メリディアン モデルでは、時間 \(t\) のメディアが時間\(t, t + 1, \dots , t + L\) の KPI に影響を与える可能性があります。ここで、整数 \(L\) は、ModelSpec の max_lag パラメータを使用してユーザーが設定するハイパーパラメータです。メディア効果は、max_lag を超える長期に及ぶ場合があります。ただしメリディアンでは、遅延効果は単調にゼロに向かって減衰し、最終的には小さくなると仮定されています。実用的な理由から、効果は max_lag の値で切り捨てられます。
max_lag トレードオフ
通常、max_lag の値が小さいほどモデルの収束が改善され、モデルの実行時間が短縮されます。max_lag の値を小さくすると、モデル分散を減らすこともできます。max_lag の値が大きい場合、メリディアン モデルで遅延効果を正確に推定するには、利用可能なデータ量が不十分であることが多く、モデル分散が増加します。一方、max_lag の値を大きくすると、遅延効果の期間が長くなります。これは、長期的な効果が考えられるモデルにメリットがあります。
max_lag を増やしても、費用対効果（ROI）の推定値も高まるとは限りません。その理由としては、時間 \(t\) のメディアが時間 \(t+L\)の KPI に影響を与える場合、時間\(t+1, \dots , t+L\) のメディアが時間 \(t+L\)の KPI に及ぼす効果が損なわれる可能性があることが挙げられます。
max_lag の設定に関する実践的アドバイス
メリディアンで提供される 2 つの Adstock 減衰関数（幾何級数的減衰と二項減衰）は、異なる方法で max_lag のトレードオフのバランスを取ります。
幾何級数的減衰を使用する場合
幾何級数的減衰では、max_lag を 2～10 の範囲に設定すると、メディア効果の遅延をバランスよくモデル化しながら、最大遅延が大きすぎる場合の潜在的なデメリットを最小限に抑えることができます。幾何級数的減衰曲線は、 \(\alpha\)のほとんどの値で急速にゼロに減衰するため、max_lag を非常に大きな値に設定しても、モデルの尤度にはわずかな影響しか及ぼしません。
二項減衰を使用する場合
ただし二項減衰の場合、曲線は最大遅延の関数となります。x 切片は常に\(L + 1\)にあるため、効果期間をカバーするように拡張されます。その結果、収益逓減に関する懸念は解消され、max_lag の値をより大きく設定した二項減衰を使用できるようになります。ただし、max_lag を増やしても、収束およびモデルの実行時間が悪化する可能性があります。この矛盾に対して、max_lag を増やすことによる潜在的なメリットとバランスを取る必要があります。この場合は、4～20 の範囲で max_lag 値を選択することをおすすめします。
幾何級数的減衰と二項減衰の組み合わせを使用する場合
チャネルごとに異なる減衰関数を使用している場合、max_lag の値を増やすかを判断するのは難しい場合があります。主に 1 つの関数を使用しており、例外が少数しかない場合は、その関数の推奨事項に従うことをおすすめします。よりバランスの取れた組み合わせを使用している場合、4～20 の範囲で max_lag を選択するとよいでしょう。これにより、二項減衰の遅延効果のモデリングのバランスを保ち、大きい max_lag を設定した幾何級数的減衰を使用することによる欠点を回避できます。
| Adstock 減衰関数 | 最大遅延の推奨値 |
|---|---|
| 幾何級数的減衰 | 2～10（期間） |
| 二項減衰 | 4～20（期間） |
| 幾何級数的減衰と二項減衰の組み合わせ | 4～20（期間） |
減衰関数とアルファ事前分布の詳細については、adstock_decay_spec パラメータを設定するをご覧ください。