As distribuições a priori de mROI são uma alternativa às distribuições a priori de ROI para canais de mídia paga. O mROI de um canal é definido como o retorno esperado de uma unidade monetária extra de gasto. Para alocar a unidade monetária extra em regiões geográficas e períodos, aumente o alcance e mantenha a frequência média.
A escolha entre as distribuições a priori de ROI e mROI tem implicações importantes, principalmente se o objetivo é criar paridade a priori em todos os canais. Tanto o ROI quanto o mROI têm uma distribuição a priori. Se a distribuição a priori de ROI for especificada, uma distribuição a priori de mROI será induzida e vice-versa. Uma distribuição a priori induzida não pertence a uma família paramétrica e normalmente não é independente de outros parâmetros de modelo. O valor exato de uma distribuição a priori induzida depende da distribuição de execução de mídia de um canal em regiões geográficas e períodos. Mesmo que uma distribuição a priori de ROI (mROI) comum seja usada em todos os canais, a distribuição a priori de mROI (ROI) induzida vai variar de acordo com o canal.
Quando a função de Hill é côncava, por exemplo, se o parâmetro de inclinação for igual a um (o padrão), os canais sem dados de alcance e frequência sempre terão um ROI geral maior do que o ROI marginal. Se você usar uma distribuição a priori de ROI, a distribuição a priori de ROI marginal induzida será estritamente menor para um canal sem dados de alcance e frequência. Por outro lado, se você usar uma distribuição a priori de ROI marginal, a distribuição a priori de ROI induzida será estritamente maior para um canal sem dados de alcance e frequência.
Para canais de alcance e frequência, o ROI marginal por alcance é igual ao ROI. Isso acontece porque o ROI marginal a priori é aplicado ao ROI marginal por alcance (a próxima unidade monetária gasta aumenta o alcance sem mudar a frequência média). De acordo com a especificação do modelo Meridian, os efeitos da mídia são lineares no alcance. Sendo assim, a escolha entre uma parametrização de distribuição a priori de ROI comum e marginal não tem impacto na distribuição a priori dos canais de alcance e frequência. Porém, essa escolha ainda vai afetar a inferência de distribuição a posteriori para canais de alcance e frequência porque:
- A escolha da distribuição a priori para outros canais impacta o ajuste do modelo e os resultados da distribuição a posteriori dos canais de alcance e frequência.
- As distribuições a priori padrão de ROI e mROI são diferentes.
Se você quiser analisar a distribuição a priori induzida de um modelo específico, chame sample_prior e, depois, o método roi ou marginal_roi da classe Analyzer com o argumento use_posterior=False.
Motivos para escolher as distribuições a priori de ROI:
- Uma distribuição a priori de ROI comum pode ser usada em todos os canais para criar a paridade de ROI. À medida que a intensidade da distribuição a priori aumenta (o desvio padrão diminui), as distribuições a posteriori de ROI diminuem e se aproximam de um valor comum.
- As distribuições a priori de ROI específicas do canal podem ser usadas para incorporar conhecimentos prévios, como resultados de experimentos.
- Embora as distribuições a priori de ROI não controlem as mudanças no orçamento de otimização, assim como as distribuições a priori de mROI, as restrições de gasto de otimização podem ser usadas para limitar a mudança proposta de orçamento em qualquer canal.
Motivos para escolher as distribuições a priori de mROI:
- Uma distribuição a priori comum de mROI pode ser usado em todos os canais para criar a paridade da distribuição a priori de mROI. À medida que a intensidade da distribuição a priori aumenta, os valores da distribuição a posteriori de mROI diminuem e se aproximam de um valor comum.
- A paridade da distribuição a priori de mROI geralmente resulta em mudanças menos significativas no orçamento de otimização:
- Se a mesma distribuição a priori de mROI for usada em todos os canais, a alocação de orçamento ideal da distribuição a priori será igual à média histórica.
- À medida que a intensidade da distribuição a priori aumenta, a alocação de orçamento ideal da distribuição a posteriori diminui e se aproxima do valor histórico.
- Apesar do uso de distribuições a priori de mROI fortes, um canal com dados de alcance e frequência ainda poderá ter uma mudança significativa no gasto em otimização se também usarmos a frequência ideal do canal, em vez da histórica. A distribuição a priori de mROI é aplicada ao mROI na frequência histórica, que é sempre menor que o mROI na frequência ideal. Por padrão, a otimização do orçamento é feita com a frequência ideal, mas o método de otimização inclui um argumento booleano
use_optimal_freq, que pode ser usado para definir se a otimização é realizada com a frequência ideal ou histórica.
É importante lembrar que o mROI varia de acordo com os períodos. Sendo assim, se o período de otimização não estiver alinhado ao da distribuição a priori de mROI, talvez as distribuições a priori de mROI não regularizem corretamente as mudanças no orçamento de otimização. Você pode ajustar o período da otimização usando o argumento selected_time de BudgetOptimizer.optimize().
É possível ajustar o período do mROI com os argumentos roi_calibration_period e rf_roi_calibration_period de ModelSpec. Por padrão, os dois períodos serão definidos como o período completo de modelagem.