一般产品信息
该库是否免费？
是，您可以免费使用该库，并且我们在 GitHub 上开放了源代码，供所有人使用。
我们是否必须与 Google 共享数据才能使用该库？
Google 无法访问您的输入数据、模型或结果（通过我们的 MMM Data Platform 提供的 Google 媒体数据除外）。Google 只能访问您向 Google MMM Data Platform 请求的数据。但 Google 并不知道您的模型中是否真的包含了这些数据。除非您选择与 Google 代表共享数据，否则您的实际模型输入和输出是完全私密的。
从 LightweightMMM 迁移
如果我目前是 LightweightMMM 用户，是否需要执行额外的操作才能为 Meridian 构建数据输入？
若要充分利用新的 Meridian 创新功能，您需要添加更多数据维度，例如：
- 覆盖面和频次
- 实验
- Google 搜索查询量 (GQV)
在没有这些维度的情况下，您仍可以运行 Meridian，但会错失新的创新功能。如需了解详情，请参阅从 LightweightMMM 迁移。
数据收集和清理
我能否在 MMM Data Platform 界面中同时收集所有数据类型（效果、YouTube 覆盖面和频次、Google 搜索查询量）？
效果数据与 YouTube 覆盖面和频次数据必须分开请求。如需详细了解请求工作流程，请参阅 MMM Data Platform 体验邮件中附带的用户指南。
我可以请求哪些 GQV 数据？
Google 搜索查询量，输出包括：
- QueryLabel - 品牌或宽泛
- ReportDate
- TimeGranularity（您可以请求 Daily、Weekly_Sunday 或 Weekly_Monday 数据）。
- GeoCriteriaId
- GeoName
- GeoType
- IndexedQueryVolume - 所有搜索查询量数据均已经过指数化处理。系统不会提供搜索查询量的原始数据。
是否可以将 GQV 方法应用于非 Google 搜索数据？
来自非 Google 搜索引擎的自然搜索查询量往往无法获得。如需了解一些替代方案，请参阅了解作为搜索广告混杂因素的搜索查询量。
基于模型的分析
对于给定的媒体渠道，如何设置与不同时间段关联的不同先验？
使用 roi_calibration_period 实参最有可能做到这一点。根据 MMM 校准白皮书的第 3.4 部分，我们建议您计算实验按支出加权的平均投资回报率，并传递 roi_calibration_period 以匹配实验的四个季度。如果实验的标准误差相差较大，您可能需要进一步对实验进行相应的加权处理。如需了解详情，请参阅设置投资回报率校准周期。
能否为结值设置时间先验？
Meridian 不支持对结值设置时变先验。
如何获取回归的详细分解信息，例如获取后验抽样的 DataFrame？
后验样本位于 inference_data 对象中，您可以将此数组转换为所需的任何 DataFrame。若要使用文档字符串获取数据样本，请参阅 meridian.model.model.Meridian。
能否在 Meridian 中衡量渠道之间的协同效应？
Meridian 不支持此类分析。
能否通过 Meridian 获得投资回报率随时间变化的数据？
您可以查看每个媒体渠道在一段时间内的增量结果，从而计算投资回报率：
-
获取
Analyzer().incremental_outcome()中估计的增量结果。 -
使用
selected_times选项选择相关的周。 - 除以这些周的支出。这样就得出了投资回报率，并能更准确地反映各个时间段的情况。
重要提示：在跟踪投资回报率随时间的变化时，要考虑到尽管模型中的系数不随时间变化，投资回报率仍会随时间变化，因为它依赖于可能随时间变化的其他因素。例如，Hill 曲线模拟了媒体投放的非线性递减回报，因此给定时间的媒体投放量会影响投资回报率。此外，不同地理位置的媒体分配会随着时间的推移而变化，并产生不同的效果，媒体投放费用也会随时间的推移而变化。
Meridian 的层次化模型结构能否用于地理位置以外的分类变量？
Meridian 的层次化模型结构专为地理位置级建模而设计，具有重要优势。虽然可以使用其他分类变量代替地理位置作为分层变量，但一般不建议这样做。如果要使用其他分层变量，则必须能够按此变量对 KPI 和媒体单位数进行分层。
以下是一些通常无法使用的分层变量示例。
- 产品。如果您认为某个广告渠道可能会影响多种产品的 KPI，那么“产品”就不应作为分层变量。如果是在整个品牌级别定位到某个渠道，而不是在具体产品级别，则该渠道可能会影响多个产品。由于所谓的“光环效应”，专门宣传具体产品的广告系列也可能会影响其他产品的 KPI。
- 销售渠道（例如，线上与零售）。媒体单位数通常并非针对单个销售渠道。
- 广告系列。虽然媒体单位数通常可以按广告系列进行分层，但无法按广告系列对 KPI 进行分层。
即使 KPI 和媒体单位数都可以按非地理位置变量进行分层，也务必要考虑以下层次化模型假设是否适用。
- 层次化模型会在各个类别中共用一部分信息，以估计处理变量和控制变量的模型系数。而其他模型形参，比如时间效应（趋势和季节性变化）、Adstock 以及回报递减形参，则被假定为在各个类别中是相同的（完全共用）。对于地理位置层次结构，这些假设通常是合理的，因为 KPI 和媒体单位数在不同地理位置的解读基本相同。
- 如果每个类别的 KPI 和媒体单位数大致处于同一规模，那么假设时间效应、Adstock 和回报递减形参相同通常会更合理。对于地理位置级模型，可通过按人口比例缩放 KPI 和媒体单位数来实现这一点。对于其他变量，我们不太清楚应使用什么缩放变量来代替人口，也不清楚应将其应用于 KPI、媒体单位数还是两者都应用。
- 稳定单位处理值假设 (SUTVA) 要求一个单位的处理（广告）曝光不会影响任何其他单位。对于地理位置处理单位，此假设通常是合理的（尽管永远无法完全满足）。对于非地理位置类别，媒体效应的跨类别干扰可能更为严重。
如果您考虑使用非地理位置分层变量，请注意以下事项。
- 控制变量在不同类别中可以取相同的值，只要控制变量在每个类别中都有变化即可。不过，如果使用完整或接近完整的结来对时间效应进行建模，可能会出现收敛问题。
-
考虑在
ModelSpec中设置unique_sigma_for_each_geo=True，因为非地理位置类别的残差方差可能并不相同。 -
由于地理位置层次化模型是最常见的应用场景，因此 Meridian 的命名惯例将分层变量标记为“geo”。如果您使用的是 CSV 数据加载器，请务必在
load.CoordToColumns中将分层变量标记为“geo”列。 - Meridian 需要“人口”变量。如果分层变量不是地理位置，则可以为所有类别级别将此值设置为 1，但按其他因素进行缩放可能更有意义。Meridian 会自动按人口比例缩放 KPI 和媒体单位数。如果您不希望对某个变量进行缩放，则必须将输入数据列乘以人口，以便在按人口比例缩放后，该变量仍采用原始值。
解读和优化
能否根据设定的出价目标值来衡量出价策略的投资回报率？
Google 的 MMM 数据 Feed 按广告系列提供出价策略类型（例如“尽可能提高转化次数”出价策略和“目标广告支出回报率”出价策略），但该 Feed 不包含出价目标值本身。若要查看这一特定维度，广告客户可以直接从 Google Ads 获取出价策略报告，也可以在其 Google 客户代表的帮助下量身定制数据解决方案。