Rejoignez la nouvelle communauté
Discord pour discuter en temps réel, obtenir l'aide de vos pairs et communiquer directement avec l'équipe Meridian.
Raison d'être de l'inférence causale et de la modélisation bayésienne
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
La raison pour laquelle nous adoptons une approche d'inférence causale est simple et convaincante. Toutes les quantités estimées par MMM impliquent une causalité. Le ROI, les courbes de réponse et l'analyse du budget optimal concernent l'impact des dépenses marketing sur les KPI, en considérant ce qui se serait passé si les dépenses marketing avaient été différentes. Selon l'approche de conception de Meridian, il n'y a pas d'autre alternative que d'utiliser la méthodologie d'inférence causale.
Meridian est un modèle de régression. Le fait que les effets marketing puissent être interprétés comme des effets de causalité est dû aux estimands définis et aux hypothèses formulées (comme le DAG causal). Bien que ces hypothèses ne soient probablement pas valables pour tous les annonceurs, elles sont communiquées de manière transparente à chacun d'entre eux pour qu'il puisse prendre sa décision.
Même si la modélisation bayésienne n'est pas nécessaire pour l'inférence causale, Meridian adopte une approche bayésienne, car elle offre les avantages suivants :
- Les distributions a priori d'un modèle bayésien permettent de régulariser intuitivement l'ajustement de chaque paramètre en fonction des connaissances a priori et de l'intensité de régularisation sélectionnée. La régularisation est nécessaire dans MMM, car le nombre de variables est important, les corrélations sont souvent élevées et les effets média (avec adstock et rendements décroissants) sont complexes.
- Meridian offre la possibilité de redéfinir les paramètres du modèle de régression en termes de ROI, ce qui permet d'utiliser un prior de ROI personnalisé. Toutes les connaissances disponibles, y compris les résultats des tests, peuvent être utilisées pour définir des priors qui sont régularisés selon les résultats que vous jugez pertinents, avec la force qui vous semble appropriée.
- Les transformations de variables média (adstock et rendements décroissants) sont non linéaires, et les paramètres de ces transformations ne peuvent pas être estimés par des techniques de modèles linéaires mixtes. Meridian utilise des techniques d'échantillonnage MCMC de pointe pour résoudre ce problème.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/08/04 (UTC).
[null,null,["Dernière mise à jour le 2025/08/04 (UTC)."],[[["\u003cp\u003eMeridian adopts a causal inference perspective to measure the true impact of marketing spending on key performance indicators (KPIs) such as ROI, response curves, and optimal budget allocation.\u003c/p\u003e\n"],["\u003cp\u003eBuilt as a Bayesian regression model, Meridian leverages causal assumptions and transparently discloses them, allowing advertisers to assess their applicability.\u003c/p\u003e\n"],["\u003cp\u003eThe Bayesian approach in Meridian provides robust regularization, incorporates prior knowledge about ROI, and effectively handles non-linear media effects through advanced sampling techniques.\u003c/p\u003e\n"]]],["Meridian uses causal inference methodology because MMM estimates imply causality, analyzing how marketing spend affects KPIs. This regression model defines estimands and makes assumptions, which are disclosed for transparency. It employs a Bayesian approach for regularization via prior distributions, reparameterization using ROI priors, and handling nonlinear media variable transformations like adstock and diminishing returns through MCMC sampling techniques. These techniques are needed due to high variable counts and complex media effects.\n"],null,["# Rationale for causal inference and Bayesian modeling\n\nThe reason for taking a causal inference perspective is straightforward and\ncompelling. All of the quantities that MMM estimates imply causality. ROI,\nresponse curves, and optimal budget analysis pertain to how marketing spending\naffects KPIs, by considering what would have happened if the marketing spend had\nbeen different. The Meridian design perspective is that there is no alternative\nbut to use causal inference methodology.\n\nMeridian is a regression model. The fact that marketing effects can be\ninterpreted as causal is owed to the estimands defined and the assumptions made\n(such as the causal DAG). Although these assumptions might not hold for every\nadvertiser, the assumptions are transparently disclosed for each advertiser to\ndecide.\n\nAlthough Bayesian modeling is not necessary for causal inference,\nMeridian takes a Bayesian approach because it offers the following\nadvantages:\n\n1. The prior distributions of a Bayesian model offer an intuitive way to regularize the fit of each parameter according to prior knowledge and the selected regularization strength. Regularization is necessary in MMM because the number of variables is large, the correlations are often high, and the media effects (with adstock and diminishing returns) are complex.\n2. Meridian offers the option to reparameterize the regression model in terms of ROI, allowing the use of any custom ROI prior. Any and all available knowledge, including experiment results, can be used to set priors that regularize towards results you believe in with the strength you believe is appropriate.\n3. Media variable transformations (adstock and diminishing returns) are nonlinear, and the parameters of these transformations cannot be estimated by linear mixed model techniques. Meridian uses state-of-the-art [MCMC sampling\n techniques](/meridian/docs/basics/bayesian-inference#mcmc-convergence) to solve this problem."]]
