Learn how Meridian GeoX helps power your MMM calibration

Google uses AI technology to translate content into your preferred language. AI translations can contain errors.

meridian.analysis.analyzer.Analyzer

Esegue calcoli per analizzare i dati non elaborati dopo l'adattamento del modello.

meridian.analysis.analyzer.Analyzer(
    meridian: meridian.model.model.Meridian
)

Corsi per bambini

class PerformanceData

Metodi

`adstock_decay`

Visualizza codice sorgente

adstock_decay(
    confidence_level: float = constants.DEFAULT_CONFIDENCE_LEVEL
) -> pd.DataFrame

Calcola il decadimento dell'inventario pubblicitario per i media e i canali di copertura e frequenza.

Args
`confidence_level`	Livello di confidenza per gli intervalli di credibilità precedenti e posteriori, rappresentato come un valore compreso tra zero e uno.

Resi
DataFrame Pandas contenente il canale, `time_units`, la distribuzione, `ci_hi`, `ci_lo` e `mean` per la funzione Adstock.

`baseline_summary_metrics`

Visualizza codice sorgente

baseline_summary_metrics(
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    confidence_level: float = constants.DEFAULT_CONFIDENCE_LEVEL,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> xr.Dataset

Restituisce le metriche di riepilogo del baseline.

Args
`selected_geos`	Elenco facoltativo contenente un sottoinsieme di località da includere. Per impostazione predefinita, sono inclusi tutti i dati geografici.
`selected_times`	Elenco facoltativo contenente un sottoinsieme di orari da includere. Per impostazione predefinita, sono inclusi tutti i periodi di tempo.
`aggregate_geos`	Booleano. Se `True`, il risultato previsto viene sommato su tutte le regioni.
`aggregate_times`	Booleano. Se `True`, il risultato previsto viene sommato su tutti i periodi di tempo.
`confidence_level`	Livello di confidenza per gli intervalli di credibilità delle metriche di riepilogo dei media, rappresentato come un valore compreso tra zero e uno.
`batch_size`	Numero intero che rappresenta il numero massimo di estrazioni per catena in ogni batch. Il calcolo viene eseguito in batch per evitare l'esaurimento della memoria. Se si verifica un errore di memoria, prova a ridurre `batch_size`. Il calcolo sarà generalmente più rapido con valori di `batch_size` più grandi.

Resi
Un `xr.Dataset` con coordinate: `metric` (`mean`, `median`, `ci_low`,`ci_high`),`distribution` (priore, posteriore) e contiene le seguenti variabili di dati: `baseline_outcome`, `pct_of_contribution`.

`cpik`

Visualizza codice sorgente

cpik(
    use_posterior: bool = True,
    new_media: (tf.Tensor | None) = None,
    new_media_spend: (tf.Tensor | None) = None,
    new_reach: (tf.Tensor | None) = None,
    new_frequency: (tf.Tensor | None) = None,
    new_rf_spend: (tf.Tensor | None) = None,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> tf.Tensor

Calcola il costo per distribuzione del KPI incrementale per ogni canale.

Il numeratore del CPIK è la spesa totale sul canale. Il denominatore del CPIK è la variazione del KPI previsto quando la spesa di un canale è impostata su zero, lasciando invariata la spesa di tutti gli altri canali.

Args
`use_posterior`	Booleano. Se `True`, viene calcolata la distribuzione a posteriori. In caso contrario, viene calcolata la distribuzione a priori.
`new_media`	Tensore facoltativo con contenuti multimediali. Utilizzato per calcolare il CPIK.
`new_media_spend`	Tensore facoltativo con `media_spend` da utilizzare per calcolare CPIK.
`new_reach`	Tensore facoltativo con copertura. Utilizzato per calcolare il CPIK.
`new_frequency`	Tensore facoltativo con frequenza. Utilizzato per calcolare il CPIK.
`new_rf_spend`	Tensore facoltativo con rf_spend da utilizzare per calcolare il CPIK.
`selected_geos`	Elenco facoltativo contenente un sottoinsieme di località da includere. Per impostazione predefinita, sono inclusi tutti i dati geografici.
`selected_times`	Elenco facoltativo contenente un sottoinsieme di orari da includere. Per impostazione predefinita, sono inclusi tutti i periodi di tempo.
`aggregate_geos`	Booleano. Se `True`, il KPI previsto viene sommato per tutte le regioni.
`aggregate_times`	Booleano. Se `True`, il KPI previsto viene sommato su tutti i periodi di tempo.
`batch_size`	Numero intero che rappresenta il numero massimo di estrazioni per catena in ogni batch. Il calcolo viene eseguito in batch per evitare l'esaurimento della memoria. Se si verifica un errore di memoria, prova a ridurre `batch_size`. Il calcolo sarà generalmente più rapido con valori di `batch_size` più elevati.

Resi
Tensore di valori CPIK con dimensioni `(n_chains, n_draws, n_geos, n_times, (n_media_channels + n_rf_channels))`. Le dimensioni `n_geos` e `n_times` vengono eliminate se `aggregate_geos=True` o `aggregate_times=True`, rispettivamente.

`expected_outcome`

Visualizza codice sorgente

expected_outcome(
    use_posterior: bool = True,
    new_data: (meridian.analysis.analyzer.DataTensors | None) = None,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    inverse_transform_outcome: bool = True,
    use_kpi: bool = False,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> tf.Tensor

Calcola il risultato atteso precedente o successivo.

Viene calcolato E(Outcome|Media, RF, Organic media, Organic RF, Non-media treatments, Controls) per ogni estrazione del parametro posteriore (o precedente), dove Outcome fa riferimento a revenue se use_kpi=False o a kpi se use_kpi=True. Quando revenue_per_kpi non è definito, use_kpi non può essere False.

Se new_data=None, questo metodo calcola il risultato previsto in base ai valori delle variabili indipendenti con cui è stato inizializzato l'oggetto Meridian. L'utente può anche sostituire questi dati storici tramite l'argomento new_data, a condizione che le dimensioni dei nuovi tensori corrispondano. Ad esempio:

new_data=DataTensors(reach=new_reach, frequency=new_frequency)

In linea di principio, il risultato previsto potrebbe essere calcolato con altre dimensioni di tempo (ad esempio per le previsioni future). Tuttavia, questo metodo non è consentito per le seguenti complessità aggiuntive:

Sono necessari anche i dati corrispondenti sul prezzo (entrate per KPI).
Se il modello contiene parametri di effetto settimanale, è necessario un metodo per stimare o prevedere questi effetti per periodi di tempo al di fuori della finestra dei dati di addestramento.

Args
`use_posterior`	Booleano. Se `True`, viene calcolata la distribuzione pos. dell'esito previsto. In caso contrario, viene calcolata la distribuzione a priori.
`new_data`	Un contenitore `DataTensors` facoltativo con nuovi tensori facoltativi: `media`, `reach`, `frequency`, `organic_media`, `organic_reach`, `organic_frequency`, `non_media_treatments`, `controls`. Se `None`, il risultato previsto viene calcolato in base ai valori originali dei tensori di dati con cui è stato inizializzato l'oggetto Meridian. Se viene utilizzato l'argomento `new_data`, il risultato previsto viene calcolato in base ai valori dei tensori passati in `new_data` e ai valori originali dei tensori rimanenti non impostati. Ad esempio, `expected_outcome(new_data=DataTensors(reach=new_reach, frequency=new_frequency))` calcola il risultato previsto in base ai tensori `media`, `organic_media`, `organic_reach`, `organic_frequency`, `non_media_treatments` e `controls` originali e ai nuovi valori dati per i tensori `reach` e `frequency`.
`selected_geos`	Elenco facoltativo contenente un sottoinsieme di località da includere. Per impostazione predefinita, sono inclusi tutti i dati geografici.
`selected_times`	Elenco facoltativo contenente un sottoinsieme di date da includere. I valori accettati qui devono corrispondere alle coordinate della dimensione temporale di `InputData.time`. Per impostazione predefinita, sono inclusi tutti i periodi di tempo.
`aggregate_geos`	Booleano. Se `True`, il risultato previsto viene sommato su tutte le regioni.
`aggregate_times`	Booleano. Se `True`, il risultato previsto viene sommato su tutti i periodi di tempo.
`inverse_transform_outcome`	Booleano. Se `True`, restituisce il risultato previsto nel KPI o nelle entrate originali (a seconda di ciò che viene passato a `use_kpi`), così come è stato passato a `InputData`. Se è False, restituisce il risultato dopo la trasformazione da parte di `KpiTransformer`, riflettendo la sua rappresentazione all'interno del modello.
`use_kpi`	Booleano. Se `use_kpi = True`, viene calcolato il KPI previsto; in caso contrario, vengono calcolate le entrate previste `(kpi * revenue_per_kpi)`. È obbligatorio che `use_kpi = True` se `revenue_per_kpi` non è definito o se `inverse_transform_outcome = False`.
`batch_size`	Numero intero che rappresenta il numero massimo di estrazioni per catena in ogni batch. Il calcolo viene eseguito in batch per evitare l'esaurimento della memoria. Se si verifica un errore di memoria, prova a ridurre `batch_size`. Il calcolo sarà generalmente più rapido con valori di `batch_size` più elevati.

Resi
Tensore del risultato previsto (KPI o entrate, a seconda dell'argomento `use_kpi`) con dimensioni `(n_chains, n_draws, n_geos, n_times)`. Le dimensioni `n_geos` e `n_times` vengono eliminate se `aggregate_geos=True` o `aggregate_time=True`, rispettivamente.

Aumenti
`NotFittedModelError`	Se `sample_posterior()` (per `use_posterior=True`) o `sample_prior()` (per `use_posterior=False`) non è stato chiamato prima di chiamare questo metodo.

`expected_vs_actual_data`

Visualizza codice sorgente

expected_vs_actual_data(
    aggregate_geos: bool = False,
    aggregate_times: bool = False,
    split_by_holdout_id: bool = False,
    confidence_level: float = constants.DEFAULT_CONFIDENCE_LEVEL
) -> xr.Dataset

Calcola i dati relativi al risultato previsto rispetto a quello effettivo nel tempo.

Args
`aggregate_geos`	Booleano. Se `True`, i valori previsti, di riferimento e effettivi vengono суммированы su tutte le regioni.
`aggregate_times`	Booleano. Se `True`, i valori previsti, di riferimento e effettivi vengono sommati su tutti i periodi di tempo.
`split_by_holdout_id`	Booleano. Se esistono `True` e `holdout_id`, i dati vengono suddivisi in sezioni `'Train'`, `'Test'` e `'All Data'`.
`confidence_level`	Livello di confidenza per gli intervalli di risultati credibili previsti, rappresentato come un valore compreso tra 0 e 1. Valore predefinito: `0.9`.

Resi
Un set di dati con le metriche relative ai risultati previsti, di riferimento ed effettivi.

`filter_and_aggregate_geos_and_times`

Visualizza codice sorgente

filter_and_aggregate_geos_and_times(
    tensor: tf.Tensor,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | Sequence[bool] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    flexible_time_dim: bool = False,
    has_media_dim: bool = True
) -> tf.Tensor

Filtra e/o aggrega le dimensioni geografiche e temporali di un tensore.

Args
`tensor`	Tensore con dimensioni `[..., n_geos, n_times]` o `[..., n_geos, n_times, n_channels]`, dove `n_channels` è il numero di canali media, canali RF, tutti i canali a pagamento (media e RF) o tutti i canali (media, RF, non media, media organici, RF organici).
`selected_geos`	Elenco facoltativo contenente un sottoinsieme di località da includere. Per impostazione predefinita, sono inclusi tutti i dati geografici. I paesi selezionati devono corrispondere a quelli in `InputData.geo`.
`selected_times`	Elenco facoltativo di orari da includere. Può essere un elenco di stringhe contenente un sottoinsieme di coordinate della dimensione temporale di `InputData.time` o un elenco booleano con una lunghezza uguale alla dimensione temporale del tensore. Per impostazione predefinita, sono inclusi tutti i periodi di tempo.
`aggregate_geos`	Booleano. Se `True`, il tensore viene sommato su tutti i dati geografici.
`aggregate_times`	Booleano. Se `True`, il tensore viene sommato su tutti i periodi di tempo.
`flexible_time_dim`	Booleano. Se `True`, la dimensione temporale del tensore non è obbligatoria per corrispondere al numero di periodi di tempo in `InputData.time`. In questo caso, se utilizzi `selected_times`, deve essere un elenco booleano con lunghezza pari alla dimensione temporale del tensore.
`has_media_dim`	Booleano. Viene utilizzato solo se `flexible_time_dim=True`. In caso contrario, viene assunto in base alle dimensioni del tensore. Se `True`, si assume che il tensore abbia una dimensione media dopo la dimensione temporale. Se `False`, si presume che l'ultima dimensione del tensore sia la dimensione del tempo.

Resi
Un tensore con dimensioni geografiche e temporali filtrate e/o aggregate.

`get_aggregated_impressions`

Visualizza codice sorgente

get_aggregated_impressions(
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    optimal_frequency: (Sequence[float] | None) = None,
    include_non_paid_channels: bool = True
) -> tf.Tensor

Calcola i valori delle impressioni aggregate nei dati di tutti i canali.

Args
`selected_geos`	Elenco facoltativo contenente un sottoinsieme di località da includere. Per impostazione predefinita, sono inclusi tutti i dati geografici.
`selected_times`	Elenco facoltativo contenente un sottoinsieme di orari da includere. Per impostazione predefinita, sono inclusi tutti i periodi di tempo.
`aggregate_geos`	Booleano. Se `True`, il risultato previsto viene sommato su tutte le regioni.
`aggregate_times`	Booleano. Se `True`, il risultato previsto viene sommato su tutti i periodi di tempo.
`optimal_frequency`	Un elenco facoltativo con la dimensione `n_rf_channels`, contenente la frequenza ottimale per canale, che massimizza il ROI medio post-trattamento. Il valore predefinito è `None` e per il calcolo delle metriche viene utilizzata la frequenza storica.
`include_non_paid_channels`	Booleano. Se `True`, i canali media organici, RF organici e non media sono inclusi nell'aggregazione.

Resi
Un tensore con la forma `(n_selected_geos, n_selected_times, n_channels)` (o `(n_channels,)` se le aree geografiche e i periodi di tempo sono aggregati) con valori di impressioni aggregate per canale.

`get_rhat`

Visualizza codice sorgente

get_rhat() -> Mapping[str, tf.Tensor]

Calcola i valori R-hat per ogni parametro del modello.

Resi
Un dizionario di valori r-hat in cui ogni parametro è una chiave e i valori sono r-hat corrispondenti al parametro.

Aumenti
`NotFittedModelError`	Se self.sample_posterior() non viene chiamato prima di chiamare questo metodo.

`hill_curves`

Visualizza codice sorgente

hill_curves(
    confidence_level: float = constants.DEFAULT_CONFIDENCE_LEVEL,
    n_bins: int = 25
) -> pd.DataFrame

Stime delle tabelle delle curve di Hill utilizzate per tracciare le curve di ciascun canale.

Args
`confidence_level`	Livello di confidenza per gli intervalli di credibilità precedenti e posteriori, rappresentato come un valore compreso tra zero e uno. Il valore predefinito è `0.9`.
`n_bins`	Numero di intervalli di larghezza uguale da includere nell'istogramma per il plotting. Il valore predefinito è `25`.

Resi

Resi
pd.DataFrame delle curve di Hill con colonne: `channel`: nome del canale `media` o `rf`. `media_units`: unità di media (per i canali `media`) o frequenza media (per i canali`rf`). `distribution`: indicazione del sorteggio `posterior` o `prior`. `ci_hi`: limite superiore dell'intervallo di credibilità del valore della funzione Hill. `ci_lo`: limite inferiore dell'intervallo di credibilità del valore della funzione Hill. `mean`: media punto per punto del valore della funzione di Hill per estrazione. `channel_type`: indicazione di un canale `media` o `rf`. `scaled_count_histogram`: conteggio scalato delle unità di media o delle frequenza media all'interno del contenitore. `count_histogram`: valore del conteggio effettivo delle unità di media o delle frequenze medie all'interno del contenitore. `start_interval_histogram`: unità di misura o punto di partenza della frequenza media per un intervallo dell'istogramma. `end_interval_histogram`: unità di misura dei media o punto di fine della frequenza media per un intervallo dell'istogramma.

pd.DataFrame delle curve di Hill con colonne:

channel: nome del canale media o rf.
media_units: unità di media (per i canali media) o frequenza media (per i canalirf).
distribution: indicazione del sorteggio posterior o prior.
ci_hi: limite superiore dell'intervallo di credibilità del valore della funzione Hill.
ci_lo: limite inferiore dell'intervallo di credibilità del valore della funzione Hill.
mean: media punto per punto del valore della funzione di Hill per estrazione.
channel_type: indicazione di un canale media o rf.
scaled_count_histogram: conteggio scalato delle unità di media o delle frequenza media all'interno del contenitore.
count_histogram: valore del conteggio effettivo delle unità di media o delle frequenze medie all'interno del contenitore.
start_interval_histogram: unità di misura o punto di partenza della frequenza media per un intervallo dell'istogramma.
end_interval_histogram: unità di misura dei media o punto di fine della frequenza media per un intervallo dell'istogramma.

`incremental_outcome`

Visualizza codice sorgente

incremental_outcome(
    use_posterior: bool = True,
    new_data: (meridian.analysis.analyzer.DataTensors | None) = None,
    non_media_baseline_values: (Sequence[float | str] | None) = None,
    scaling_factor0: float = 0.0,
    scaling_factor1: float = 1.0,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | Sequence[bool] | None) = None,
    media_selected_times: (Sequence[str] | Sequence[bool] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    inverse_transform_outcome: bool = True,
    use_kpi: bool = False,
    include_non_paid_channels: bool = True,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> tf.Tensor

Calcola il risultato incrementale posteriore o precedente.

Viene calcolato il risultato media di ciascun canale media per ogni estrazione del parametro successivo o precedente. Il risultato incrementale è definito come:

E(Outcome|Media_1, Controls) meno E(Outcome|Media_0, Controls)

In questo caso, Media_1 indica che l'esecuzione dei media per un determinato canale viene moltiplicata per scaling_factor1 (1,0 per impostazione predefinita) per l'insieme di periodi di tempo specificati da media_selected_times. Analogamente, Media_0 indica che l'esecuzione dei media viene moltiplicata per scaling_factor0 (0,0 per impostazione predefinita) per questi periodi di tempo.

Per i canali con dati su copertura e frequenza, la frequenza viene mantenuta invariata mentre la copertura viene scalata. "Risultato" si riferisce a revenue se use_kpi=False o a kpi se use_kpi=True. Quando revenue_per_kpi non è definito, use_kpi non può essere False.

Se new_data=None, questo metodo calcola il risultato incrementale utilizzando i tensori media, reach, frequency, organic_media, organic_reach, organic_frequency, non_media_treatments e revenue_per_kpi con cui è stato inizializzato l'oggetto Meridian. Questo comportamento può essere ignorato con l'argomento new_data. Ad esempio, new_data=DataTensors(media=new_media) calcola il risultato incrementale utilizzando il tensore new_media e i valori originali dei tensori reach, frequency, organic_media, organic_reach, organic_frequency, non_media_treatments e revenue_per_kpi.

Il calcolo in questo metodo dipende da due ipotesi chiave fatte nell'implementazione di Meridian:

Additività degli effetti multimediali (nessuna interazione).
Le variazioni additive sulla scala del KPI del modello corrispondono alle variazioni additive sulla scala del KPI originale. In altre parole, gli effetti di intercettazione e controllo non influiscono sugli effetti dei media. Questa ipotesi è attualmente valida perché la trasformazione del risultato prevede solo il centratura e la scalatura, ad esempio nessuna trasformazione del log.

Args
`use_posterior`	Booleano. Se `True`, viene calcolata la distribuzione pos-probabilistica incrementale dei risultati. In caso contrario, viene calcolata la distribuzione a priori.
`new_data`	Contenitore `DataTensors` facoltativo con tensori facoltativi: `media`, `reach`, `frequency`, `organic_media`, `organic_reach`, `organic_frequency`, `non_media_treatments` e `revenue_per_kpi`. Se `None`, il risultato incrementale viene calcolato utilizzando il valore `InputData` fornito all'oggetto Meridian. Se viene fornito `new_data`, il risultato incrementale viene calcolato utilizzando i nuovi tensori in `new_data` e i valori originali dei tensori rimanenti. Ad esempio, `incremental_outcome(new_data=DataTensors(media=new_media)` calcola il risultato incrementale utilizzando `new_media` e i valori originali di `reach`, `frequency`, `organic_media`, `organic_reach`, `organic_frequency`, `non_media_treatments` e `revenue_per_kpi`. Se per uno dei tensori in `new_data` viene fornito un numero diverso di periodi di tempo rispetto a `InputData`, a tutti i tensori deve essere fornito lo stesso numero di periodi di tempo.
`non_media_baseline_values`	Elenco facoltativo di forma (n_non_media_channels,). Ogni elemento è un valore float (il che significa che il valore fisso verrà utilizzato come base di riferimento per il canale specificato) o una delle stringhe "min" o "max" (il che significa che il valore minimo o massimo globale verrà utilizzato come base di riferimento per i valori scalati del canale dei trattamenti non_media specificato). Se non viene fornito, il valore minimo viene utilizzato come linea di base per ogni canale di trattamento non_media.
`scaling_factor0`	Galleggia. Il fattore per cui scalare lo scenario controfattuale "Media_0" durante i periodi di tempo specificati in `media_selected_times`. Deve essere non negativo e inferiore a `scaling_factor1`.
`scaling_factor1`	Galleggia. Il fattore per cui scalare "Media_1" durante i periodi di tempo selezionati specificati in `media_selected_times`. Deve essere non negativo e maggiore di `scaling_factor0`.
`selected_geos`	Elenco facoltativo contenente un sottoinsieme di località da includere. Per impostazione predefinita, sono inclusi tutti i dati geografici.
`selected_times`	Elenco facoltativo contenente un sottoinsieme di date da includere o valori booleani con una lunghezza pari al numero di periodi di tempo negli argomenti `new_XXX`, se forniti. Il risultato incrementale corrisponde al KPI incrementale generato durante l'arg `selected_times` per i media eseguiti durante l'arg `media_selected_times`. Tieni presente che se `use_kpi=False`, `selected_times` può includere solo i periodi di tempo che hanno dati di input `revenue_per_kpi`. Per impostazione predefinita, vengono inclusi tutti i periodi di tempo per i quali sono disponibili i dati `revenue_per_kpi`.
`media_selected_times`	Elenco facoltativo contenente un sottoinsieme di date da includere o valori booleani con una lunghezza pari al numero di periodi di tempo in `new_media`, se forniti. Se viene fornito `new_media`, `media_selected_times` può selezionare qualsiasi sottoinsieme di periodi di tempo in `new_media`. Se `new_media` non viene fornito, `media_selected_times` viene selezionato da `InputData.time`. Il risultato incrementale corrisponde al KPI incrementale generato durante l'arg `selected_times` per i media eseguiti durante l'arg `media_selected_times`. Per ogni canale, il risultato incrementale è definito come la differenza tra il KPI previsto quando l'esecuzione dei media viene scalata per `scaling_factor1` e `scaling_factor0` durante questi periodi di tempo specificati. Per impostazione predefinita, la differenza è tra i dati medi a livello di esecuzione storica o come indicato in `new_media` e l'assenza di esecuzione. Per impostazione predefinita, vengono inclusi tutti i periodi di tempo.
`aggregate_geos`	Booleano. Se `True`, il risultato incrementale viene sommato in tutte le regioni.
`aggregate_times`	Booleano. Se è `True`, il risultato incrementale viene sommato su tutti i periodi di tempo.
`inverse_transform_outcome`	Booleano. Se `True`, restituisce il risultato previsto nel KPI o nelle entrate originali (a seconda di ciò che viene passato a `use_kpi`), così come è stato passato a `InputData`. Se è False, restituisce il risultato dopo la trasformazione da parte di `KpiTransformer`, riflettendo la sua rappresentazione all'interno del modello.
`use_kpi`	Booleano. Se `use_kpi = True`, viene calcolato il KPI previsto; in caso contrario, vengono calcolate le entrate previste `(kpi * revenue_per_kpi)`. È obbligatorio che `use_kpi = True` se i dati di `revenue_per_kpi` non sono disponibili o se `inverse_transform_outcome = False`.
`include_non_paid_channels`	Booleano. Se `True`, i trattamenti non media e gli effetti organici sono inclusi nel calcolo. Se `False`, vengono inclusi solo i media a pagamento e gli effetti RF.
`batch_size`	Numero intero che rappresenta il numero massimo di estrazioni per catena in ogni batch. Il calcolo viene eseguito in batch per evitare l'esaurimento della memoria. Se si verifica un errore di memoria, prova a ridurre `batch_size`. Il calcolo sarà generalmente più rapido con valori di `batch_size` più grandi.

Resi

Resi
Tensore del risultato incrementale (KPI o entrate, a seconda dell'argomento `use_kpi`) con dimensioni `(n_chains, n_draws, n_geos, n_times, n_channels)`. Se `include_non_paid_channels=True`, then `n_channel` è il numero totale di canali media, RF, media organici e RF organici e non media. Se `include_non_paid_channels=False`, then `n_channels` è il numero totale di canali media e RF. Le dimensioni `n_geos` e `n_times` vengono eliminate se `aggregate_geos=True` o `aggregate_times=True`, rispettivamente.

Tensore del risultato incrementale (KPI o entrate, a seconda dell'argomento use_kpi) con dimensioni

(n_chains, n_draws, n_geos,
n_times, n_channels)

. Se include_non_paid_channels=True, then n_channel è il numero totale di canali media, RF, media organici e RF organici e non media. Se include_non_paid_channels=False, then n_channels è il numero totale di canali media e RF. Le dimensioni n_geos e n_times vengono eliminate se aggregate_geos=True o aggregate_times=True, rispettivamente.

Aumenti
`NotFittedModelError`	Se `sample_posterior()` (per `use_posterior=True`) o `sample_prior()` (per `use_posterior=False`) non è stato chiamato prima di chiamare questo metodo.
`ValueError`	Se gli argomenti `new_media` non hanno la stessa forma del tensore come media.

`marginal_roi`

Visualizza codice sorgente

marginal_roi(
    incremental_increase: float = 0.01,
    use_posterior: bool = True,
    new_media: (tf.Tensor | None) = None,
    new_media_spend: (tf.Tensor | None) = None,
    new_reach: (tf.Tensor | None) = None,
    new_frequency: (tf.Tensor | None) = None,
    new_rf_spend: (tf.Tensor | None) = None,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    by_reach: bool = True,
    use_kpi: bool = False,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> (tf.Tensor | None)

Calcola la distribuzione del ROI marginale precedente o posteriore.

Il numeratore del ROI marginale (mROI) è la variazione del risultato previsto (kpi o kpi * revenue_per_kpi) quando la spesa di un canale viene aumentata di una piccola frazione. Il denominatore del ROI medio è la piccola frazione corrispondente della spesa totale del canale. Quando revenue_per_kpi non è disponibile, change_in_outcome / spend è equivalente a change_in_revenue / spend supponendo che revenue_per_kpi=1.

Args
`incremental_increase`	Piccola frazione per cui la spesa di ciascun canale viene incrementata al momento del calcolo del suo numeratore mROI. Il denominatore del mROI è questa frazione della spesa totale del canale. Viene utilizzato solo se il valore marginale è `True`.
`use_posterior`	Se `True`, viene calcolata la distribuzione a posteriori. In caso contrario, viene calcolata la distribuzione a priori.
`new_media`	Facoltativo. Dati multimediali con la stessa forma di `meridian.input_data.media`. Utilizzato per calcolare il ROI medio per i dati media alternativi. Il valore predefinito è `meridian.input_data.media`.
`new_media_spend`	Facoltativo. Dati di spesa pubblicitaria con la stessa forma di `meridian.input_data.spend`. Utilizzato per calcolare il ROI medio per i dati alternativi`media_spend`. Il valore predefinito è `meridian.input_data.media_spend`.
`new_reach`	Facoltativo. Raggiungi i dati con la stessa forma di `meridian.input_data.reach`. Utilizzato per calcolare il ROI medio per i dati sulla copertura alternativa. Il valore predefinito è `meridian.input_data.reach`.
`new_frequency`	Facoltativo. Dati sulla frequenza con la stessa forma di `meridian.input_data.frequency`. Utilizzato per calcolare il ROI medio per i dati sulla frequenza alternativi. Il valore predefinito è `meridian.input_data.frequency`.
`new_rf_spend`	Facoltativo. Dati di spesa RF con la stessa forma di `meridian.input_data.rf_spend`. Utilizzato per calcolare il ROI medio per i dati alternativi`rf_spend`. Il valore predefinito è `meridian.input_data.rf_spend`.
`selected_geos`	Facoltativo. Contiene un sottoinsieme di località da includere. Per impostazione predefinita, sono inclusi tutti i dati geografici.
`selected_times`	Facoltativo. Contiene un sottoinsieme di orari da includere. Per impostazione predefinita, sono inclusi tutti i periodi di tempo.
`aggregate_geos`	Se `True`, le entrate previste vengono sommate per tutte le regioni.
`aggregate_times`	Se `True`, le entrate previste vengono sommate su tutti i periodi di tempo.
`by_reach`	Utilizzato per un canale con copertura e frequenza. Se `True`, restituisce l'mROI in base alla copertura per una determinata frequenza fissa. Se `False`, restituisce il ROI medio in base alla frequenza per una determinata copertura fissa.
`use_kpi`	Se `True`, le entrate vengono utilizzate per calcolare il numeratore del mROI. In caso contrario, utilizza il KPI per calcolare il numeratore del ROI medio.
`batch_size`	Numero massimo di estrazioni per catena in ogni batch. Il calcolo viene eseguito in batch per evitare l'esaurimento della memoria. Se si verifica un errore di memoria, prova a ridurre `batch_size`. In genere, il calcolo sarà più rapido con valori `batch_size` più elevati.

Resi
Tensore dei valori di mROI con dimensioni `(n_chains, n_draws, n_geos, n_times, (n_media_channels + n_rf_channels))`. Le dimensioni `n_geos` e `n_times` vengono eliminate se `aggregate_geos=True` o `aggregate_times=True`, rispettivamente.

`optimal_freq`

Visualizza codice sorgente

optimal_freq(
    freq_grid: (Sequence[float] | None) = None,
    use_posterior: bool = True,
    selected_geos: (Sequence[str | int] | None) = None,
    selected_times: (Sequence[str | int] | None) = None,
    confidence_level: float = constants.DEFAULT_CONFIDENCE_LEVEL
) -> xr.Dataset

Calcola la frequenza ottimale che massimizza il ROI medio posteriore.

Per questa ottimizzazione, la spesa storica viene utilizzata e fissata e la frequenza è limitata in modo da essere costante in tutte le regioni geografiche e in tutti i periodi di tempo. La copertura viene calcolata per ogni area geografica e periodo di tempo in modo che il numero di impressioni rimanga invariato man mano che la frequenza varia. Meridian risolve per la frequenza con cui viene ottimizzato il ROI medio posteriore.

Args
`freq_grid`	Elenco di valori di frequenza. Il ROI di ogni canale viene calcolato per ogni valore di frequenza nell'elenco. Per impostazione predefinita, l'elenco include i numeri da `1.0` alla frequenza massima con incrementi di `0.1`.
`use_posterior`	Booleano. Se `True`, vengono generate le frequenze ottimali posteriori. Se `False`, vengono generate le frequenze ottimali precedenti.
`selected_geos`	Elenco facoltativo contenente un sottoinsieme di località da includere. Per impostazione predefinita, sono inclusi tutti i dati geografici.
`selected_times`	Elenco facoltativo contenente un sottoinsieme di orari da includere. Per impostazione predefinita, sono inclusi tutti i periodi di tempo.
`confidence_level`	Livello di confidenza per gli intervalli di credibilità precedenti e posteriori, rappresentato come un valore compreso tra zero e uno.

Resi

Resi
Un set di dati xarray contenente: Coordinate: `frequency`, `rf_channel`, `metric` (`mean`, `median`, `ci_lo`, `ci_hi`). Variabili di dati: `optimal_frequency`: la frequenza che ottimizza la media posteriore del ROI. `roi`: il ROI per ogni valore di frequenza in `freq_grid`. `optimized_incremental_outcome`: il risultato incrementale in base alla frequenza ottimale. `optimized_pct_of_contribution`: la percentuale di contributo in base alla frequenza ottimale. `optimized_effectiveness`: l'efficacia in base alla frequenza ottimale. `optimized_roi`: il ROI in base alla frequenza ottimale. `optimized_mroi_by_reach`: il ROI marginale con una piccola variazione della copertura e della frequenza fissa alla frequenza ottimale. `optimized_mroi_by_frequency`: il ROI marginale con una piccola variazione intorno alla frequenza ottimale e alla copertura fissa. `optimized_cpik`: il CPIK in base alla frequenza ottimale.

Un set di dati xarray contenente:

Coordinate: frequency, rf_channel, metric (mean, median, ci_lo, ci_hi).
Variabili di dati:
- optimal_frequency: la frequenza che ottimizza la media posteriore del ROI.
- roi: il ROI per ogni valore di frequenza in freq_grid.
- optimized_incremental_outcome: il risultato incrementale in base alla frequenza ottimale.
- optimized_pct_of_contribution: la percentuale di contributo in base alla frequenza ottimale.
- optimized_effectiveness: l'efficacia in base alla frequenza ottimale.
- optimized_roi: il ROI in base alla frequenza ottimale.
- optimized_mroi_by_reach: il ROI marginale con una piccola variazione della copertura e della frequenza fissa alla frequenza ottimale.
- optimized_mroi_by_frequency: il ROI marginale con una piccola variazione intorno alla frequenza ottimale e alla copertura fissa.
- optimized_cpik: il CPIK in base alla frequenza ottimale.

Aumenti
`NotFittedModelError`	Se `sample_posterior()` (per `use_posterior=True`) o `sample_prior()` (per `use_posterior=False`) non è stato chiamato prima di chiamare questo metodo.
`ValueError`	Se non sono presenti canali con dati su copertura e frequenza.

`predictive_accuracy`

Visualizza codice sorgente

predictive_accuracy(
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> xr.Dataset

Calcola le metriche di approssimazione R-Squared, MAPE e wMAPE.

R-Squared, MAPE (errore percentuale medio assoluto) e wMAPE (errore percentuale assoluto ponderato) vengono calcolati sulla scala delle entrate (KPI * revenue_per_kpi) quando viene specificato revenue_per_kpi o sulla scala dei KPI quando viene specificato revenue_per_kpi = None. Si tratta della stessa scala utilizzata nel numeratore del ROI (risultato incrementale).

Gli errori di previsione in wMAPE vengono ponderati in base alle entrate effettive (KPI * revenue_per_kpi) quando è specificato revenue_per_kpi o in base alla scala del KPI quando è revenue_per_kpi = None. Ciò significa che la percentuale di errori quando le entrate sono elevate ha un peso maggiore rispetto agli errori quando le entrate sono basse.

R-Squared, MAPE e wMAPE vengono calcolati sia a livello di modello (una osservazione per località e periodo di tempo) sia a livello nazionale (aggregando KPI o risultati relativi alle entrate nelle varie località, in modo da avere un'osservazione per periodo di tempo).

R-Squared, MAPE e wMAPE vengono calcolati per il campione completo. Se l'oggetto del modello contiene osservazioni di esclusione, R-squared, MAPE e wMAPE vengono calcolati anche per i sottoinsiemi Train e Test.

Args
`selected_geos`	Elenco facoltativo contenente un sottoinsieme di località da includere. Per impostazione predefinita, sono inclusi tutti i dati geografici.
`selected_times`	Elenco facoltativo contenente un sottoinsieme di date da includere. Per impostazione predefinita, sono inclusi tutti i periodi di tempo.
`batch_size`	Numero intero che rappresenta il numero massimo di estrazioni per catena in ogni batch. Per impostazione predefinita, `batch_size` è `100`. Il calcolo viene eseguito in batch per evitare l'esaurimento della memoria. Se si verifica un errore di memoria, prova a ridurre `batch_size`. In genere, il calcolo sarà più rapido con valori `batch_size` più elevati.

Resi
Un set di dati xarray contenente i valori calcolati di `R_Squared`, `MAPE` e `wMAPE`, con coordinate `metric`, `geo_granularity`, `evaluation_set` e la variabile di dati aggiuntiva `value`. Se esiste `holdout_id`, i dati vengono suddivisi in sottosezioni `'Train'`, `'Test'` e `'All Data'` e le tre metriche vengono calcolate per ciascuna.

`response_curves`

Visualizza codice sorgente

response_curves(
    spend_multipliers: (list[float] | None) = None,
    use_posterior: bool = True,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    by_reach: bool = True,
    use_optimal_frequency: bool = False,
    confidence_level: float = constants.DEFAULT_CONFIDENCE_LEVEL,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> xr.Dataset

Metodo per generare un xarray.Dataset di curve di risposta.

Le curve di risposta vengono calcolate a livello nazionale, assumendo il pattern di pubblicazione storico per aree geografiche e periodi di tempo per ogni canale media. Un elenco di moltiplicatori viene applicato alla spesa storica totale di ciascun canale media per ottenere il valore x-values in base al quale viene calcolata la curva di risposta del canale.

Args
`spend_multipliers`	Elenco di moltiplicatori. La spesa totale di ogni canale viene moltiplicata per questi fattori per ottenere i valori in base ai quali viene calcolata la curva per quel canale.
`use_posterior`	Booleano. Se `True`, vengono generate le curve di risposta posteriori. Se `False`, vengono generate curve di risposta precedenti.
`selected_geos`	Elenco facoltativo contenente un sottoinsieme di località da includere. Per impostazione predefinita, sono inclusi tutti i dati geografici.
`selected_times`	Elenco facoltativo contenente un sottoinsieme di dimensioni temporali da includere. Per impostazione predefinita, sono inclusi tutti i periodi di tempo. Le stringhe e gli interi della dimensione Tempo devono essere in linea con `Meridian.n_times`.
`by_reach`	Booleano. Per i canali con copertura e frequenza. Se `True`, viene tracciata la curva di risposta in base alla copertura. Se `False`, traccia la curva di risposta in base alla frequenza.
`use_optimal_frequency`	Se `True`, viene utilizzata la frequenza ottimale per tracciare le curve di risposta. Il valore predefinito è `False`.
`confidence_level`	Livello di confidenza per gli intervalli di credibilità precedenti e posteriori, rappresentato come un valore compreso tra zero e uno.
`batch_size`	Numero intero che rappresenta il numero massimo di estrazioni per catena in ogni batch. Il calcolo viene eseguito in batch per evitare l'esaurimento della memoria. Se si verifica un errore di memoria, prova a ridurre `batch_size`. Il calcolo sarà generalmente più rapido con valori di `batch_size` più grandi.

Resi
Un `xarray.Dataset` contenente i dati necessari per visualizzare le curve di risposta.

`rhat_summary`

Visualizza codice sorgente

rhat_summary(
    bad_rhat_threshold: float = 1.2
) -> pd.DataFrame

Calcola un riepilogo dei valori di R-hat per ogni parametro del modello.

Riassume la potenziale riduzione della scala di Gelman e Rubin (1992) per la convergenza della catena, comunemente nota come R-hat. Si tratta di una misura di diagnostica della convergenza che misura il grado in cui la varianza (delle medie) tra le catene supera ciò che ti aspetteresti se le catene fossero distribuite in modo identico. I valori vicini a 1,0 indicano la convergenza. R-hat < 1,2 indica una convergenza approssimativa ed è una soglia ragionevole per molti problemi (Brooks e Gelman, 1998).

Riferimenti
Andrew Gelman e Donald B. Rubin. Interruzione della simulazione iterativa utilizzando più sequenze. Statistical Science, 7(4):457-472, 1992. Stephen P. Brooks e Andrew Gelman. Metodi generali per il monitoraggio della convergenza delle simulazioni iterative. Journal of Computational and Graphical Statistics, 7(4), 1998.

Args
`bad_rhat_threshold`	La soglia per determinare quali valori di R-hat sono considerati errati.

Resi

Resi
Un DataFrame con le seguenti colonne: `n_params`: il numero di rispettivi parametri nel modello. `avg_rhat`: il valore medio di R-hat per il rispettivo parametro. `n_params`: il numero di rispettivi parametri nel modello. `avg_rhat`: il valore medio di R-hat per il rispettivo parametro. `max_rhat`: il valore massimo di R-hat per il rispettivo parametro. `percent_bad_rhat`: la percentuale di valori di R-hat per il rispettivo parametro superiori a `bad_rhat_threshold`. `row_idx_bad_rhat`: gli indici di riga dei valori di R-hat superiori a `bad_rhat_threshold`. `col_idx_bad_rhat`: gli indici di colonna dei valori R-hat superiori a `bad_rhat_threshold`.

Un DataFrame con le seguenti colonne:

n_params: il numero di rispettivi parametri nel modello.
avg_rhat: il valore medio di R-hat per il rispettivo parametro.
n_params: il numero di rispettivi parametri nel modello.
avg_rhat: il valore medio di R-hat per il rispettivo parametro.
max_rhat: il valore massimo di R-hat per il rispettivo parametro.
percent_bad_rhat: la percentuale di valori di R-hat per il rispettivo parametro superiori a bad_rhat_threshold.
row_idx_bad_rhat: gli indici di riga dei valori di R-hat superiori a bad_rhat_threshold.
col_idx_bad_rhat: gli indici di colonna dei valori R-hat superiori a bad_rhat_threshold.

Aumenti
`NotFittedModelError`	Se `self.sample_posterior()` non viene chiamato prima di chiamare questo metodo.
`ValueError`	Se il numero di dimensioni dell'array R-hat per un parametro non è `1` o `2`.

`roi`

Visualizza codice sorgente

roi(
    use_posterior: bool = True,
    new_media: (tf.Tensor | None) = None,
    new_media_spend: (tf.Tensor | None) = None,
    new_reach: (tf.Tensor | None) = None,
    new_frequency: (tf.Tensor | None) = None,
    new_rf_spend: (tf.Tensor | None) = None,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    use_kpi: bool = False,
    batch_size: int = constants.DEFAULT_BATCH_SIZE
) -> tf.Tensor

Calcola la distribuzione del ROI precedente o posteriore per ogni canale multimediale.

Il numeratore del ROI è la variazione del risultato previsto (kpi o kpi * revenue_per_kpi) quando la spesa di un canale viene impostata su zero, lasciando invariata la spesa di tutti gli altri canali. Il denominatore del ROI è la spesa totale del canale. Quando revenue_per_kpi non è disponibile, change_in_outcome / spend equivale a change_in_revenue / spend supponendo che revenue_per_kpi=1.

Args
`use_posterior`	Booleano. Se `True`, viene calcolata la distribuzione a posteriori. In caso contrario, viene calcolata la distribuzione a priori.
`new_media`	Facoltativo. Dati multimediali con la stessa forma di `meridian.input_data.media`. Utilizzato per calcolare il ROI per i dati media alternativi. Il valore predefinito è `meridian.input_data.media`.
`new_media_spend`	Facoltativo. Dati di spesa pubblicitaria con la stessa forma di `meridian.input_data.spend`. Utilizzato per calcolare il ROI per i dati alternativi`media_spend`. Il valore predefinito è `meridian.input_data.media_spend`.
`new_reach`	Facoltativo. Raggiungi i dati con la stessa forma di `meridian.input_data.reach`. Utilizzato per calcolare il ROI per i dati sulla copertura alternativa. Il valore predefinito è `meridian.input_data.reach`.
`new_frequency`	Facoltativo. Dati sulla frequenza con la stessa forma di `meridian.input_data.frequency`. Utilizzato per calcolare il ROI per i dati sulla frequenza alternativa. Il valore predefinito è `meridian.input_data.frequency`.
`new_rf_spend`	Facoltativo. Dati di spesa RF con la stessa forma di `meridian.input_data.rf_spend`. Utilizzato per calcolare il ROI per i dati alternativi`rf_spend`. Il valore predefinito è `meridian.input_data.rf_spend`.
`selected_geos`	Elenco facoltativo contenente un sottoinsieme di località da includere. Per impostazione predefinita, sono inclusi tutti i dati geografici.
`selected_times`	Elenco facoltativo contenente un sottoinsieme di orari da includere. Per impostazione predefinita, sono inclusi tutti i periodi di tempo.
`aggregate_geos`	Booleano. Se `True`, le entrate previste vengono sommate su tutte le regioni.
`aggregate_times`	Booleano. Se `True`, le entrate previste vengono sommate su tutti i periodi di tempo.
`use_kpi`	Se `True`, le entrate vengono utilizzate per calcolare il numeratore del ROI. In caso contrario, utilizza il KPI per calcolare il numeratore del ROI.
`batch_size`	Numero intero che rappresenta il numero massimo di estrazioni per catena in ogni batch. Il calcolo viene eseguito in batch per evitare l'esaurimento della memoria. Se si verifica un errore di memoria, prova a ridurre `batch_size`. Il calcolo sarà generalmente più rapido con valori di `batch_size` più elevati.

Resi
Tensore di valori ROI con dimensioni `(n_chains, n_draws, n_geos, n_times, (n_media_channels + n_rf_channels))`. Le dimensioni `n_geos` e `n_times` vengono eliminate se `aggregate_geos=True` o `aggregate_times=True`, rispettivamente.

`summary_metrics`

Visualizza codice sorgente

summary_metrics(
    marginal_roi_by_reach: bool = True,
    marginal_roi_incremental_increase: float = 0.01,
    selected_geos: (Sequence[str] | None) = None,
    selected_times: (Sequence[str] | None) = None,
    aggregate_geos: bool = True,
    aggregate_times: bool = True,
    optimal_frequency: (Sequence[float] | None) = None,
    use_kpi: bool = False,
    confidence_level: float = constants.DEFAULT_CONFIDENCE_LEVEL,
    batch_size: int = constants.DEFAULT_BATCH_SIZE,
    include_non_paid_channels: bool = False
) -> xr.Dataset

Restituisce le metriche di riepilogo.

Tieni presente che le metriche mroi e effectiveness non sono definite (math.nan) per la dimensione aggregata del canale "All Paid Channels".

Args
`marginal_roi_by_reach`	Booleano. Il ROI marginale (mROI) è definito come il ritorno sull'euro speso successivo. Se questo argomento è `True`, si assume che il prossimo dollaro speso influisca solo sulla copertura, mantenendo costante la frequenza. Se questo argomento è `False`, si presume che l'euro speso successivo influisca solo sulla frequenza, mantenendo costante la copertura. Viene utilizzato solo quando `include_non_paid_channels` è `False`.
`marginal_roi_incremental_increase`	Piccola frazione per cui la spesa di ciascun canale viene aumentata durante il calcolo del numeratore del ROI medio. Il dividendo del ROI in moneta è questa frazione della spesa totale del canale. Da utilizzare solo quando `include_non_paid_channels` è `False`.
`selected_geos`	Elenco facoltativo contenente un sottoinsieme di località da includere. Per impostazione predefinita, sono inclusi tutti i dati geografici.
`selected_times`	Elenco facoltativo contenente un sottoinsieme di orari da includere. Per impostazione predefinita, sono inclusi tutti i periodi di tempo.
`aggregate_geos`	Booleano. Se `True`, il risultato previsto viene sommato su tutte le regioni.
`aggregate_times`	Booleano. Se `True`, il risultato previsto viene sommato su tutti i periodi di tempo.
`optimal_frequency`	Un elenco facoltativo con la dimensione `n_rf_channels`, contenente la frequenza ottimale per canale, che massimizza il ROI medio post-trattamento. Il valore predefinito è `None` e per il calcolo delle metriche viene utilizzata la frequenza storica.
`use_kpi`	Booleano. Se `True`, le metriche di riepilogo vengono calcolate utilizzando il KPI. Se `False`, le metriche vengono calcolate utilizzando le entrate.
`confidence_level`	Livello di confidenza per gli intervalli di attendibilità delle metriche di riepilogo, rappresentato come un valore compreso tra zero e uno.
`batch_size`	Numero intero che rappresenta il numero massimo di estrazioni per catena in ogni batch. Il calcolo viene eseguito in batch per evitare l'esaurimento della memoria. Se si verifica un errore di memoria, prova a ridurre `batch_size`. Il calcolo sarà generalmente più rapido con valori di `batch_size` più grandi.
`include_non_paid_channels`	Booleano. Se `True`, i canali non a pagamento (media organici, copertura e frequenza organiche e trattamenti non media) sono inclusi nel riepilogo, ma vengono riportate solo le metriche indipendenti dalla spesa. Se `False`, vengono inclusi solo i canali a pagamento (media, copertura e frequenza), ma il riepilogo contiene anche le metriche in base alla spesa. Valore predefinito: `False`.

Resi

Resi
Un `xr.Dataset` con coordinate: `channel`, `metric` (`mean`, `median`, `ci_low`, `ci_high`), `distribution` (precedente, successivo) e contenente le seguenti variabili di dati non a pagamento: `incremental_outcome`, `pct_of_contribution`, `effectiveness` e le seguenti variabili di dati a pagamento: `impressions`, `pct_of_impressions`, `spend`, `pct_of_spend`, `CPM`, `roi`, `mroi`, `cpik`. Le variabili di dati a pagamento vengono incluse solo quando `include_non_paid_channels` è `False`.

Un xr.Dataset con coordinate: channel, metric (mean, median, ci_low, ci_high), distribution (precedente, successivo) e contenente le seguenti variabili di dati non a pagamento: incremental_outcome, pct_of_contribution, effectiveness e le seguenti variabili di dati a pagamento: impressions, pct_of_impressions, spend, pct_of_spend, CPM, roi, mroi, cpik. Le variabili di dati a pagamento vengono incluse solo quando include_non_paid_channels è False.

meridian.analysis.analyzer.Analyzer Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

Corsi per bambini

Metodi

adstock_decay

baseline_summary_metrics

cpik

expected_outcome

expected_vs_actual_data

filter_and_aggregate_geos_and_times

get_aggregated_impressions

get_rhat

hill_curves

incremental_outcome

marginal_roi

optimal_freq

predictive_accuracy

response_curves

rhat_summary

roi

summary_metrics

meridian.analysis.analyzer.Analyzer

`adstock_decay`

`baseline_summary_metrics`

`cpik`

`expected_outcome`

`expected_vs_actual_data`

`filter_and_aggregate_geos_and_times`

`get_aggregated_impressions`

`get_rhat`

`hill_curves`

`incremental_outcome`

`marginal_roi`

`optimal_freq`

`predictive_accuracy`

`response_curves`

`rhat_summary`

`roi`

`summary_metrics`