Perguntas frequentes

Informações gerais sobre o produto

A biblioteca é livre de custos financeiros?

Sim, a biblioteca é livre de custos financeiros e será de código aberto no GitHub para qualquer pessoa usar.

Precisamos compartilhar nossos dados com o Google para usar a biblioteca?

O Google não terá acesso aos seus dados de entrada, modelo ou resultados, exceto dados de mídia do Google fornecidos pela nossa MMM Data Platform. Se você solicitar dados da MMM Data Platform do Google, esses serão os únicos a que o Google terá acesso. Entretanto, o Google não vai saber se você incluiu esses dados no seu modelo. As entradas e saídas do modelo são totalmente privadas, a menos que você as compartilhe com representantes do Google.

Migrar do LightweightMMM

Como usuário do LightweightMMM, terei um trabalho extra para criar a entrada de dados do Meridian?

Para aproveitar ao máximo as inovações do Meridian, você vai precisar adicionar mais dimensões de dados, como:

• Alcance e frequência
• Experimentos
• Volume de consultas do Google (GQV, na sigla em inglês)

Você ainda poderá executar o Meridian sem essas dimensões, mas não terá acesso às inovações. Para mais informações, consulte Migrar do LightweightMMM.

Coleta e limpeza de dados

Posso coletar todos os tipos de dados simultaneamente (performance, alcance e frequência do YouTube, volume de consultas do Google) na interface da plataforma de dados da MMM?

Os dados de performance e de alcance e frequência do YouTube precisam ser solicitados separadamente. O fluxo de trabalho da solicitação está detalhado no guia do usuário incluído no e-mail de acesso à MMM Data Platform.

Qual é o escopo dos dados de GQV que posso solicitar?

O volume de consultas do Google. A saída inclui:

• QueryLabel: de marca ou genérico
• ReportDate
• TimeGranularity (é possível solicitar dados Daily, Weekly_Sunday ou Weekly_Monday).
• GeoCriteriaId
• GeoName
• GeoType
• IndexedQueryVolume: todos os dados de volume de consulta são indexados. Os números brutos não são fornecidos para o volume de consultas.

Posso aplicar a metodologia de GQV para dados de pesquisa que não são do Google?

Geralmente, o volume de outros mecanismos de pesquisa não está disponível. Algumas opções alternativas são descritas em Entender o volume de consultas como um fator de confusão para anúncios de pesquisa.

Modelagem

Para uma determinada alavanca de mídia, como posso definir distribuições a priori diferentes associadas a períodos distintos?

O mais próximo disso seria o argumento roi_calibration_period. Com base na seção 3.4 do artigo sobre a calibragem da MMM, sugerimos calcular um ROI médio ponderado pelos gastos para os experimentos e transmitir roi_calibration_period para corresponder aos quatro trimestres dos experimentos. Se os experimentos tiverem erros padrão muito diferentes, convém ponderar novamente. Para mais informações, consulte Definir o período de calibragem do ROI.

Posso colocar uma distribuição a priori temporal para os valores de nós?

O Meridian não aceita distribuições com variação de tempo para valores de nós.

Como posso receber informações detalhadas sobre decomposição da regressão, como DataFrames para as extrações da distribuição a posteriori?

As amostras a posteriori estão no objeto inference_data, e você pode transformar essa matriz em qualquer DataFrame de que precisar. Para acessar as amostras de dados usando o docstring, consulte meridian.model.model.Meridian.

Posso medir as sinergias entre os canais no Meridian?

O Meridian não aceita esse tipo de análise.

É possível receber uma leitura temporal do ROI com o Meridian?

Você pode acessar o resultado incremental de cada canal de mídia ao longo do tempo e, portanto, calcular o ROI:

1. Use o resultado incremental estimado, encontrado em Analyzer().incremental_outcome().
2. Use a opção selected_times para escolher as semanas de interesse.
3. Divida pelo gasto nessas semanas. Esse procedimento mostra o ROI e reflete o período individual com mais precisão.

Importante: ao acompanhar o ROI ao longo do tempo, considere que, embora os coeficientes no modelo não variem com o tempo, o ROI ainda pode mudar porque depende de outros fatores que podem variar. Por exemplo, as curvas de Hill modelam os retornos não lineares e decrescentes da execução de mídia. Portanto, a quantidade de execuções em um determinado momento pode afetar o ROI. Além disso, a alocação de mídia pode variar de acordo com a região geográfica ao longo do tempo, com diferentes níveis de eficácia, e o custo da execução de mídia pode variar com o tempo.

A estrutura do modelo hierárquico do Meridian pode ser usada para uma variável categórica além da região geográfica?

A estrutura de modelagem hierárquica do Meridian foi projetada para a modelagem geográfica, que tem vantagens importantes. Embora seja possível usar outra variável categórica em vez da região geográfica como variável hierárquica, isso geralmente não é recomendado. Se outra variável hierárquica for usada, será necessário estratificar o KPI e as unidades de mídia por essa variável.

Confira alguns exemplos de variáveis hierárquicas que normalmente não funcionam.

• Produto: se você acredita que um canal de publicidade pode afetar o KPI de vários produtos, "produto" não deve ser usado como uma variável hierárquica. Um canal pode afetar vários produtos se for segmentado para a marca inteira, em vez de ser específico para um produto. Uma campanha publicitária específica de um produto também pode afetar o KPI de outros produtos devido aos chamados efeitos halo.
• Canal de vendas (como on-line x varejo): as unidades de mídia geralmente não são específicas de um único canal de vendas.
• Campanha publicitária: embora as unidades de mídia possam ser estratificadas por campanha, não é possível fazer isso com o KPI.

Mesmo que o KPI e as unidades de mídia possam ser estratificados por uma variável não geográfica, é importante considerar se as seguintes proposições de modelo hierárquico são aplicáveis.

• O modelo hierárquico agrupa parcialmente as informações em todas as categorias para estimar os coeficientes do modelo para as variáveis de tratamento e de controle. Outros parâmetros do modelo, como efeito de tempo (tendência e sazonalidade), Adstock e retornos decrescentes, são considerados comuns em todas as categorias (agrupamento completo). Essas proposições são normalmente razoáveis para a hierarquia geográfica porque o KPI e as unidades de mídia têm essencialmente a mesma interpretação em todas as regiões.
• A proposição de parâmetros comuns de efeito de tempo, Adstock e retornos decrescentes geralmente faz mais sentido se o KPI e as unidades de mídia estão aproximadamente na mesma escala para cada categoria. Para modelos geográficos, isso é feito dimensionando pela população o KPI e as unidades de mídia. Para outras variáveis, não fica tão claro qual variável de dimensionamento usar no lugar da população e se ela deve ser aplicada ao KPI, às unidades de mídia ou a ambos.
• A proposição de valor de tratamento de unidade estável (SUTVA, na sigla em inglês) exige que a exposição ao tratamento (publicidade) em uma unidade não afete nenhuma outra unidade. Essa proposição geralmente é razoável para unidades de tratamento geográficas, embora nunca seja perfeitamente atendida. Para categorias não geográficas, pode haver mais contaminação cruzada entre os efeitos de mídia.

Se você estiver considerando usar uma variável hierárquica não geográfica, lembre-se das seguintes considerações.

• Uma variável de controle pode ter os mesmos valores em todas as categorias, desde que tenha variação em cada uma delas. No entanto, problemas de convergência podem surgir se nós completos ou quase completos forem usados para modelar efeitos de tempo.
• Defina unique_sigma_for_each_geo=True em ModelSpec, já que a variância residual pode não ser a mesma em categorias não geográficas.
• Como a modelagem hierárquica geográfica é o caso de uso mais comum, a convenção de nomenclatura do Meridian rotula a variável hierárquica como "geo". Se você estiver usando o carregador de dados CSV, rotule sua variável hierárquica como a coluna "geo" em load.CoordToColumns.
• O Meridian exige uma variável "population". Isso pode ser definido como um para todos os níveis de categoria se a variável hierárquica não for geográfica. Porém, pode fazer sentido dimensionar por algo diferente. O Meridian dimensiona automaticamente o KPI e as unidades de mídia pela população. Se você NÃO quiser que uma variável seja dimensionada, multiplique a coluna de dados de entrada pela população para que ela receba o valor original após o dimensionamento.

Interpretação e otimização

Posso medir o ROI das estratégias de lances com base nas metas de lances definidas?

O feed de dados da MMM do Google fornece o tipo de estratégia de lances (como Maximizar conversões e ROAS desejado) por campanha, mas não inclui a meta de lance em si. Para conferir essa dimensão específica, os anunciantes podem gerar relatórios de estratégia de lances diretamente do Google Ads ou trabalhar com o representante da Conta do Google em uma solução de dados personalizada.