Meridian nécessite de transmettre des distributions pour la calibration du ROI. Définir des a priori personnalisés à l'aide des résultats de tests précédents est une approche judicieuse, mais de nombreuses nuances doivent être prises en compte avant de commencer. Exemple :
Période du test par rapport à celle de la MMM : si le test a été réalisé avant ou après la période de la MMM, il est possible que les résultats ne soient pas directement applicables.
Durée du test : s'il est de courte durée, le test risque de ne pas rendre compte efficacement des effets à long terme de l'efficacité marketing.
Complexité du test : si le test implique une combinaison de canaux, il est possible que les résultats ne fournissent pas d'insights clairs sur les performances de chaque canal.
Différences entre les estimands : les estimands utilisés dans les tests peuvent être différents de ceux utilisés dans la MMM. Par exemple, le contrefactuel de la MMM correspond à des dépenses nulles, alors que certains tests peuvent être associés à un autre contrefactuel, comme des dépenses réduites.
Différences de population : la population ciblée dans le test peut être différente de celle prise en compte dans la MMM.
Nous vous recommandons de définir les a priori personnalisés en fonction de votre conviction quant à l'efficacité d'un canal. Une croyance préalable peut être basée sur de nombreux éléments, y compris des expériences ou d'autres analyses fiables. Utilisez la force de cette croyance antérieure pour déterminer l'écart type de la valeur antérieure :
Si vous êtes convaincu de l'efficacité d'une chaîne, vous pouvez appliquer un facteur de correction à la déviation standard de l'estimation précédente pour refléter votre confiance. Par exemple, supposons que vous ayez mené plusieurs tests pour un canal spécifique et que tous les tests aient généré des estimations de ROI similaires, ou que vous disposiez de données historiques issues d'analyses MMM précédentes qui confirment l'efficacité de ce canal. Dans ce cas, vous pouvez définir une déviation standard plus faible pour l'intervalle précédent afin que la distribution ne varie pas trop. Cette distribution plus étroite indique que vous avez une grande confiance dans les résultats expérimentaux.
À l'inverse, il est possible que l'expérience ne se traduise pas nécessairement par une augmentation de la valeur de la marque, compte tenu de certaines nuances mentionnées précédemment. Dans ce cas, vous pouvez choisir d'appliquer un facteur de correction à l'écart-type de la distribution précédente. Par exemple, vous pouvez définir une écart type plus élevé pour l'intervalle précédent, en fonction de votre niveau de scepticisme.
Vous pouvez utiliser l'argument roi_calibration_period dans ModelSpec. Pour en savoir plus, consultez Définir la période de calibration du ROI.
Définir un a priori lognormal en se basant sur l'intuition ou sur des tests
La distribution lognormale est une distribution courante à utiliser pour un a priori de ROI.
Meridian fournit deux fonctions d'assistance pour construire des distributions lognormales à partir des résultats des tests.
prior_distribution.lognormal_dist_from_mean_std construit une distribution lognormale avec une moyenne et un écart-type fournis par l'utilisateur. Par exemple, la moyenne et l'écart-type choisis peuvent être basés respectivement sur l'estimation ponctuelle et sur les erreurs standards des tests.
prior_distribution.lognormal_dist_from_range construit une distribution lognormale de sorte qu'une masse de probabilité spécifiée corresponde à une plage donnée. Par exemple, la plage peut être basée sur un intervalle de confiance de 95 % issu d'un test précédent. Lorsque vous utilisez l'une ou l'autre de ces fonctions pour définir un a priori à partir de tests, gardez à l'esprit les points abordés sur cette page.
Pour construire une distribution LogNormal à partir d'une moyenne et d'un écart-type :
import numpy as np
from meridian.model import prior_distribution
mean = [1.0, 3.0] # Point estimate
std = [0.3, 2.0] # Standard error
# Define the LogNormal distribution
lognormal_dist = prior_distribution.lognormal_dist_from_mean_std(mean, std)
# Define the PriorDistribution object
prior = prior_distribution.PriorDistribution(roi_m=lognormal_dist)
Pour construire une distribution LogNormal à partir d'une plage :
import numpy as np
from meridian.model import prior_distribution
low = [0.1, 0.5] # Range lower bound
high = [2.0, 10.0] # Range upper bound
mass_percent = 0.95 # Probability mass
# Define the LogNormal distribution
lognormal_dist = prior_distribution.lognormal_dist_from_range(
low, high, mass_percent=mass_percent
)
# Define the PriorDistribution object
prior = prior_distribution.PriorDistribution(roi_m=lognormal_dist)
Toutefois, si les résultats des tests précédents sont proches de zéro, vous devez déterminer si vos croyances antérieures sont représentées avec précision par une distribution non négative, telle que la distribution LogNormal. Nous vous recommandons vivement de tracer la distribution a priori pour vérifier qu'elle correspond à vos intuitions a priori avant de poursuivre l'analyse.