Meridian GeoX フレームワークは、テスト設計に対する堅牢なデータドリブン アプローチを重視することで、分散、そして広告主の予算要件を最小限に抑えます。 標準的なランダム サンプリングを超えて層化サンプリングが提案され、テストの開始前に介入群と対照群の比較可能性を確保する設計候補が生成されます。層化サンプリングの後、設計検索プロセスで設計候補が絞り込まれ、統計的検出力が最も高い設計が最終的に決定されます。
層化サンプリング
Meridian GeoX は、層化サンプリング設計を使用して、サンプルサイズが制限されていることに起因する分散と高予算の問題に対処します。
- 層化プロセス: 地理的単位（地域）を「層」に分割します。層は、レスポンス数、トレンド、季節性などの共通の特性によって定義される、均質なクラスタです。
- KPI の特徴量化: クラスタリングの前に、平均、変動係数（CV）、傾き、自己相関（ラグ 1）、動的時間伸縮法（DTW）などの統計指標を使用して、KPI 系列を特徴量化します。
- クラスタリングとランダム割り当て: K 平均法アルゴリズムを使用すると、これらの特徴に基づいて地域を層に分割できます。デフォルトのクラスタ数は 4 です。各地域について、介入群または対照群へのランダムな割り当てが各クラスタ内で行われます。ランダム割り当ては、マルチセル調査設計にも自然に拡張されます。
ランダム サンプリング
Meridian GeoX は、ランダム サンプリングをサポートしています。このサンプリングでは、クラスタリング構造にまったく従わずに、地域ユニットが介入群と対照群にランダムに分割されます。一般的に、層化サンプリング手法に比べ、ランダム サンプリングは推奨されませんが、地域数が少ない GeoX では必要になります。
設計検索プロセス
Meridian GeoX は、厳格な設計検索パイプラインを使用して、層化サンプリング手法で生成された有力な設計のプールから、最適なテスト設計候補を特定します。
評価指標
Meridian GeoX では、設計の品質を綿密にモニタリングするために、次の指標が評価されます。
- サンプル外適合度: モデルが設計に適合しているかどうかを示します。サンプル外の決定係数を使用して評価され、候補設計をフィルタします。
- A/A 堅牢性: A/A シミュレーションで検証されます。このシミュレーションでは、統計的に有意な A/A バイアスを防ぐために p 値がチェックされます。
統計的検出力: 相対リフトの最小検出可能効果（MDE）によって測定されます。GeoX MDE のリフト率は、分析手法のオプションとは無関係で、以下の式で計算されます。
$$MDE_{\,lift} = Min\:incremental\:conversion\:/\:Baseline\:control \:conversion\\= SE_{\,lift} \times (Z_{1-\alpha/2}\:+\:Z_{1-\beta})\:/\: Baseline\:control\:conversion$$この式で、 \( SE_{\,lift} \) は絶対リフトの標準誤差を表し、 \( \alpha \) と \( 1-\beta \) はそれぞれ有意水準と目標検出力を表します。デフォルトでは、両側仮説検定が考慮されます。 \( Z \) は、標準正規分位数に対応します。
予算: 統計的検出力を、検出力の目標を達成するための財務要件に変換します。
検索パイプライン
設計検索プロセスでは、テスト前のデータ全体を、初期トレーニング期間、検証期間、最終選択期間に分割します。その後、6 つのステップを順次実行して設計を完成させます。順次検索パイプラインの手順については、このドキュメントの図をご覧ください。
