Questions fréquentes

Informations générales sur le produit

La bibliothèque est-elle sans frais ?

Oui, la bibliothèque est libre d'utilisation et Open Source sur GitHub pour que tout le monde puisse l'utiliser.

Dois-je partager mes données avec Google pour utiliser la bibliothèque ?

Google n'aura pas accès à vos données d'entrée, à votre modèle ni à vos résultats (à l'exception des données média Google fournies par le biais de notre MMM Data Platform). Si vous demandez des données à la Google MMM Data Platform, ce sont les seules données auxquelles Google aura accès. Toutefois, Google ne saura pas si vous incluez réellement ces données dans votre modèle. Les entrées et les sorties réelles de votre modèle sont entièrement privées, sauf si vous choisissez de les partager avec vos représentants Google.

Migrer depuis LightweightMMM

En tant qu'utilisateur actuel de LightweightMMM, dois-je effectuer des tâches supplémentaires afin de créer une entrée de données pour Meridian ?

Pour profiter pleinement des nouvelles innovations Meridian, vous devrez ajouter d'autres dimensions de données, par exemple :

• Couverture et fréquence
• Tests
• Volume de requêtes Google (VRG)

Vous pouvez toujours exécuter Meridian sans ces dimensions, mais vous ne bénéficierez pas des nouvelles innovations. Pour en savoir plus, consultez Migrer depuis LightweightMMM.

Collecte et nettoyage des données

Puis-je collecter simultanément tous les types de données (performances, couverture et fréquence YouTube et volume de requêtes Google) dans l'interface MMM Data Platform ?

Les données sur les performances et les données de fréquence et de couverture YouTube doivent être demandées séparément. La procédure de demande est détaillée dans le guide de l'utilisateur inclus dans l'e-mail d'accès à MMM Data Platform.

Quelle est la portée des données VRG que je peux demander ?

Pour le volume de requêtes Google, le résultat inclut :

• QueryLabel (incluant une marque ou générique)
• ReportDate
• TimeGranularity (vous pouvez demander des données Daily, Weekly_Sunday ou Weekly_Monday)
• GeoCriteriaId
• GeoName
• GeoType
• IndexedQueryVolume (toutes les données de volume de requêtes sont indexées, les chiffres bruts ne sont pas fournis pour le volume de requêtes)

Puis-je appliquer la méthodologie VRG aux données de recherche non Google ?

Le volume de requêtes naturelles provenant d'autres moteurs de recherche que Google est souvent indisponible. D'autres options sont décrites dans Comprendre le volume de requêtes comme un facteur de confusion pour les annonces sur le Réseau de Recherche.

Modélisation

Pour un levier média donné, comment définir différents a priori associés à différentes périodes ?

L'argument roi_calibration_period est probablement le plus adapté. En nous basant sur la section 3.4 du livre blanc sur la calibration des MMM, nous vous suggérons de calculer un ROI moyen pondéré par les dépenses pour les tests et de transmettre roi_calibration_period pour correspondre aux quatre trimestres des tests. Si les erreurs standards des tests sont très différentes, vous pouvez choisir de pondérer encore davantage les tests en conséquence. Pour en savoir plus, consultez Définir la période de calibration du ROI.

Puis-je définir un a priori temporel pour les valeurs de nœud ?

Meridian n'est pas compatible avec les a priori variables dans le temps pour les valeurs de nœud.

Comment obtenir des informations détaillées sur la décomposition de la régression, par exemple des DataFrames pour les tirages a posteriori ?

Les échantillons a posteriori se trouvent dans l'objet inference_data. Vous pouvez transformer ce tableau en tout type de DataFrame dont vous avez besoin. Pour accéder aux échantillons de données à l'aide de la docstring, consultez meridian.model.model.Meridian.

Puis-je mesurer les synergies entre les canaux dans Meridian ?

Meridian n'est pas compatible avec ce type d'analyse.

Est-il possible d'obtenir une mesure temporelle du ROI avec Meridian ?

Vous pouvez obtenir le résultat incrémental de chaque canal média sur la durée et calculer ainsi le ROI :

1. Prenez le résultat incrémental estimé, tel qu'il apparaît dans Analyzer().incremental_outcome().
2. Utilisez l'option selected_times pour choisir les semaines qui vous intéressent.
3. Divisez la valeur par les dépenses au cours de ces semaines. Cela vous donne le ROI, qui reflète plus précisément la période spécifique.

Important : Lorsque vous suivez le ROI au fil du temps, n'oubliez pas que même si les coefficients du modèle ne varient pas dans le temps, le ROI peut tout de même évoluer au fil du temps, car il dépend de facteurs supplémentaires qui peuvent varier dans le temps. Par exemple, les courbes de Hill modélisent les rendements décroissants non linéaires de l'exécution média. Par conséquent, le volume d'exécution média à un moment donné peut avoir un impact sur le ROI. De plus, l'affectation des médias peut varier dans le temps selon les zones géographiques avec des niveaux d'efficacité différents, tout comme le coût de l'exécution média.

La structure de modèle hiérarchique de Meridian peut-elle être utilisée pour une variable catégorielle autre que la région géographique ?

La structure de modélisation hiérarchique de Meridian a été conçue pour la modélisation au niveau géographique, qui présente d'importants avantages. Bien qu'il soit possible d'utiliser une variable catégorielle autre que la région géographique comme variable hiérarchique, cela n'est généralement pas recommandé. Si une autre variable hiérarchique est utilisée, il doit être possible de stratifier à la fois le KPI et les unités média selon cette variable.

Voici quelques exemples de variables hiérarchiques qui ne fonctionnent généralement pas.

• Produit (avec effets de halo). Si vous pensez qu'un canal publicitaire peut avoir un impact sur le KPI de plusieurs produits, n'utilisez pas "product" (produit) comme variable hiérarchique. Un canal peut avoir un impact sur plusieurs produits s'il cible l'ensemble de la marque plutôt qu'un produit spécifique. Une campagne publicitaire axée sur un produit peut également avoir un impact sur le KPI d'autres produits en raison de ce que l'on appelle les "effets de halo".
• Canal de vente (par exemple, en ligne ou en magasin). Les unités média ne sont généralement pas spécifiques à un seul canal de ventes.
• Campagne publicitaire Bien que les unités média puissent souvent être stratifiées par campagne, il n'est pas possible de stratifier le KPI par campagne.

Même si le KPI et les unités média peuvent être stratifiés par une variable non géographique, il est important de déterminer si les hypothèses suivantes du modèle hiérarchique sont applicables.

• Le modèle hiérarchique regroupe partiellement des informations dans les catégories afin d'estimer les coefficients du modèle pour les variables de traitement et les variables de contrôle. Les autres paramètres du modèle tels que l'effet temporel (tendance et saisonnalité), l'adstock et les rendements décroissants sont supposés être communs à toutes les catégories (pooling complet). Ces hypothèses sont généralement raisonnables pour la hiérarchie géographique, car le KPI et les unités média ont essentiellement la même interprétation dans toutes les régions géographiques.
• L'hypothèse de paramètres communs pour l'effet temporel, l'adstock et les rendements décroissants est généralement plus pertinente si le KPI et les unités média sont à peu près à la même échelle pour chaque catégorie. Pour cela, le KPI et les unités média sont mis à l'échelle en fonction de la population dans le cas des modèles géographiques. Pour les autres variables, il est moins évident de savoir quelle variable de mise à l'échelle utiliser à la place de la population, et si cette variable doit être appliquée au KPI, aux unités média ou aux deux.
• L'hypothèse SUTVA (stable unit treatment value assumption) exige que l'exposition au traitement (publicité) dans une unité n'affecte aucune autre unité. Cette hypothèse est généralement raisonnable pour les unités de traitement géographique (bien qu'elle ne soit jamais parfaitement respectée). Pour les catégories non géographiques, il peut y avoir une plus grande contamination croisée des effets média entre les catégories.

Si vous envisagez d'utiliser une variable hiérarchique non géographique, tenez compte des points suivants.

• Une variable de contrôle peut prendre les mêmes valeurs dans toutes les catégories, à condition qu'elle présente une variation dans chaque catégorie. Toutefois, des problèmes de convergence peuvent survenir si des nœuds complets ou presque complets sont utilisés pour modéliser les effets temporels.
• Envisagez de définir unique_sigma_for_each_geo=True dans ModelSpec, car il est possible que la variance résiduelle ne soit pas la même pour les catégories non géographiques.
• La modélisation hiérarchique géographique étant le cas d'utilisation le plus courant, la convention de dénomination de Meridian attribue le libellé "geo" à la variable hiérarchique. Si vous utilisez le chargeur de données CSV, veillez à libeller votre variable hiérarchique comme la colonne "geo" dans load.CoordToColumns.
• Meridian nécessite une variable "population". Vous pouvez la définir pour tous les niveaux de catégorie si la variable hiérarchique n'est pas géographique, mais il peut être judicieux de procéder à une mise à l'échelle selon une autre variable. Meridian effectue une mise à l'échelle automatique du KPI et des unités média selon la population. Si vous ne souhaitez PAS qu'une variable soit mise à l'échelle, vous devez multiplier la colonne de données d'entrée par la population afin qu'elle prenne la valeur d'origine après la mise à l'échelle en fonction de la population.

Interprétation et optimisation

Puis-je mesurer le ROI des stratégies d'enchères en fonction des cibles d'enchères définies ?

Le flux de données MMM de Google fournit le type de stratégie d'enchères (par exemple, "Maximiser les conversions" et "ROAS cible") par campagne, mais il n'inclut pas la cible d'enchères elle-même. Pour consulter cette dimension spécifique, les annonceurs peuvent obtenir des rapports sur la stratégie d'enchères directement dans Google Ads ou demander une solution de données personnalisée au responsable de leur compte Google.