Código aberto do Meridian
Crie, execute e analise modelos de mix de marketing (MMM) com os recursos avançados de modelagem bayesiana e inferência causal do Meridian.
Conheça a biblioteca de código aberto do Meridian
Fundamentos
Introdução ao Meridian, glossário e perguntas frequentes.
Guia do usuário
Instruções detalhadas para instalação e uso da biblioteca do Meridian.
Guias de modelagem
Receba orientações em cada etapa da sua jornada no Meridian:
- Pré-modelagem: reúna os dados certos e prepare-se para a modelagem.
- Modelagem aplicada: configure e execute o Meridian, incluindo personalização e calibragem avançadas.
- Pós-modelagem: avalie a integridade do modelo, interprete os resultados e otimize os orçamentos.
- Teoria de inferência causal e modelagem bayesiana: conheça os fundamentos teóricos do Meridian.
Exemplos de código
Confira exemplos e casos de uso completos em notebooks interativos do Colab.
Referência da API
Documentação detalhada de todas as classes e funções na biblioteca do Meridian.
Registro de alterações
Fique por dentro das versões mais recentes, dos novos recursos e das correções de bugs na biblioteca do Meridian.
Série de vídeos educativos
-
Introdução ao Meridian
-
Demonstração do Meridian
-
Modelagem geográfica x nacional
-
Introdução às distribuições a priori
-
Tipos de distribuição a priori de tratamento
-
Calibrar distribuições a priori de tratamento
-
Nós no Meridian
-
Resultado incremental, ROI, mROI e curvas de resposta
-
Controles, mediadores e tratamentos no Meridian
-
Adstock e Hill
Programas de aprendizado recomendados
O Meridian foi criado para equipes de medição multifuncionais. Dependendo da sua função, recomendamos os seguintes caminhos:
Analistas de marketing e usuários comerciais
Comece com a pré-modelagem para coletar e organizar seus dados. Em seguida, confira os guias de pós-modelagem para interpretar visualizações, avaliar o ROI e fazer otimizações de orçamento.
Cientistas de dados e profissionais técnicos
Acesse Modelagem aplicada para configurar o modelo bayesiano e personalizar as distribuições a priori. Confira Teoria de inferência causal e modelagem bayesiana para entender os fundamentos matemáticos e teóricos.