plutôt qu'un produit spécifique. Une campagne publicitaire axée sur un produit peut également avoir un impact sur le KPI d'autres produits en raison de ce que l'on appelle les "effets de halo".
• Canal de ventes (par exemple, en ligne ou en magasin). Les unités média ne sont généralement pas spécifiques à un seul canal de ventes.
• Campagne publicitaire. Bien que les unités média puissent souvent être stratifiées par campagne, il n'est pas possible de stratifier le KPI par campagne.

Même si le KPI et les unités média peuvent être stratifiés par une variable non géographique, il est important de déterminer si les hypothèses suivantes du modèle hiérarchique sont applicables.

• Le modèle hiérarchique regroupe partiellement les informations dans des catégories afin d'estimer les coefficients du modèle pour les variables de traitement et les variables de contrôle. Les autres paramètres du modèle tels que l'effet temporel (tendance et saisonnalité), l'adstock et les rendements décroissants sont supposés être communs à toutes les catégories (pooling complet). Ces hypothèses sont généralement raisonnables pour la hiérarchie géographique, car le KPI et les unités média ont essentiellement la même interprétation dans toutes les régions géographiques.
• L'hypothèse de paramètres communs pour l'effet temporel, l'adstock et les rendements décroissants est généralement plus pertinente si le KPI et les unités média sont à peu près à la même échelle pour chaque catégorie. Pour les modèles géographiques, le KPI et les unités média sont mis à l'échelle en fonction de la population. Pour les autres variables, il est moins évident de savoir quelle variable de mise à l'échelle utiliser à la place de la population, et si cette variable doit être appliquée au KPI, aux unités média ou aux deux.
• L'hypothèse SUTVA (stable unit treatment value assumption) exige que l'exposition au traitement (publicité) dans une unité n'affecte aucune autre unité. Cette hypothèse est généralement raisonnable pour les unités de traitement géographique (bien qu'elle ne soit jamais parfaitement respectée). Pour les catégories non géographiques, il peut y avoir une plus grande contamination croisée des effets média entre les catégories.

Si vous envisagez d'utiliser une variable hiérarchique non géographique, tenez compte des points suivants.

• Une variable de contrôle peut prendre les mêmes valeurs dans toutes les catégories, à condition qu'elle présente une variation dans chaque catégorie. Toutefois, des problèmes de convergence peuvent survenir si des nœuds complets ou presque complets sont utilisés pour modéliser les effets temporels.
• Envisagez de définir unique_sigma_for_each_geo=True dans ModelSpec, car la variance résiduelle peut ne pas être la même pour les catégories non géographiques.
• La modélisation hiérarchique géographique étant le cas d'utilisation le plus courant, la convention de dénomination de Meridian attribue le libellé "geo" à la variable hiérarchique. Si vous utilisez le chargeur de données CSV, veillez à libeller votre variable hiérarchique comme la colonne "geo" dans load.CoordToColumns.
• Meridian nécessite une variable "population". Vous pouvez la définir pour tous les niveaux de catégorie si la variable hiérarchique n'est pas géographique, mais il peut être judicieux de procéder à une mise à l'échelle selon une autre variable. Meridian effectue une mise à l'échelle automatique du KPI et des unités média selon la population. Si vous ne souhaitez PAS qu'une variable soit mise à l'échelle, vous devez multiplier la colonne de données d'entrée par la population afin qu'elle prenne la valeur d'origine après la mise à l'échelle de la population.

Si j'utilise un sous-ensemble de nœuds précédemment sélectionnés comme nœuds requis, AKS produira-t-il des résultats identiques ?

Pas forcément. La sélection automatique des nœuds est un algorithme itératif qui utilise un solutionneur de régression pénalisé. Si vous fournissez required_knots, cela influence les pondérations de pénalité et les conditions de départ lors de la toute première étape de l'algorithme. En raison de cette condition de départ différente, le chemin d'optimisation emprunté par le solutionneur peut diverger, ce qui peut entraîner un ensemble final de nœuds sélectionnés différent.

Toutefois, il n'y a pas lieu de s'inquiéter. Les deux ensembles de nœuds sélectionnés sont des représentations valides et basées sur les données de la tendance sous-jacente. L'algorithme trouve une autre solution optimale tout aussi valable compte tenu des contraintes.

Interprétation et optimisation

Puis-je mesurer le ROI des stratégies d'enchères en fonction des cibles d'enchères définies ?

Le flux de données MMM de Google fournit le type de stratégie d'enchères (par exemple, "Maximiser les conversions" et "ROAS cible") par campagne, mais il n'inclut pas la cible d'enchères elle-même. Pour consulter cette dimension spécifique, les annonceurs peuvent obtenir des rapports sur la stratégie d'enchères directement dans Google Ads ou demander une solution de données personnalisée au responsable de leur compte Google.

Puis-je utiliser Meridian pour faire des prévisions ?

Meridian peut servir pour la planification de scénarios futurs, y compris pour optimiser vos budgets et estimer les résultats incrémentaux dans des scénarios budgétaires hypothétiques. Meridian est conçu pour l'inférence causale, et non pour la prédiction. Par conséquent, vous ne pouvez pas l'utiliser pour prévoir des résultats bruts. Pour en savoir plus, consultez la rubrique Pourquoi Meridian ne peut-il pas prévoir de résultats ?.