Présentation de la modélisation appliquée

La modélisation appliquée est au cœur du workflow Meridian. Elle vous permet de configurer, d'exécuter et d'interpréter le modèle pour obtenir des insights sur vos performances marketing. Cette section fournit un guide complet des composants du modèle Meridian, depuis la compréhension des données d'entrée et des concepts de base jusqu'à la personnalisation avancée avec les a priori et la calibration.

Le modèle Meridian

Cette section présente les composants fondamentaux du modèle Meridian, des données requises à la structure mathématique de base.

Page	Description
Données d'entrée	Cette page spécifie le format et la structure des données que vous fournissez à Meridian. Elle détaille les différents types de données d'entrée, comme votre KPI principal, votre activité média et vos variables de contrôle, et explique comment le modèle transforme ces données en interne pour l'analyse.
Variables de contrôle	Cette page explique ce que sont les variables de contrôle, c'est-à-dire les facteurs qui peuvent influencer vos résultats, mais qui ne font pas partie de vos traitements marketing. Elle explique comment choisir les bonnes variables pour vous assurer que les estimations de votre modèle sont précises et non biaisées.
Variables de traitement média naturel et non média	Cette page explique comment classer les variables de traitement sans coût direct. Elle vous aide à déterminer si une activité doit être classée comme média naturel (comme un article de blog) ou comme traitement non média (comme un changement de prix) pour une modélisation précise.
Modélisation de la recherche sponsorisée	Découvrez les bonnes pratiques pour modéliser les campagnes de recherche sponsorisée. Ce guide souligne l'importance d'utiliser le volume de requêtes Google comme variable de contrôle pour obtenir une compréhension non biaisée de l'impact réel de vos annonces sur le Réseau de Recherche.
Observations de validation (répartition entre entraînement et test)	Ce guide explique comment exclure une partie de vos données pour tester les performances du modèle. Il explique comment cette pratique permet de comparer différentes versions du modèle et fournit des recommandations sur la meilleure façon de sélectionner ces données exclues pour obtenir des résultats fiables.
Spécification du modèle Meridian	Cette page présente l'équation mathématique de base du modèle Meridian. Elle aborde les principaux composants, y compris la gestion des différentes zones géographiques, l'ajustement aux tendances au fil du temps et la modélisation des effets non linéaires des médias.
Couverture et fréquence	Allez au-delà du nombre d'impressions en modélisant l'audience et la fréquence. Ce guide explique comment cette approche peut vous donner une vision plus nuancée de l'efficacité de vos supports média en tenant compte du nombre de personnes que vous touchez et de la fréquence à laquelle elles voient vos annonces.
Latence et saturation des canaux média	Comprendre les deux concepts fondamentaux des effets marketing Ce guide explique les "effets de latence" (adstock), où l'impact d'une campagne se poursuit au fil du temps, et la saturation (fonction Hill), qui tient compte de la diminution des rendements à mesure que vous dépensez plus.

Paramètres temporels

Découvrez comment modéliser efficacement les effets temporels, y compris la tendance et la saisonnalité, dans Meridian.

Page	Description
Définir des nœuds	Comprendre comment Meridian modélise les effets temporels à l'aide de "nœuds" Ce guide explique ce que sont les nœuds, comment ils créent une référence flexible pour votre modèle, fournit des conseils sur le choix du nombre de nœuds adapté à vos données et décrit la sélection automatique des nœuds dans Meridian.
Définir le paramètre max_lag	Cette page explique le paramètre max_lag, qui contrôle la durée pendant laquelle le modèle suppose que l'impact d'une annonce se fera sentir. Elle aborde les compromis à faire lorsque vous choisissez une période de décalage plus ou moins longue, et explique comment cela affecte votre modèle.
Définir le paramètre adstock_decay_spec	Ajustez la façon dont votre modèle comprend les effets de latence des médias. Cette page décrit les différentes formes de diminution (géométrique et binomiale) que vous pouvez choisir pour la fonction Adstock et vous conseille sur celle à utiliser en fonction de vos canaux marketing.

Modélisation au niveau géographique ou national

Découvrez comment fonctionne la modélisation au niveau national et géographique dans Meridian.

Page	Description
Modélisation au niveau national	Découvrez comment Meridian s'adapte lorsque vous ne disposez que de données au niveau national au lieu de données ventilées par région. Cette page explique qu'il s'agit d'un cas particulier du modèle au niveau géographique et détaille les ajustements automatiques effectués.

A priori

Les a priori sont une fonctionnalité clé de la modélisation bayésienne qui vous permet d'intégrer des connaissances existantes dans le modèle. Cette section explique comment les utiliser efficacement.

Types d'a priori de traitement

Meridian propose plusieurs façons de définir des a priori, chacune ayant des implications différentes pour le modèle.

Page	Description
Paramétrisation du ROI, du ROIm et de la contribution	Cette page présente en détail les aspects mathématiques de la façon dont Meridian reconfigure les paramètres du modèle pour vous permettre de définir des a priori directement sur des métriques métier telles que le ROI, le ROIm ou la contribution.
A priori de ROIm et comparaison avec les a priori de ROI	Ce guide compare deux options d'a priori avancées : le ROI (retour global) et le ROIm (retour sur le prochain euro dépensé). Il explique les différences et vous aide à choisir l'option la plus adaptée, en particulier lorsque votre objectif est l'optimisation du budget.
Comment choisir les types d'a priori de traitement	Découvrez comment sélectionner le meilleur type d'a priori pour chacune de vos activités marketing. Cette page vous explique si vous devez définir un a priori basé sur le ROI, le ROIm, la contribution ou le coefficient du modèle sous-jacent. Vous pourrez ainsi adapter la configuration du modèle à vos connaissances sur votre activité.

A priori par défaut

Découvrez les hypothèses prêtes à l'emploi que Meridian utilise pour vous aider à démarrer.

Page	Description
Paramétrisations a priori par défaut	Meridian peut définir des a priori sur différentes métriques, comme le ROI, la contribution ou un coefficient brut. Cette page explique quelles options Meridian utilise par défaut pour différents types de marketing (payant, naturel, etc.) et dans différentes situations.
Distributions a priori par défaut	Cette page décrit en détail les "distributions a priori" par défaut que Meridian utilise immédiatement. Les a priori sont les hypothèses initiales que le modèle génère sur ses paramètres avant d'analyser vos données. Ce guide vous présente les formes statistiques de ces hypothèses par défaut.
Lorsque le KPI ne concerne pas les revenus	Cette page explique les a priori par défaut de Meridian lorsque l'indicateur clé de performance (KPI) ne concerne pas les revenus. Elle décrit le concept d'a priori de contribution totale des médias payants, qui permet d'ancrer le modèle lorsqu'un ROI direct n'est pas applicable.

A priori personnalisés

Découvrez comment adapter le modèle à votre contexte commercial spécifique en définissant des a priori personnalisés basés sur des tests, des benchmarks ou d'autres connaissances du domaine.

Page	Description
A priori et calibration du ROI	Découvrez la calibration, le processus d'intégration de connaissances existantes dans votre modèle à l'aide des a priori du ROI. Ce guide explique comment utiliser les résultats d'anciens tests ou les benchmarks du secteur pour rendre les résultats de votre modèle plus précis et fiables.
Définir des a priori de ROI personnalisés à l'aide d'anciens tests	Ce guide fournit des étapes pratiques pour traduire les résultats d'anciens tests A/B ou d'anciennes études d'incrémentalité en a priori de ROI personnalisés pour votre modèle. Il aborde des points importants à prendre en compte pour s'assurer que cette traduction est pertinente.
Lorsque le KPI ne concerne pas les revenus (a priori personnalisés)	Lorsque votre principal objectif commercial n'est pas mesuré en termes de revenus (comme les inscriptions d'utilisateurs), il peut être difficile de définir des a priori. Cette page propose plusieurs stratégies pour créer des a priori personnalisés qui ont du sens pour les KPI non liés aux revenus.
Définir des a priori personnalisés à partir d'une combinaison de familles de distributions	Ce guide présente une technique avancée pour créer des a priori personnalisés. Il explique comment combiner différentes distributions statistiques pour refléter plus précisément vos croyances antérieures sur les performances d'un canal marketing.