Open-Source-Meridian
Mit den erweiterten Funktionen für bayessche Modellierung und kausale Inferenz von Meridian können Sie Marketing-Mix-Modelle (MMM) erstellen, ausführen und analysieren.
Open-Source-Bibliothek von Meridian ansehen
Grundlagen
Einführung in Meridian, Glossar und FAQs
Nutzerhandbuch
Detaillierte Anleitungen zur Installation und Verwendung der Meridian-Bibliothek
Leitfäden zur Modellierung
Hier finden Sie Anleitungen zu jedem Schritt in Meridian:
- Vor der Modellierung: Die richtigen Daten erheben und für die Modellierung vorbereiten
- Angewandte Modellierung: Meridian einrichten und ausführen, einschließlich erweiterter Anpassungen und Abstimmung
- Nach der Modellierung: Zustand des Modells beurteilen, Ergebnisse deuten und Budgets optimieren
- Bayessche Modellierung und Theorie der kausalen Inferenz: Mehr über die theoretischen Grundlagen von Meridian erfahren
Codebeispiele
End-to-End-Beispiele und Anwendungsfälle in interaktiven Colab-Notebooks ansehen
API-Referenz
Detaillierte Dokumentation für alle Klassen und Funktionen in der Meridian-Bibliothek
Änderungsprotokoll
Hier finden Sie Informationen zu den neuesten Releases, neuen Funktionen und Fehlerbehebungen in der Meridian-Bibliothek.
Videoreihen mit Lerninhalten
-
Einführung in Meridian
-
Demo zu Meridian
-
Modellierung auf geografischer und nationaler Ebene
-
Einführung in Priors
-
Arten von Testvariablen-Priors
-
Priors für Testvariablen kalibrieren
-
Knoten in Meridian
-
Inkrementelles Ergebnis, ROI, Grenz-ROI, Reaktionskurven
-
Kontroll-, Mediator- und Testvariablen in Meridian
-
Adstock und Hill
Empfohlene Lernpfade
Meridian ist für funktionsübergreifende Analyseteams konzipiert. Je nach Ihrer Rolle empfehlen wir die folgenden Pfade:
Marketinganalysen und geschäftliche Anwendung
Beginnen Sie mit dem Thema Vor der Modellierung, um Ihre Daten zu erheben und zu organisieren. Anschließend können Sie die Leitfäden zur Analyse nach der Modellierung lesen, um Visualisierungen zu interpretieren, den ROI zu bewerten und Budgetoptimierungen durchzuführen.
Data Science und Technik
Unter Angewandte Modellierung finden Sie Informationen dazu, wie Sie das bayessche Modell konfigurieren und Priors anpassen können. Unter Bayessche Modellierung und Theorie der kausalen Inferenz finden Sie Details zu den mathematischen und theoretischen Grundlagen.