Open Source Meridian
Créez, exécutez et analysez des modèles de mix marketing (MMM) grâce aux fonctionnalités avancées de modélisation bayésienne et d'inférence causale de Meridian.
Explorer la bibliothèque Open Source Meridian
Principes de base
Présentation de Meridian, glossaire et questions fréquentes
Guide utilisateur
Instructions détaillées pour installer et utiliser la bibliothèque Meridian.
Guides de modélisation
Obtenez des conseils à chaque étape de votre parcours Meridian :
- Prémodélisation : collectez les bonnes données et préparez-vous à la modélisation.
- Modélisation appliquée : configurez et exécutez Meridian, y compris la personnalisation et la calibration avancées.
- Post-modélisation : évaluez l'état du modèle, interprétez les résultats et optimisez les budgets.
- Modélisation bayésienne et théorie de l'inférence causale : découvrez les bases théoriques de Meridian.
Exemples de code
Découvrez des exemples complets et des cas d'utilisation dans des notebooks Colab interactifs.
Documentation de référence de l'API
Documentation détaillée de toutes les classes et fonctions de la bibliothèque Meridian.
Changelog
Tenez-vous informé des dernières versions, des nouvelles fonctionnalités et des corrections de bugs de la bibliothèque Meridian.
Série de vidéos éducatives
-
Présentation de Meridian
-
Démonstration de Meridian
-
Modélisation au niveau géographique ou national
-
Présentation des a priori
-
Types d'a priori de traitement
-
Calibrer les a priori de traitement
-
Nœuds dans Meridian
-
Résultat incrémental, ROI, ROIm, courbes de réponse
-
Contrôles, médiateurs et traitements dans Meridian
-
Adstock et Hill
Parcours de formation recommandés
Meridian est conçu pour les équipes de mesure pluridisciplinaires. En fonction de votre rôle, nous vous recommandons les parcours suivants :
Analystes marketing et utilisateurs professionnels
Commencez par la prémodélisation pour collecter et organiser vos données. Ensuite, explorez les guides post-modélisation pour interpréter les visualisations, évaluer le ROI et optimiser le budget.
Data scientists et techniciens
Consultez Modélisation appliquée pour configurer le modèle bayésien et personnaliser les a priori. Explorez la théorie de la modélisation bayésienne et de l'inférence causale pour comprendre les bases mathématiques et théoriques.