Preguntas frecuentes

Información general del producto

¿La biblioteca es gratuita?

Sí, la biblioteca es de uso gratuito y de código abierto en GitHub para que la pueda usar cualquier persona.

¿Debemos compartir nuestros datos con Google para usar la biblioteca?

Google no tendrá acceso a tus datos de entrada, tu modelo ni tus resultados (a excepción de los datos de medios de Google que se proporcionen a través de nuestra MMM Data Platform). Si solicitas datos de MMM Data Platform de Google, esos serán los únicos datos a los que Google tendrá acceso. Sin embargo, Google no sabrá si realmente incluyes esos datos en tu modelo. Los datos reales de entrada y salida de tu modelo son completamente privados, a menos que decidas compartirlos con los representantes de Google.

Migración desde LightweightMMM

Como usuario actual de LightweightMMM, ¿es necesario que tome alguna medida adicional para complementar el ingreso de datos en Meridian?

Para aprovechar al máximo las últimas innovaciones de Meridian, deberás agregar más dimensiones de datos, como las siguientes:

• Alcance y frecuencia
• Experimentos
• Volumen de búsquedas de Google (GQV)

Aun así, podrás ejecutar Meridian sin esas dimensiones, pero no disfrutarás de las últimas innovaciones. Para obtener más información, consulta Migración desde LightweightMMM.

Recopilación y limpieza de datos

¿Puedo recopilar todos los tipos de datos de forma simultánea (rendimiento, alcance y frecuencia de YouTube, y volumen de búsquedas de Google) en la interfaz de MMM Data Platform?

Los datos de rendimiento y los de alcance y frecuencia de YouTube se deben solicitar por separado. El flujo de trabajo de solicitud se detalla en la guía del usuario que se incluye en el correo electrónico de acceso a MMM Data Platform.

¿Cuál es el alcance de los datos de GQV que puedo solicitar?

Para el volumen de búsquedas de Google, los datos de salida incluyen lo siguiente:

• QueryLabel (ya sea de marca o genérica)
• ReportDate
• TimeGranularity (puedes solicitar datos del tipo Daily, Weekly_Sunday o Weekly_Monday)
• GeoCriteriaId
• GeoName
• GeoType
• IndexedQueryVolume (todos los datos sobre el volumen de búsquedas están indexados y no se proporcionan cantidades sin procesar al respecto)

¿Puedo aplicar la metodología de GQV a los datos de búsqueda que no son de Google?

El volumen de búsquedas orgánicas de motores de búsqueda ajenos a Google no suele estar disponible. Puedes consultar algunas alternativas en Acerca del volumen de búsquedas como una variable de confusión para los anuncios de búsqueda.

Modelado

Para una estrategia de medios determinada, ¿cómo puedo establecer diferentes distribuciones a priori asociadas a distintos períodos?

Lo más similar a esto sería el argumento roi_calibration_period. Según la sección 3.4 del informe de calibración del MMM, sugerimos calcular un ROI promedio ponderado según la inversión para los experimentos y pasar roi_calibration_period de modo que coincida con los cuatro trimestres de esos experimentos. Si los experimentos tienen errores estándares muy distintos, te recomendamos asignarles más o menos peso según corresponda. Para obtener más información, consulta Cómo establecer el período de calibración del ROI.

¿Puedo establecer una distribución a priori temporal para los valores de nudos?

Meridian no admite las distribuciones a priori que varían según el período para los valores de nudos.

¿Cómo puedo obtener información detallada sobre la descomposición de la regresión, por ejemplo, DataFrames para las extracciones de una distribución a posteriori?

Las muestras de una distribución a posteriori se encuentran en el objeto inference_data, y puedes convertir este array en cualquier DataFrame que necesites. Para acceder a las muestras de datos con una docstring, consulta meridian.model.model.Meridian.

¿Puedo medir las sinergias entre los canales en Meridian?

Meridian no admite este tipo de análisis.

¿Es posible obtener un informe temporal del ROI con Meridian?

Puedes acceder al resultado incremental de cada canal de medios a lo largo del tiempo y, por lo tanto, calcular el ROI:

1. Toma el resultado incremental estimado, tal como se encuentra en Analyzer().incremental_outcome().
2. Usa la opción selected_times para elegir las semanas de interés.
3. Divide el valor por la inversión de esas semanas. Esto te proporciona el ROI y refleja el período individual con mayor precisión.

Importante: Al hacer un seguimiento del ROI a lo largo del tiempo, ten en cuenta que, aunque los coeficientes del modelo no varíen según el período, el ROI sí puede hacerlo porque depende de factores adicionales que podrían cambiar con el tiempo. Por ejemplo, las curvas de Hill modelan los retornos no lineales decrecientes que se relacionan con la ejecución de los medios. Por lo tanto, el grado de ejecución de los medios en un momento determinado puede afectar el ROI. Además, la asignación de medios puede variar según la ubicación geográfica y a lo largo del tiempo, y dar lugar a diferentes niveles de efectividad. Asimismo, los costos de ejecución de medios pueden variar con el tiempo.

¿Se puede usar la estructura de modelo jerárquico de Meridian para una variable categórica que no sea la ubicación geográfica?

La estructura de modelado jerárquico de Meridian se diseñó para el modelado a nivel geográfico, que tiene ventajas importantes. Si bien es posible usar otra variable categórica en lugar de la ubicación geográfica como variable jerárquica, esto no suele recomendarse. Si se prevé usar otra variable jerárquica, debe ser posible estratificar tanto el KPI como las unidades de medios según esta variable.

Estos son algunos ejemplos de variables jerárquicas que no suelen funcionar:

• Producto: Si crees que un canal de publicidad puede afectar el KPI de varios productos, no debes usar "producto" como una variable jerárquica. Un canal puede afectar varios productos si se segmenta para toda la marca como unidad, en lugar de para un producto específico. Una campaña publicitaria específica de un producto también puede afectar el KPI de otros productos debido a lo que se conoce como "efecto halo".
• Canal de ventas (por ejemplo, en línea frente a minorista): Las unidades de medios no suelen ser específicas de un solo canal de ventas.
• Campaña publicitaria: Si bien las unidades de medios a menudo se pueden estratificar por campaña, no es posible estratificar el KPI por campaña.

Incluso si tanto el KPI como las unidades de medios pudieran estratificarse según una variable no geográfica, es importante tener en cuenta si se aplican los siguientes supuestos del modelo jerárquico.

• El modelo jerárquico agrupa parcialmente la información de todas las categorías para estimar los coeficientes del modelo para las variables de tratamiento y de control. Se supone que otros parámetros del modelo, como el efecto temporal (tendencia y estacionalidad), Adstock y los retornos decrecientes, son comunes a todas las categorías (agrupación completa). Estas suposiciones suelen ser razonables en el caso de la jerarquía geográfica, ya que el KPI y las unidades de medios tienen, en esencia, la misma interpretación en todas las ubicaciones geográficas.
• El supuesto de parámetros comunes para el efecto temporal, Adstock y los retornos decrecientes suele tener más sentido cuando tanto el KPI como las unidades de medios se encuentran aproximadamente en la misma escala para cada categoría. En el caso de los modelos geográficos, esto se logra ajustando el KPI y las unidades de medios en función de la población. En el caso de otras variables, no está tan claro qué variable de ajuste usar en lugar de la población ni si se debe aplicar al KPI, a las unidades de medios o a ambos.
• El supuesto de valor de tratamiento unitario estable (SUTVA) requiere que la exposición al tratamiento (publicidad) en una unidad no afecte a ninguna otra unidad. Este supuesto suele resultar razonable para las unidades de tratamiento geográficas (aunque nunca se cumple a la perfección). En el caso de las categorías no geográficas, es posible que haya más contaminación entre categorías de los efectos de los medios.

Si tienes previsto usar una variable jerárquica no geográfica, ten en cuenta las siguientes consideraciones.

• Una variable de control puede presentar los mismos valores en todas las categorías, siempre y cuando tenga variación dentro de cada categoría. Sin embargo, pueden surgir problemas de convergencia si se usan nudos completos o casi completos para modelar los efectos temporales.
• Considera establecer unique_sigma_for_each_geo=True en ModelSpec, ya que la varianza residual puede no ser la misma en todas las categorías no geográficas.
• Dado que el modelado jerárquico geográfico es el caso de uso más común, la convención de nomenclatura de Meridian etiqueta la variable jerárquica como "geo". Si usas el cargador de datos CSV, asegúrate de etiquetar tu variable jerárquica como la columna "geo" en load.CoordToColumns.
• Meridian requiere una variable de población. Esta puede establecerse en uno para todos los niveles de categoría si la variable jerárquica no es geográfica, aunque podría tener sentido definir los ajustes en función de otro factor. Meridian ajusta automáticamente el KPI y las unidades de medios según la población. Si NO deseas ajustar alguna variable, debes multiplicar la columna de datos de entrada por la población, de modo que, tras aplicar el ajuste poblacional, el valor resultante sea igual al original.

Interpretación y optimización

¿Puedo medir el ROI de las estrategias de ofertas en función de los objetivos de ofertas establecidos?

El feed de datos de MMM de Google proporciona el tipo de estrategia de ofertas (como Maximizar conversiones y ROAS objetivo) por campaña, pero no incluye el objetivo de oferta. Para consultar esta dimensión específica, los anunciantes pueden generar informes de estrategias de ofertas directamente en Google Ads o trabajar con su representante de cuenta de Google para crear una solución de datos personalizados.