Definir distribuições a priori personalizadas de ROI usando experimentos anteriores

O Meridian exige que as distribuições sejam transmitidas para a calibragem do ROI. Definir distribuições a priori personalizadas usando resultados de experimentos anteriores é uma boa abordagem, mas há muitas nuances a serem consideradas. Exemplos:

• O tempo do experimento em relação à janela de tempo da MMM: talvez os resultados não estejam relacionados se o experimento tiver sido realizado antes ou depois da janela da MMM.

• A duração do experimento: talvez experimentos de curta duração não capturem bem os efeitos de longo prazo da eficácia do marketing.

• A complexidade do experimento: se ele envolver uma mistura de canais, é possível que os resultados não forneçam insights claros sobre a performance de cada canal.

• Diferenças na estimação usada em experimentos e na MMM. Por exemplo, o contrafactual da MMM é gasto nulo, mas pode ser diferente em alguns experimentos, como gasto reduzido.

• Diferenças na população: a segmentação no experimento e na MMM pode não ser a mesma.

Recomendamos definir as distribuições a priori de acordo com sua confiança na eficácia de um canal. Uma crença a priori pode ser baseada em vários fatores, como experimentos ou outras análises confiáveis. Use a solidez dela para informar o desvio padrão da distribuição a priori:

• Se você realmente acredita na eficácia de um canal, use um fator de ajuste no desvio padrão da distribuição a priori para refletir isso. Por exemplo, suponha que você realizou vários experimentos para um canal e todos geraram estimativas de ponto de ROI semelhantes ou que tenha dados históricos de análises anteriores da MMM que comprovem a eficácia desse canal. Nesse caso, defina um desvio padrão menor para que a distribuição não varie muito, indicando que você confia nos resultados experimentais.

• Por outro lado, é possível que o experimento não seja traduzido para a MMM, considerando algumas das nuances já listadas. Nesse caso, aplique um fator de ajuste ao desvio padrão da distribuição a priori. Por exemplo, você pode definir um desvio maior dependendo do seu nível de ceticismo.

Considere usar o argumento roi_calibration_period em ModelSpec. Para mais informações, consulte Definir o período de calibragem do ROI.

Definir uma distribuição a priori log-normal com base em intuição ou experimentos

A distribuição log-normal é comum para uma distribuição a priori de ROI. O Meridian oferece duas funções auxiliares para criar distribuições log-normal com base nos resultados do experimento. prior_distribution.lognormal_dist_from_mean_std cria uma distribuição log-normal com uma média e um desvio padrão fornecidos pelo usuário. Por exemplo, a média e o desvio padrão escolhidos podem ser informados pela estimativa pontual e pelos erros padrão dos experimentos, respectivamente. prior_distribution.lognormal_dist_from_range cria uma distribuição log-normal para que uma massa de probabilidade especificada fique dentro de um intervalo. Por exemplo, os limites podem considerar um intervalo de confiança de 95% de um experimento anterior. Ao usar qualquer uma das funções para definir uma distribuição a priori com base nos experimentos, não se esqueça das considerações abordadas nesta página.

Para criar uma distribuição LogNormal com base em uma média e um desvio padrão:

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)

Para criar uma distribuição LogNormal com base em um intervalo:

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)

No entanto, se os resultados de experimentos anteriores forem próximos de zero, considere se as suas crenças a priori são representadas com acurácia por uma distribuição não negativa, como a LogNormal. Sugerimos representar a distribuição a priori para confirmar se ela corresponde às suas intuições antes de prosseguir com a análise.