Einführung in die angewandte Modellierung

Die angewandte Modellierung ist das Herzstück des Meridian-Workflows. Hier konfigurieren Sie das Modell, führen es aus und interpretieren es, um Statistiken zur Marketingleistung zu erhalten. In diesem Abschnitt finden Sie umfassende Informationen zu den Komponenten des Meridian-Modells – von den Eingabedaten und den wichtigsten Konzepten bis hin zur erweiterten Anpassung mit Priors und Abstimmung.

Das Meridian-Modell

In diesem Abschnitt werden die grundlegenden Komponenten des Meridian-Modells beschrieben, von den erforderlichen Daten bis hin zur mathematischen Kernstruktur.

Seite	Beschreibung
Eingabedaten	Auf dieser Seite werden das Format und die Struktur der Daten beschrieben, die Sie für Meridian bereitstellen. Es werden die verschiedenen Arten von Eingabedaten wie Ihr primärer KPI, Media-Aktivitäten und Kontrollvariablen behandelt und es wird erläutert, wie das Modell diese Daten intern für die Analyse transformiert.
Kontrollvariablen	Auf dieser Seite werden Kontrollvariablen erläutert. Das sind Faktoren, die Ihre Ergebnisse beeinflussen können, aber nicht Teil Ihrer Marketing-Testvariablen sind. Außerdem wird beschrieben, wie Sie die richtigen Kontrollvariablen auswählen, damit die Schätzungen Ihres Modells genau und unvoreingenommen sind.
Variablen für organische Media und nicht mediabezogene Testvariablen	Auf dieser Seite wird erläutert, wie Sie Testvariablen ohne direkte Kosten klassifizieren. Sie hilft Ihnen, zu entscheiden, ob Sie eine Aktivität als organische Media (z. B. einen Blogpost) oder als nicht mediabezogene Testvariable (z. B. eine Preisänderung) für eine genaue Modellierung klassifizieren sollten.
Modellierung der bezahlten Suche	Es gibt verschiedene Empfehlungen für die Modellierung von Kampagnen zur bezahlten Suche. In diesem Leitfaden wird die Bedeutung von Google-Suchvolumen als Kontrollvariable hervorgehoben, um ein unvoreingenommenes Bild der tatsächlichen Wirkung Ihrer Suchanzeigen zu erhalten.
Holdout-Beobachtungen (Trainings- und Testaufteilung)	In diesem Leitfaden wird beschrieben, wie Sie einen Teil Ihrer Daten zurückhalten, um die Leistung des Modells zu testen. Außerdem wird erläutert, wie Sie so verschiedene Modellversionen vergleichen können. Weiterhin finden Sie Empfehlungen zur Auswahl dieser zurückgehaltenen Daten, um zuverlässige Ergebnisse zu erhalten.
Die Meridian-Modellspezifikation	Auf dieser Seite wird die grundlegende mathematische Gleichung des Meridian-Modells beschrieben. Dabei werden die Hauptkomponenten aufgeschlüsselt, einschließlich der Behandlung verschiedener Regionen, der Anpassung an Trends im Zeitverlauf und der Modellierung der nicht linearen Effekte von Media.
Reichweite und Häufigkeit	Durch die Modellierung mit Reichweite und Häufigkeit können Sie über die Messung der Anzahl der Impressionen hinausgehen. In diesem Leitfaden wird erläutert, wie Sie mit diesem Ansatz einen differenzierteren Blick auf die Effektivität Ihrer Media erhalten, indem Sie berücksichtigen, wie viele Nutzer Sie erreichen und wie oft diese Ihre Anzeigen sehen.
Media – Übersättigung und Verzögerung	Es gibt zwei grundlegende Konzepte von Marketingeffekten. In diesem Leitfaden werden Verzögerungseffekte (Adstock), bei denen die Auswirkungen einer Kampagne nachhaltig sind, sowie Sättigung (Hill-Funktion) erläutert, die abnehmende Erträge bei steigenden Ausgaben berücksichtigt.

Zeitbasierte Parameter

Hier erfahren Sie, wie Sie Zeiteffekte wie Trend und Saisonalität in Meridian effektiv modellieren.

Seite	Beschreibung
Knoten setzen	Vollziehen Sie nach, wie Meridian Zeiteffekte mithilfe von Knoten modelliert. In diesem Leitfaden wird erläutert, was Knoten sind und wie sie eine flexible Baseline für Ihr Modell erstellen. Außerdem erhalten Sie Ratschläge zur Auswahl der richtigen Anzahl von Knoten für Ihre Daten. Darüber hinaus wird die automatische Knotenauswahl in Meridian beschrieben.
Parameter max_lag festlegen	Auf dieser Seite wird die Einstellung max_lag erläutert, mit der festgelegt wird, wie lange die Auswirkungen einer Anzeige im Modell berücksichtigt werden. Außerdem werden die Vor- und Nachteile der Auswahl eines längeren oder kürzeren Verzögerungszeitraums und die Auswirkungen auf Ihr Modell beschrieben.
Parameter adstock_decay_spec festlegen	Verzögerungseffekte von Media im Modell optimieren Auf dieser Seite werden die verschiedenen Abklingformen (geometrisch und binomial) beschrieben, die Sie für die Adstock-Funktion auswählen können. Außerdem finden Sie hier Empfehlungen, welche Form Sie je nach Marketing-Channel verwenden sollten.

Modellierung auf geografischer Ebene im Vergleich zur Modellierung auf Länderebene

Modellierung auf Länder- und geografischer Ebene in Meridian

Seite	Beschreibung
Modellierung auf Länderebene	Hier erfahren Sie, wie Meridian angepasst wird, wenn Sie nur Daten auf Länderebene anstelle von Daten nach Region haben. Auf dieser Seite wird erläutert, dass dies als Sonderfall des Modells auf geografischer Ebene gilt. Außerdem werden die automatischen Anpassungen beschrieben, die vorgenommen werden.

Priors

Priors sind ein wichtiges Feature der bayesschen Modellierung. Sie können damit vorhandenes Wissen in das Modell einbeziehen. In diesem Abschnitt wird erläutert, wie Sie sie effektiv einsetzen.

Arten von Testvariablen-Priors

In Meridian gibt es mehrere Möglichkeiten, Priors zu definieren, die jeweils unterschiedliche Auswirkungen auf das Modell haben.

Seite	Beschreibung
Parametrisierung von ROI, Grenz-ROI und Beiträgen	Auf dieser Seite werden die mathematischen Details dazu erläutert, wie das Modell in Meridian neu parametrisiert wird, damit Sie Priors direkt für Unternehmensmesswerte wie ROI, Grenz-ROI oder Beitrag festlegen können.
Grenz-ROI-Priors und Vergleich mit ROI-Priors	In diesem Leitfaden werden zwei erweiterte Prior-Optionen verglichen: ROI (Gesamtrendite) und Grenz-ROI (Rendite des nächsten ausgegebenen Dollars). Darin werden die Unterschiede erläutert und Sie erfahren, welche Option besser geeignet ist, insbesondere wenn Sie Budgets optimieren möchten.
Arten der Testvariablen-Priors auswählen	Hier erfahren Sie, wie Sie den besten Priortyp für die einzelnen Marketingaktivitäten auswählen. Auf dieser Seite finden Sie Anleitungen dazu, ob Sie einen Prior basierend auf ROI, Grenz-ROI, Beitrag oder dem zugrunde liegenden Koeffizienten des Modells festlegen sollten. So können Sie die Einrichtung des Modells an Ihr Unternehmenswissen anpassen.

Standard-Priors

Die Standardannahmen von Meridian, die Ihnen den Einstieg erleichtern.

Seite	Beschreibung
Standard-Prior-Parametrisierungen	In Meridian können Priors für verschiedene Messwerte wie ROI, Beitrag oder einen Rohkoeffizienten festgelegt werden. Auf dieser Seite wird erläutert, welche dieser Optionen standardmäßig für verschiedene Marketingtypen (bezahlt, organisch usw.) und in verschiedenen Situationen verwendet werden.
Standard-Prior-Verteilungen	Auf dieser Seite werden die in Meridian verwendeten standardmäßigen Prior-Verteilungen beschrieben. Priors sind die anfänglichen Annahmen, die das Modell zu seinen Parametern trifft, bevor es Ihre Daten analysiert. In diesem Leitfaden geht es um die statistischen Ausprägungen dieser Standardannahmen.
Wenn der KPI nicht Umsatz ist (Standard)	Auf dieser Seite werden die Standard-Priors von Meridian beschrieben, wenn die Leistungskennzahl (KPI) nicht „Umsatz“ ist. Außerdem wird das Konzept eines Priors für den Gesamtbeitrag bezahlter Media erläutert, was zur Stabilisierung des Modells beiträgt, wenn kein direkter ROI anwendbar ist.

Benutzerdefinierte Priors

Sie finden hier Informationen dazu, wie Sie das Modell an Ihren spezifischen geschäftlichen Kontext anpassen, indem Sie benutzerdefinierte Priors auf Grundlage von Tests, Benchmarks oder anderem Fachwissen festlegen.

Seite	Beschreibung
ROI-Priors und ‑Abstimmung	Hier finden Sie Informationen zur Abstimmung, bei der vorhandenes Wissen mithilfe von ROI-Priors in Ihr Modell einbezogen wird. In diesem Leitfaden wird erläutert, wie Sie Ergebnisse aus früheren Tests oder Branchen-Benchmarks verwenden können, um die Ausgaben Ihres Modells genauer und zuverlässiger zu machen.
Benutzerdefinierte ROI-Priors anhand früherer Tests festlegen	In dieser Anleitung finden Sie praktische Schritte, um die Ergebnisse früherer A/B-Tests oder Studien zur Steigerung der Conversions in benutzerdefinierte ROI-Priors für Ihr Modell zu übertragen. Außerdem werden wichtige Aspekte behandelt, die dafür sorgen, dass die Übertragung sinnvoll ist.
Wenn der KPI nicht „Umsatz“ ist (benutzerdefinierte Priors)	Wenn Ihr primäres Geschäftsziel nicht am Umsatz gemessen wird (z. B. Nutzerregistrierungen), kann es schwierig sein, Priors festzulegen. Auf dieser Seite finden Sie mehrere Strategien zum Erstellen von benutzerdefinierten Priors, die für nicht umsatzbezogene KPIs sinnvoll sind.
Benutzerdefinierte Priors aus einer Kombination von Verteilungsklassen festlegen	In dieser Anleitung wird eine erweiterte Methode zum Erstellen benutzerdefinierter Priors beschrieben. Dabei wird erläutert, wie Sie verschiedene statistische Verteilungen kombinieren können, um Ihre Prior-Annahmen zur Leistung eines Marketing-Channels genauer abzubilden.