El modelo de Meridian permite que los medios en el momento \(t\) afecten el KPI en los momentos\(t, t + 1, \dots , t + L\) , en los que el número entero \(L\) es un hiperparámetro establecido por el usuario con el parámetro max_lag de ModelSpec. Los medios pueden tener un efecto duradero más allá de max_lag. Sin embargo, Meridian supone que los efectos rezagados decaen de forma monótona hacia cero y que, con el tiempo, estos efectos se vuelven insignificantes. Por motivos prácticos, truncamos el efecto en el valor max_lag.
Compensaciones de max_lag
En general, los valores más bajos de max_lag mejoran la convergencia del modelo y aceleran los tiempos de ejecución. Los valores más bajos de max_lag también pueden reducir la varianza del modelo: con valores altos de max_lag, la cantidad de datos disponibles suele ser insuficiente para que los modelos de Meridian estimen con precisión los efectos rezagados, lo que aumenta la varianza del modelo. Por otro lado, mayores valores de max_lag aumentan la duración de los efectos rezagados, lo que puede ser beneficioso para los modelos que esperan efectos a largo plazo.
Un mayor max_lag no siempre significa que las estimaciones del ROI también aumentarán. Uno de los motivos es que, si los medios en el momento \(t\) pueden afectar el KPI en el momento \(t+L\), esto puede eliminar el efecto de los medios en los momentos\(t+1, \dots , t+L\) sobre el KPI en el momento \(t+L\).
Consejos prácticos para establecer max_lag
Las dos funciones de decaimiento de Adstock que se ofrecen en Meridian, geométrica y binomial, equilibran las compensaciones de max_lag de manera diferente.
Uso del decaimiento geométrico
Con el decaimiento geométrico, establecer max_lag en el rango de 2 a 10 genera un buen equilibrio entre modelar los efectos rezagados de los medios y minimizar las posibles desventajas de un rezago máximo demasiado alto. La curva de decaimiento geométrico disminuye a cero muy rápidamente para la mayoría de los valores de \(\alpha\), por lo que establecer max_lag en un valor muy alto tiene un efecto insignificante en la probabilidad del modelo.
Uso del decaimiento binomial
Sin embargo, con el decaimiento binomial, la curva es una función del rezago máximo: se extiende para abarcar el período del efecto, ya que su intersección con el eje X siempre se encuentra en\(L + 1\). Como resultado, la preocupación por la disminución de los retornos ya no aplica, y se puede usar el decaimiento binomial con un valor más alto de max_lag. Sin embargo, la convergencia y los tiempos de ejecución del modelo pueden empeorar con el aumento de max_lag.
Esta tensión debe equilibrarse con los posibles beneficios del aumento de max_lag. Recomendamos seleccionar un valor de max_lag en el rango de 4 a 20 en este caso.
Uso de una combinación de decaimiento geométrico y binomial
Decidir aumentar el valor de max_lag puede ser complicado si utilizas diferentes funciones de decaimiento para distintos canales. Si principalmente usas una función con solo algunas excepciones, te sugerimos que sigas la recomendación de la función predominante. Si usas una combinación más equilibrada, te recomendamos que selecciones un valor de max_lag entre 4 y 20. Esto equilibra adecuadamente el modelado del efecto rezagado binomial y, a la vez, evita las desventajas de usar la función geométrica con un valor de max_lag alto.
| Función de decaimiento de Adstock | Recomendación de rezago máximo |
|---|---|
| Geométrica | 2 a 10 períodos |
| Binomial | 4 a 20 períodos |
| Combinación de las funciones geométrica y binomial | 4 a 20 períodos |
Para obtener más detalles sobre las funciones de decaimiento y la distribución a priori alfa, consulta Cómo establecer el parámetro adstock_decay_spec.