Introdução à modelagem aplicada

A modelagem aplicada é a base do fluxo de trabalho do Meridian, em que você configura, executa e interpreta o modelo para gerar insights sobre sua performance de marketing. Esta seção traz um guia abrangente sobre os componentes do modelo do Meridian, desde a interpretação dos dados de entrada e conceitos principais até a personalização avançada com distribuições a priori e calibragem.

Modelo do Meridian

Esta seção aborda os componentes fundamentais do modelo do Meridian, desde os dados necessários até a estrutura matemática principal.

Página	Descrição
Dados de entrada	Esta página especifica o formato e a estrutura dos dados que você fornece ao Meridian. Aqui detalhamos os diferentes tipos de dados de entrada, como seu principal KPI, a atividade de mídia e as variáveis de controle, e explica como o modelo transforma internamente esses dados para análise.
Variáveis de controle	Nesta página, explicamos as variáveis de controle, que são fatores que podem influenciar seus resultados, mas não fazem parte dos tratamentos de marketing. Aqui abordamos como escolher as variáveis certas para garantir que as estimativas do modelo sejam precisas e imparciais.
Variáveis de mídia orgânica e de tratamento não relacionadas à mídia	Esta página explica como classificar variáveis de tratamento sem custo direto. Aqui você encontra ajuda para decidir se uma atividade deve ser classificada como "mídia orgânica" (como uma postagem de blog) ou "tratamento não relacionado à mídia" (como uma mudança de preço) para uma modelagem precisa.
Modelagem de pesquisa paga	Confira as práticas recomendadas para estimar campanhas de pesquisa paga. Este guia destaca a importância de usar o volume de consultas do Google como uma variável de controle para entender de maneira imparcial o verdadeiro impacto dos seus anúncios de pesquisa.
Observações de validação (divisão de treinamento e teste)	Este guia aborda a prática de separar uma parte dos dados para testar a performance do modelo. Nele explicamos como isso ajuda a comparar diferentes versões do modelo e oferece recomendações sobre a melhor maneira de selecionar esses dados separados para resultados confiáveis.
Especificação do modelo do Meridian	Esta página mostra a equação matemática principal por trás do modelo do Meridian. Nela, detalhamos os principais componentes, incluindo como ela processa as diferentes regiões geográficas, ajusta as tendências ao longo do tempo e modela os efeitos não lineares da mídia.
Alcance e frequência	Vá além das contagens de impressões e faça a modelagem com alcance e frequência. Este guia explica como essa abordagem pode fornecer uma visão mais detalhada da eficácia da sua mídia, considerando quantas pessoas você alcança e com que frequência elas são expostas aos seus anúncios.
Saturação e atraso de mídia	Entenda os dois conceitos fundamentais dos efeitos de marketing. Este guia explica os "efeitos de defasagem" (Adstock), em que o impacto de uma campanha continua ao longo do tempo, e a "saturação" (função de Hill), que considera a diminuição dos retornos à medida que você gasta mais.

Parâmetros baseados em tempo

Saiba como modelar de maneira eficaz os efeitos de tempo, incluindo tendência e sazonalidade, no Meridian.

Página	Descrição
Como definir os nós	Entenda como o Meridian modela os efeitos temporais usando nós. Este guia explica o que são nós, como eles criam um modelo de referência flexível para seu modelo, além de dar dicas para escolher o número certo de nós para seus dados e descreve a seleção automática de nós no Meridian.
Definir o parâmetro max_lag	Nesta página, explicamos a configuração de max_lag, que controla por quanto tempo o modelo assume que o impacto de um anúncio vai durar. Ela mostra as compensações envolvidas na escolha de um período de defasagem mais longo ou curto e como isso afeta seu modelo.
Definir o parâmetro adstock_decay_spec	Ajuste a forma como seu modelo entende os efeitos de defasagem da mídia. Esta página descreve as diferentes formas de decaimento (geométrica e binomial) que você pode escolher para a função de Adstock e oferece conselhos sobre qual usar com base nos seus canais de marketing.

Modelagem geográfica x nacional

Saiba como a modelagem nacional e geográfica funciona no Meridian

Página	Descrição
Modelagem nacional	Saiba como o Meridian se adapta quando você tem apenas dados nacionais em vez de dados divididos por região. Esta página explica que ele é tratado como um caso especial do modelo geográfico e detalha os ajustes automáticos.

Distribuições a priori

As distribuições a priori são um recurso fundamental da modelagem bayesiana que permite incorporar conhecimento atual ao modelo. Esta seção explica como usá-los de maneira eficaz.

Tipos de distribuição a priori de tratamento

O Meridian oferece várias maneiras de definir distribuições a priori, cada uma com implicações diferentes para o modelo.

Página	Descrição
Parametrizações de ROI, mROI e contribuição	Esta página detalha a matemática de como o Meridian reparametriza o modelo para permitir que você defina distribuições a priori diretamente em métricas de negócios, como ROI, mROI ou contribuição.
Distribuições a priori de mROI e comparação com distribuições a priori de ROI	Este guia compara duas opções avançadas de distribuição a priori: ROI (retorno geral) e mROI (retorno do próximo dólar gasto). Nele, explicamos as diferenças e ajudamos você a escolher a opção mais adequada, principalmente quando a meta é a otimização do orçamento.
Como escolher tipos de distribuições a priori de tratamento	Saiba como selecionar o melhor tipo de distribuição a priori para cada uma das suas atividades de marketing. Esta página dá orientações para definir uma distribuição a priori com base no ROI, no mROI, na contribuição ou no coeficiente do modelo subjacente, ajudando você a corresponder a configuração do modelo ao seu conhecimento de negócios.

Distribuições a priori padrão

Entenda as proposições prontas para uso que o Meridian faz para você começar.

Página	Descrição
Parametrizações padrão da distribuição a priori	O Meridian pode definir distribuições a priori em diferentes métricas, como ROI, contribuição ou um coeficiente bruto. Nesta página, explicamos qual dessas opções o Meridian usa por padrão para vários tipos de marketing (pago, orgânico etc.) e em diferentes situações.
Distribuições a priori padrão	Esta página detalha as "distribuições a priori" padrão que o Meridian usa sem precisar de configuração. As distribuições a priori são as proposições iniciais que o modelo faz sobre os parâmetros antes de analisar seus dados. Este guia mostra as formas estatísticas dessas proposições padrão.
Quando o KPI não é receita (padrão)	Esta página explica as distribuições a priori padrão do Meridian quando o indicador principal de desempenho (KPI) não é receita. Ela descreve o conceito de uma distribuição a priori da contribuição total de mídia paga, que ajuda a fixar o modelo quando um ROI direto não é relevante.

Distribuições a priori personalizadas

Saiba como adaptar o modelo ao seu contexto de negócios específico definindo distribuições a priori personalizadas com base em experimentos, comparativos de mercado ou outros conhecimentos do domínio.

Página	Descrição
Calibragem e distribuições a priori de ROI	Saiba mais sobre a calibragem, o processo de incorporação de conhecimento ao modelo usando distribuições a priori de ROI. Este guia explica como usar resultados de experimentos anteriores ou comparativos de mercado do setor para tornar as saídas do modelo mais precisas e confiáveis.
Definir distribuições a priori personalizadas de ROI usando experimentos anteriores	Este guia fornece etapas práticas para traduzir os resultados de testes A/B ou estudos de incrementalidade anteriores em distribuições a priori de ROI personalizadas para seu modelo. Ele aborda considerações importantes para garantir que a tradução seja significativa.
Quando o KPI não é receita (distribuições a priori personalizadas)	Quando sua principal meta de negócios não é medida em receita (como inscrições de usuários), definir distribuições a priori pode ser complicado. Esta página oferece várias estratégias para criar distribuições a priori personalizadas que são significativas para KPIs que não são de receita.
Definir distribuições a priori personalizadas com base em uma combinação de grupos de distribuição	Este guia mostra uma técnica avançada para criar distribuições a priori personalizadas. Ele explica como combinar diferentes distribuições estatísticas para refletir com mais precisão suas crenças sobre a performance de um canal de marketing.