Informazioni sul Marketing Mix Modeling e sulla metodologia di inferenza causale

Considera le seguenti generalizzazioni sul Marketing Mix Modeling (MMM) come metodologia di inferenza causale:

• Il Marketing Mix Modeling è uno strumento di inferenza causale per stimare l'impatto della tua pubblicità a livello di budget e di allocazione in base al KPI. Insight derivati da MMM, come il ROI e di risposta hanno una chiara interpretazione causale e la modellazione metodo deve essere appropriata per questo tipo di analisi.

• Il framework di inferenza causale offre importanti vantaggi, che sono anche i componenti critici di qualsiasi analisi MMM valida e interpretabile:

  • Il ROI e altre stime causali sono chiaramente definiti utilizzando il potenziale dei risultati, che è sia intuitiva che matematicamente rigorosa.

  • I presupposti necessari possono essere determinati e resi trasparenti. Tutti i modelli richiedono ipotesi per fornire stime valide delle stime causali.

• È risaputo che gli esperimenti randomizzati sono considerati l'ideale per stimare gli effetti causali. L'MMM, tuttavia, è un esempio di causale l'inferenza da dati osservazionali.

• Il Marketing Mix Modeling offre importanti vantaggi rispetto agli esperimenti:

  • Nel caso della pubblicità, molti design sperimentali richiedono una configurazione Dati a livello di utente che non soddisfano i moderni standard di privacy. Il Marketing Mix Modeling utilizza dati osservabili a livello aggregato che rispettino la privacy.

  • Gli esperimenti sono spesso difficili da eseguire a causa dei costi e della praticità. I dati osservabili, invece, sono facilmente ottenibili.

  • In genere, gli esperimenti sono progettati per stimare una quantità specifica. Nella pubblicità, ad esempio, un esperimento geografico potrebbe essere progettato per stimare il ROAS di un canale specifico, come la TV. Un modello di inferenza causale, come il Marketing Mix Modeling è in grado di fornire molti approfondimenti, ad esempio il ROI per ogni canale media, di risposte e allocazione del budget senza la necessità di una struttura una progettazione sperimentale rigorosa, che potrebbe non essere attuabile.

Ipotesi verificabili e non verificabili

Poiché l'MMM si basa su dati osservazionali, richiede ipotesi statistiche non necessari per la maggior parte degli esperimenti. Queste ipotesi possono essere classificato come non testabile e testabile.

Perché questi presupposti sono importanti dal punto di vista pratico? Più modelli possono hanno una buona adattabilità e una capacità predittiva, ma forniscono comunque un ROI e un'ottimizzazione diversi di dati, rendendo difficile la scelta del modello migliore.

Ipotesi non testabili

• Una condizione nota come scambiabilità condizionale è la principale condizione non testabile presupposta richiesta affinché un modello di regressione MMM fornisca causali i risultati dell'inferenza. Questa condizione non è testabile perché non sono presenti un modo statistico per determinarne la validità esclusivamente in base a dati osservazionali.

• In generale, per scambiabilità condizionale si intende che la variabile di controllo è impostata entrambi:

  • Include tutte le variabili confondenti, che sono causali influire sia sull'esecuzione dei media sia sul KPI;

  • Esclude tutte le variabili mediatore, che sono variabili che si trovano nella via causale tra media e KPI

• Un grafico causale può essere utilizzato per giustificare la scambiabilità condizionale presupposto. Il grafo causale deve essere costruito sulla base del dominio esperto conoscenze, poiché non esiste alcun test statistico per determinare il grafico corretto struttura basata unicamente su dati osservazionali.

• In realtà, il presupposto della scambiabilità non è mai perfettamente soddisfatto. La principio classico si applica che "tutti i modelli sono errati, ma alcuni sono utili".

Ipotesi testabili

• Le ipotesi testabili includono qualsiasi elemento relativo alla struttura matematica del modello. Prendi in considerazione:

  • Come vengono rappresentati gli effetti multimediali nel modello, inclusi gli effetti ritardati e rendimenti decrescenti?

  • Come vengono modellate le variabili di controllo? Le trasformazioni non lineari sono richiesto?

  • Come vengono modellate le tendenze e la stagionalità?

• Le ipotesi testabili possono essere valutate in una certa misura dalla validità dell'idoneità incluse le metriche di previsione, come il rapporto R al quadrato fuori dal campione. Tuttavia:

  • Le metriche di idoneità non forniscono un quadro completo dell'efficacia di una è per l'inferenza causale ed è probabile che il modello migliore per l'inferenza causale è diversa dal miglior modello per la previsione.

  • Maggiore è il numero di modelli candidati che confronti, maggiore è il rischio di l'overfitting. Ad esempio, il modello migliore non è quello che sembra la miglior vestibilità fuori dal campione.

  • Non esiste una soglia per il valore R al quadrato o altre metriche che definiscono un modello sia buona che cattiva. Un modello con R al quadrato fuori dal campione del 99% può comunque essere un un modello scarso di inferenza causale.

Conclusioni

Non esiste una soluzione migliore in assoluto per l'MMM, che segue le principi di inferenza causale dai dati osservazionali. Consigliamo a tutti I professionisti del Marketing Mix Modeling pensano criticamente a questo modello all'interno di un'inferenza causale indipendentemente dal fatto che utilizzi Meridian o qualsiasi altra soluzione. La missione di Meridian è fornirti la massima chiarezza su cos'è il tuo Marketing Mix Modeling, su come funziona e su come dovresti a interpretare i risultati.