Für Meridian müssen Verteilungen für die ROI-Kalibrierung übergeben werden. Es ist zwar sinnvoll, benutzerdefinierte Priors anhand der Ergebnisse früherer Tests festzulegen, es ist aber vieles zu beachten, bevor Sie fortfahren. Beispiel:
Zeitpunkt des Tests im Verhältnis zum MMM-Zeitraum: Wenn der Test vor oder nach dem MMM-Zeitraum durchgeführt wurde, sind die Ergebnisse möglicherweise nicht direkt anwendbar.
Dauer des Tests: Bei einem kurzen Test lassen sich die langfristigen Auswirkungen der Marketingeffektivität möglicherweise nicht ausreichend erfassen.
Komplexität des Tests: Wenn der Test mehrere Channels umfasst, liefern die Ergebnisse möglicherweise keine klaren Erkenntnisse zur Leistung einzelner Channels.
Unterschiede bei Schätzgrößen: Die in Tests verwendeten Schätzgrößen können von denen im MMM abweichen. Als kontrafaktisches Szenario des MMM werden zum Beispiel Ausgaben in Höhe von null angenommen, während bei einigen Tests ein anderes kontrafaktisches Szenario verwendet werden kann, z. B. mit reduzierten Ausgaben.
Unterschiede bei der Population: Die im Test angestrebte Population ist möglicherweise nicht mit der Population identisch, die im MMM verwendet wird.
Sie sollten die benutzerdefinierten Priors auf Grundlage davon festlegen, wie sehr Sie von der Wirksamkeit eines Channels überzeugt sind. Eine vorherige Überzeugung kann auf vielen Dingen beruhen, z. B. auf Tests oder anderen zuverlässigen Analysen. Nutzen Sie die Stärke dieser vorherigen Überzeugung, um die Standardabweichung der Prior-Verteilung zu bestimmen:
Wenn Sie von der Effektivität eines Channels überzeugt sind, können Sie einen Anpassungsfaktor auf die Standardabweichung des Priors anwenden, um Ihr Vertrauen widerzuspiegeln. Angenommen, Sie haben mehrere Tests für einen bestimmten Channel durchgeführt und alle Tests haben ähnliche ROI-Punktschätzungen ergeben. Oder Sie haben Verlaufsdaten aus früheren MMM-Analysen, die die Effektivität dieses Channels belegen. In diesem Fall können Sie eine kleinere Standardabweichung für den Prior festlegen, damit die Verteilung nicht stark variiert. Diese engere Verteilung zeugt von Ihrer hohen Zuversicht in die Testergebnisse.
Umgekehrt lassen sich die Testergebnisse möglicherweise nicht auf das MMM übertragen. In diesem Fall können Sie einen Anpassungsfaktor auf die Standardabweichung der Prior-Verteilung anwenden. Je nachdem, wie skeptisch Sie sind, können Sie beispielsweise eine größere Standardabweichung für den Prior festlegen.
Sie sollten darüber nachdenken, das Argument roi_calibration_period in ModelSpec zu verwenden. Weitere Informationen finden Sie unter Zeitraum für ROI-Abstimmung festlegen.
Lognormalen Prior auf Grundlage von Intuition oder Tests definieren
Für einen ROI-Prior wird häufig die logarithmische Normalverteilung (LogNormal-Verteilung) verwendet.
Meridian bietet zwei Hilfsfunktionen zum Erstellen von LogNormal-Verteilungen aus Testergebnissen.
Mit prior_distribution.lognormal_dist_from_mean_std lassen sie sich mit einem vom Nutzer angegebenen Mittelwert und einer Standardabweichung erstellen. Der ausgewählte Mittelwert und die Standardabweichung können beispielsweise auf der Punktschätzung und den Standardfehlern von Tests basieren.
Durch prior_distribution.lognormal_dist_from_range wird eine logarithmische Normalverteilung so erstellt, dass eine bestimmte Wahrscheinlichkeit in einen Bereich fällt. Der Bereich kann beispielsweise auf einem Konfidenzintervall von 95 % aus einem früheren Test basieren. Wenn Sie eine der beiden Funktionen verwenden, um einen Prior aus Tests zu definieren, sollten Sie die auf dieser Seite beschriebenen Aspekte berücksichtigen.
So erstellen Sie eine LogNormal-Verteilung aus einem Mittelwert und einer Standardabweichung:
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)
So erstellen Sie eine LogNormal-Verteilung aus einem Bereich:
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)
Wenn die Ergebnisse aus früheren Tests jedoch nahe null liegen, sollten Sie überlegen, ob Ihre bisherigen Prior-Annahmen durch eine nicht negative Verteilung wie die LogNormal-Verteilung korrekt dargestellt werden. Wir empfehlen Ihnen dringend, die Prior-Verteilung grafisch darzustellen, um zu bestätigen, dass sie Ihren Vorannahmen entspricht, bevor Sie mit der Analyse fortfahren.