Meridian requiere que se aprueben las distribuciones para la calibración del ROI. Si bien configurar distribuciones a priori personalizadas con los resultados de experimentos anteriores es un enfoque sólido, hay muchos matices que se deben tener en cuenta antes de continuar. Por ejemplo:
El tiempo del experimento en relación con el período del MMM: Si el experimento se realizó antes o después del período del MMM, es posible que los resultados no se puedan aplicar directamente.
La duración del experimento: Es posible que un experimento de corta duración no capture de manera eficaz los efectos a largo plazo de la efectividad del marketing.
La complejidad del experimento: Si el experimento involucró una combinación de canales, es posible que los resultados no proporcionen estadísticas claras sobre el rendimiento de los canales individuales.
Diferencias en los estimandos: Los estimandos que se usan en los experimentos pueden diferir de los que se usan en el MMM. Por ejemplo, la situación contrafáctica del MMM es una inversión nula, mientras que algunos experimentos podrían tener otra situación contrafáctica, como una inversión reducida.
Diferencias en la población: Es posible que la población objetivo del experimento no sea la misma que la considerada en el MMM.
Te recomendamos que configures las distribuciones a priori personalizadas en función de tu creencia en la efectividad de un canal. Una creencia previa puede estar basada en muchos factores, incluidos los experimentos o bien otros análisis confiables. Usa la intensidad de esa creencia previa para fundamentar la desviación estándar de la distribución a priori:
Si crees firmemente en la efectividad de un canal, puedes aplicar un factor de ajuste a la desviación estándar de la distribución a priori que refleje tu confianza. Por ejemplo, supongamos que realizaste varios experimentos para un canal en particular y todos ellos arrojaron estimaciones puntuales del ROI similares, o bien que tienes datos históricos de análisis del MMM anteriores que respaldan la efectividad de ese canal. En ese caso, podrías establecer una desviación estándar más pequeña para la distribución a priori, de modo que la distribución no varíe mucho. Esta distribución más ajustada indica que tienes una gran confianza en los resultados experimentales.
Por el contrario, teniendo en cuenta algunos de los matices mencionados anteriormente, es posible que el experimento no se corresponda necesariamente con el MMM. En ese caso, podrías optar por aplicar un factor de ajuste a la desviación estándar de la distribución a priori. Por ejemplo, podrías establecer una desviación estándar más grande para la distribución a priori, según tu nivel de escepticismo.
Considera usar el argumento roi_calibration_period en ModelSpec. Para obtener más información, consulta Cómo establecer el período de calibración del ROI.
Cómo definir una distribución a priori lognormal a partir de la intuición o de experimentos
La distribución lognormal es una distribución común que se usa para la distribución a priori del ROI.
Meridian proporciona dos funciones auxiliares para construir distribuciones lognormales a partir de los resultados del experimento.
prior_distribution.lognormal_dist_from_mean_std construye una distribución lognormal con una desviación media y una desviación estándar proporcionadas por el usuario. Por ejemplo, la media y la desviación estándar elegidas podrían basarse en la estimación puntual y los errores estándares de los experimentos, respectivamente.
prior_distribution.lognormal_dist_from_range construye una distribución lognormal de modo que una masa de probabilidad especificada se encuentre dentro de un rango. Por ejemplo, el rango podría basarse en un intervalo de confianza del 95% de un experimento anterior. Cuando uses cualquiera de estas funciones para definir una distribución a priori a partir de experimentos, ten en cuenta las consideraciones que se analizan en esta página.
Para construir una distribución LogNormal a partir de una media y una desviación estándar, haz lo siguiente:
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 construir una distribución de LogNormal a partir de un rango, haz lo siguiente:
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)
Sin embargo, si los resultados de los experimentos anteriores están cerca de cero, debes considerar si tus creencias previas están representadas con exactitud por una distribución no negativa, como la distribución LogNormal. Te recomendamos que generes un gráfico de la distribución a priori para confirmar que coincida con tus intuiciones anteriores antes de continuar con el análisis.