Tentang metodologi MMM dan inferensi kausal

Pertimbangkan generalisasi berikut tentang marketing mix modeling (MMM) sebagai metodologi inferensi kausal:

• MMM adalah alat inferensi kausal untuk memperkirakan dampak iklan Anda tingkat anggaran dan alokasi telah memiliki KPI. Insight yang diperoleh dari MMM seperti ROI dan kurva respons memiliki penafsiran kausal yang jelas, dan pemodelan metodologi yang sesuai untuk jenis analisis ini.

• Kerangka kerja inferensi kausal memiliki manfaat penting, yang juga komponen penting dari setiap analisis MMM yang valid dan dapat ditafsirkan:

  • ROI dan estimasi kausal lainnya ditentukan dengan jelas menggunakan notasi hasil, yang intuitif dan ketat secara matematis.

  • Asumsi yang diperlukan dapat ditentukan dan dibuat transparan. Semua model membutuhkan asumsi untuk memberikan perkiraan yang valid mengenai kausal tersebut.

• Sudah menjadi pengetahuan umum bahwa eksperimen acak dianggap sebagai cara memperkirakan efek kausal. Namun, MMM adalah contoh kausal inferensi dari data observasi.

• MMM memiliki keuntungan penting dibandingkan eksperimen:

  • Dalam kasus iklan, banyak desain eksperimental membutuhkan yang tidak memenuhi standar privasi modern. Penggunaan MMM data observasi pada tingkat agregat yang menjaga privasi.

  • Eksperimen sering kali sulit dijalankan karena biaya dan kepraktisan. Di sisi lain, data observasi mudah diperoleh.

  • Eksperimen biasanya dirancang untuk memperkirakan satu kuantitas tertentu. Di beberapa Misalnya, eksperimen geografis mungkin dirancang untuk memperkirakan ROAS dari saluran tertentu seperti TV. Model inferensi kausal, seperti MMM dapat memberikan banyak insight seperti ROI untuk setiap saluran media, kurva respons, dan alokasi anggaran tanpa kebutuhan analisis yang kompleks dan desain eksperimental yang ketat yang mungkin tidak praktis.

Asumsi yang dapat diuji dan tidak dapat diuji

Karena MMM didasarkan pada data observasi, hal itu memerlukan asumsi statistik yang tidak diperlukan untuk sebagian besar eksperimen. Asumsi ini dapat dikategorikan sebagai tidak dapat diuji dan dapat diuji.

Mengapa asumsi ini penting dari sudut pandang praktis? Beberapa model dapat memiliki kecocokan dan kemampuan prediktif yang baik, tetapi memberikan ROI dan pengoptimalan yang berbeda hasil, sehingga sulit untuk memilih model terbaik.

Asumsi yang tidak dapat diuji

• Suatu kondisi yang dikenal sebagai pertukaran kondisional adalah kondisi utama yang tidak dapat diuji Asumsi yang diperlukan agar model regresi MMM memberikan kausal kausal hasil inferensi. Kondisi ini tidak dapat diuji karena tidak ada statistik untuk menentukan validitasnya hanya dari data pengamatan.

• Umumnya, pertukaran bersyarat berarti bahwa kumpulan variabel kontrol keduanya:

  • Mencakup semua variabel pengganggu, yang merupakan variabel yang secara kausalitas memengaruhi eksekusi media dan KPI, dan

  • Mengecualikan variabel mediator, yang merupakan variabel yang terletak pada jalur kausal antara media dan KPI

• Grafik kausal dapat digunakan untuk menjustifikasi pertukaran bersyarat menggunakan asumsi. Grafik kausal harus disusun berdasarkan domain pakar pengetahuan, karena tidak ada uji statistik untuk menentukan grafik yang benar struktur hanya dari data observasi.

• Pada kenyataannya, asumsi dapat dipertukarkan tidak pernah terpenuhi dengan sempurna. Tujuan prinsip klasik berlaku bahwa "semua model salah, tetapi ada beberapa model yang berguna".

Asumsi yang dapat diuji

• Asumsi yang dapat diuji mencakup segala sesuatu yang terkait dengan struktur matematika model. Pertimbangkan:

  • Bagaimana efek media direpresentasikan dalam model, termasuk efek lag dan penurunan laba?

  • Bagaimana variabel kontrol dimodelkan? Merupakan transformasi nonlinear wajib diisi?

  • Bagaimana tren dan tren musiman dimodelkan?

• Asumsi yang dapat diuji dapat dievaluasi sampai batas tertentu berdasarkan kesesuaiannya metrik, termasuk metrik prediksi seperti R-kuadrat di luar sampel. Namun:

  • Metrik kebaikan atau kesesuaian tidak memberikan gambaran lengkap tentang seberapa baik untuk inferensi kausal, dan ada kemungkinan bahwa model terbaik untuk inferensi kausal berbeda dari model terbaik untuk prediksi.

  • Semakin banyak model kandidat yang Anda bandingkan, semakin tinggi risiko {i>overfitting<i}. Misalnya, model terbaik bukanlah yang tampak memiliki kesesuaian {i>out-of-sample<i} terbaik.

  • Tidak ada ambang batas untuk R-kuadrat atau metrik lain yang membuat model baik atau buruk. Sebuah model dengan R-{i>out-of-sample<i} 99% masih bisa menjadi yang buruk untuk inferensi kausal.

Kesimpulan

Tidak ada solusi terbaik untuk MMM, yang mengikuti dari prinsip inferensi kausal dari data observasi. Sebaiknya semua Praktisi MMM berpikir kritis tentang MMM dalam inferensi kausal terlepas dari apakah Anda menggunakan Meridian atau tidak atau solusi lain. Misi Meridian adalah untuk memberi Anda kejelasan maksimal tentang apa itu MMM Anda, bagaimana cara kerjanya, dan bagaimana Anda seharusnya menafsirkan hasilnya.