Perguntas frequentes

Informações gerais sobre o produto

A biblioteca é livre de custos financeiros?

Sim, a biblioteca é livre de custos financeiros e será de código aberto no GitHub para qualquer pessoa usar.

Precisamos compartilhar nossos dados com o Google para usar a biblioteca?

O Google não terá acesso aos seus dados de entrada, ao modelo nem aos resultados, exceto aos dados de mídia do Google fornecidos pela nossa MMM Data Platform. Se você solicitar dados da MMM Data Platform do Google, esses serão os únicos a que o Google terá acesso. Entretanto, o Google não vai saber se você incluiu esses dados no seu modelo. As entradas e saídas do modelo são totalmente privadas, a menos que você as compartilhe com representantes do Google.

Meridian GeoX

O que é o Meridian GeoX e qual é a diferença entre ele e o Meridian?

O Meridian GeoX é nossa próxima solução de incrementalidade geográfica de código aberto que une experimentos e MMM. Execute o Meridian GeoX para calibrar seu modelo do Meridian ou como um teste geográfico independente para medir o verdadeiro impacto causal da sua performance de marketing.

Por que é importante realizar experimentos geográficos para usuários de modelagem de mix de marketing (MMM)?

Os métodos de inferência causal observacional, como a MMM, usam suposições para estimar o impacto incremental de canais específicos. O Meridian GeoX resolve isso com distribuições a priori causais baseadas em experimentos. Ele oferece recursos para vários publishers, garantindo uma integração perfeita que calibra com precisão os resultados da medição.

Migrar do LightweightMMM

Como usuário do LightweightMMM, terei um trabalho extra para criar a entrada de dados do Meridian?

Para aproveitar ao máximo as inovações do Meridian, você vai precisar adicionar mais dimensões de dados, como:

• Alcance e frequência
• Experimentos
• Volume de consultas do Google (GQV, na sigla em inglês)

Você ainda poderá executar o Meridian sem essas dimensões, mas não terá acesso às inovações. Para mais informações, consulte Migrar do LightweightMMM.

Coleta e limpeza de dados

Posso coletar todos os tipos de dados simultaneamente (alcance e frequência do YouTube, volume de consultas do Google e performance) na interface da MMM Data Platform?

Os dados de performance e de alcance e frequência do YouTube precisam ser solicitados separadamente. O fluxo de trabalho da solicitação está detalhado no guia do usuário incluído no e-mail de acesso à MMM Data Platform.

Qual é o escopo dos dados de GQV que posso solicitar?

O volume de consultas do Google. A saída inclui:

• QueryLabel: de marca ou genérico
• ReportDate
• TimeGranularity (é possível solicitar dados Daily, Weekly_Sunday ou Weekly_Monday).
• GeoCriteriaId
• GeoName
• GeoType
• IndexedQueryVolume: todos os dados de volume de consulta são indexados. Os números brutos não são fornecidos para o volume de consultas.

Posso aplicar a metodologia de GQV para dados de pesquisa que não são do Google?

Geralmente, o volume de outros mecanismos de pesquisa não está disponível. Algumas opções alternativas são descritas em Entender o volume de consultas como um confundidor para anúncios de pesquisa.

Por que devo receber meus dados de GQV da MMM Data Platform?

O relatório de GQV da MMM Data Platform foi criado especificamente para a MMM, oferecendo a visão mais completa da performance de GQV na granularidade certa para seu modelo. A MMM Data Platform usa um valor de índice consistente para cada par anunciante/país, assim você pode atualizar facilmente os dados de GQV para cada atualização do modelo e comparar a performance com precisão ao longo do tempo. Como suas solicitações de dados de GQV e de performance estão vinculadas em uma única plataforma, podemos garantir um mapeamento consistente entre as palavras-chave com marca e a marca entregue na sua solicitação de dados da MMM.

Os dados das consultas de pesquisa de outras fontes podem ser usados como um confundidor no Meridian, mas pode haver limitações para o caso de uso da MMM. Por exemplo, o Google Trends normaliza os dados de pesquisa, agrega consultas por assunto e usa uma amostra de pesquisas nos relatórios. Embora isso seja ótimo para gerar insights de tendências rapidamente, recomendamos usar o GQV da MMM Data Platform para o Meridian. Assim, os dados são específicos da marca, consistentes e fornecidos na granularidade certa para seu modelo.

Modelagem

Para uma determinada alavanca de mídia, como posso definir distribuições a priori diferentes associadas a períodos distintos?

O mais próximo disso seria o argumento roi_calibration_period. Com base na seção 3.4 do artigo sobre a calibragem da MMM, sugerimos calcular um ROI médio ponderado pelos gastos para os experimentos e transmitir roi_calibration_period para corresponder aos quatro trimestres dos experimentos. Se os experimentos tiverem erros padrão muito diferentes, convém ponderar novamente. Para mais informações, consulte Definir o período de calibragem do ROI.

Posso colocar uma distribuição a priori temporal para os valores de nós?

O Meridian não aceita distribuições com variação de tempo para valores de nós.

Como o Meridian permite efeitos de mídia com variação de tempo?

O Meridian permite a modelagem de efeitos de mídia variáveis com o tempo usando o particionamento de dados. É necessário dividir manualmente os dados do canal em períodos distintos e modelá-los como canais separados. Por exemplo, se você suspeitar que um canal teve um desempenho diferente em 2024 do que em 2025, crie dois novos canais no conjunto de dados: um contendo apenas os dados de 2024 e outro com os dados de 2025.

Não crie muitas segmentações temporais, porque isso pode levar a um aumento rápido no número de canais. Muitos canais aumentam o número de parâmetros que o Meridian precisa estimar, dificultando a distinção entre sinal e ruído com dados limitados. Consulte Quantidade de dados necessária para saber mais. Em casos extremos, o excesso de canais pode causar problemas de convergência e identificabilidade do modelo.

Como posso receber informações detalhadas sobre decomposição da regressão, como DataFrames para as extrações da distribuição a posteriori?

As amostras a posteriori estão no objeto inference_data, e você pode transformar essa matriz em qualquer DataFrame de que precisar. Para acessar as amostras de dados usando o docstring, consulte meridian.model.model.Meridian.

Posso medir as sinergias entre os canais no Meridian?

O Meridian não aceita esse tipo de análise.

É possível receber uma leitura temporal do ROI com o Meridian?

Use a opção selected_times em Analyzer().roi() para escolher os períodos de interesse.

Importante: ao acompanhar o ROI ao longo do tempo, considere que, embora os coeficientes no modelo não variem com o tempo, o ROI ainda pode mudar porque depende de outros fatores que podem variar. Por exemplo, as curvas de Hill modelam os retornos não lineares e decrescentes da execução de mídia. Portanto, a quantidade de execuções em um determinado momento pode afetar o ROI. Além disso, a alocação de mídia pode variar de acordo com a região geográfica ao longo do tempo, com diferentes níveis de eficácia, e o custo da execução de mídia pode variar com o tempo.

A estrutura do modelo hierárquico do Meridian pode ser usada para uma variável categórica além da região geográfica?

A estrutura de modelagem hierárquica do Meridian foi projetada para a modelagem geográfica, que tem vantagens importantes. Embora seja possível usar outra variável categórica em vez da região geográfica como variável hierárquica, isso geralmente não é recomendado. Se outra variável hierárquica for usada, será necessário estratificar o KPI e as unidades de mídia por essa variável.

Confira alguns exemplos de variáveis hierárquicas que normalmente não funcionam:

• Produto (com efeitos halo). Se você acredita que um canal de publicidade pode afetar o KPI de vários itens, o produto não deve ser usado como uma variável hierárquica. Um canal poderá impactar vários produtos se for segmentado para a marca inteira, em vez de ser específico para um item. Uma campanha publicitária específica de um produto também pode afetar o KPI de outros itens devido aos efeitos halo.
• Canal de vendas (por exemplo, on-line vs. varejo): as unidades de mídia geralmente não são específicas de um único canal de vendas.
• Campanha publicitária: embora as unidades de mídia possam ser estratificadas por campanha, não é possível fazer isso com o KPI.

Mesmo que o KPI e as unidades de mídia possam ser estratificados por uma variável não geográfica, é importante considerar se as seguintes proposições de modelo hierárquico são aplicáveis.

• O modelo hierárquico agrupa parcialmente as informações em todas as categorias para estimar os coeficientes do modelo para as variáveis de tratamento e de controle. Outros parâmetros do modelo, como efeito de tempo (tendência e sazonalidade), Adstock e retornos decrescentes, são considerados comuns em todas as categorias (agrupamento completo). Essas proposições são normalmente razoáveis para a hierarquia geográfica porque o KPI e as unidades de mídia têm essencialmente a mesma interpretação em todas as regiões.
• A proposição de parâmetros comuns de efeito de tempo, Adstock e retornos decrescentes geralmente faz mais sentido se o KPI e as unidades de mídia estão aproximadamente na mesma escala para cada categoria. Para modelos geográficos, isso é feito dimensionando o KPI e as unidades de mídia pela população. Para outras variáveis, não fica tão claro qual variável de dimensionamento usar no lugar da população e se ela deve ser aplicada ao KPI, às unidades de mídia ou a ambos.
• A proposição de valor de tratamento de unidade estável (SUTVA, na sigla em inglês) exige que a exposição ao tratamento (publicidade) em uma unidade não afete nenhuma outra unidade. Essa proposição geralmente é razoável para unidades de tratamento geográficas, embora nunca seja perfeitamente atendida. Para categorias não geográficas, pode haver mais contaminação cruzada entre os efeitos de mídia.

Se você estiver considerando usar uma variável hierárquica não geográfica, lembre-se das seguintes considerações.

• Uma variável de controle pode ter os mesmos valores em todas as categorias, desde que tenha variação em cada uma delas. No entanto, problemas de convergência podem surgir se nós completos ou quase completos forem usados para modelar efeitos de tempo.
• Defina unique_sigma_for_each_geo=True em ModelSpec, já que a variância residual pode não ser a mesma em categorias não geográficas.
• Como a modelagem hierárquica geográfica é o caso de uso mais comum, a convenção de nomenclatura do Meridian rotula a variável hierárquica como "geo". Se você estiver usando o carregador de dados CSV, rotule sua variável hierárquica como a coluna "geo" em load.CoordToColumns.
• O Meridian exige uma variável "population". Isso pode ser definido como um para todos os níveis de categoria se a variável hierárquica não for geográfica. Porém, pode fazer sentido dimensionar por algo diferente. O Meridian dimensiona automaticamente o KPI e as unidades de mídia pela população. Se você NÃO quiser que uma variável seja dimensionada, multiplique a coluna de dados de entrada pela população para que ela receba o valor original após o dimensionamento.

Se eu usar um subconjunto de nós selecionados anteriormente como nós obrigatórios, o AKS vai produzir resultados idênticos?

Não necessariamente. O recurso Automatic Knot Selection é um algoritmo iterativo que usa um solucionador de regressão penalizada. Fornecer required_knots influencia as ponderações de penalidade e as condições iniciais na primeira etapa do algoritmo. Devido a essa condição inicial diferente, o caminho de otimização que o solucionador usa pode divergir, o que pode levar a um conjunto final diferente de nós selecionados.

No entanto, isso não é motivo para preocupação. Os dois conjuntos de nós selecionados são representações válidas e baseadas em dados da tendência subjacente. O algoritmo encontra uma solução alternativa e igualmente válida, considerando as restrições.

Interpretação e otimização

Posso medir o ROI das estratégias de lances com base nas metas de lances definidas?

O feed de dados da MMM do Google fornece o tipo de estratégia de lances (como Maximizar conversões e ROAS desejado) por campanha, mas não inclui a meta de lance em si. Para conferir essa dimensão específica, os anunciantes podem gerar relatórios de estratégia de lances diretamente do Google Ads ou trabalhar com o representante da Conta do Google em uma solução de dados personalizada.

O Meridian pode ser usado para estimativa?

O Meridian pode ser usado para o planejamento de cenários futuros, incluindo otimização de orçamentos e estimativa de resultados incrementais em cenários de orçamentos futuros hipotéticos. O Meridian foi criado para inferência causal, não para previsão. Por isso, o Meridian não pode ser usado para prever o resultado bruto futuro. Consulte Por que o Meridian não prevê resultados para mais detalhes.