Cada tipo de variable de tratamiento (pagado, orgánico y no relacionado con medios) tiene varias opciones de tipos de distribuciones a priori. Las distribuciones a priori del ROI y el mROI solo se pueden usar con medios pagados. Las distribuciones a priori de la contribución y el coeficiente se pueden usar con cualquier tipo de variable de tratamiento. Ten en cuenta lo siguiente cuando decidas qué tipos de distribuciones a priori elegir.
Medios pagados
Las distribuciones a priori del ROI son las predeterminadas porque suelen alinearse mejor con el conocimiento previo, como los resultados del experimento. Por lo general, esta es la opción más intuitiva para establecer distribuciones a priori basadas en información bien fundamentada.
Las distribuciones a priori del mROI son una alternativa para los usuarios que desean imponer una distribución a priori capaz de reducir la asignación óptima del presupuesto para llegar a la asignación histórica del presupuesto, lo que permite regularizar los cambios de presupuesto recomendados. Para ello, se puede establecer una media de distribución a priori del mROI común en todos los canales y ajustar la desviación estándar. Cuanto más sólida sea la distribución a priori (desviación estándar más pequeña), más cerca estará la asignación óptima de la histórica. Ten en cuenta que las restricciones de inversión en optimización ofrecen otra forma de limitar los cambios de presupuesto recomendados, lo que debería obviar la necesidad de distribuciones a priori del mROI para la mayoría de los usuarios. Para obtener más detalles, consulta la subsección "Comparación de distribuciones a priori del ROI y el mROI para los medios pagados".
Las distribuciones a priori de la contribución son muy similares a las distribuciones a priori del ROI para los medios pagados. La única diferencia es que el denominador de la distribución a priori del ROI es la inversión del canal, mientras que el denominador de la distribución a priori de la contribución es el resultado observado total. Esto significa que cualquier distribución a priori de la contribución se puede traducir a una distribución a priori del ROI, y cualquier distribución a priori del ROI se puede traducir a una distribución a priori de la contribución para los medios pagados.
Las distribuciones a priori del coeficiente son la parametrización más tradicional para un modelo de regresión lineal. En el contexto del MMM, la interpretación de un coeficiente es un poco abstracta, lo que dificulta establecer una distribución a priori basada en información bien fundamentada. Un valor de coeficiente en particular puede implicar valores de ROI muy diferentes para distintos canales de medios pagados, ya que el ROI depende de la distribución de la ejecución del canal en las diferentes ubicaciones geográficas y períodos, así como de las estimaciones de los parámetros de inventario de anuncios y rendimientos decrecientes del canal, y el costo por unidad de medios del canal.
Medios orgánicos
Las distribuciones a priori de la contribución son la opción predeterminada porque son la cantidad más intuitiva para establecer una distribución a priori basada en información bien fundamentada. Es posible que se espere que algunos canales tengan contribuciones más altas que otros, por lo que te recomendamos que personalices la distribución a priori de una manera que tenga sentido para tu empresa y tus tácticas de marketing. A menudo, una distribución beta tiene sentido porque está restringida al intervalo de cero a uno.
Las distribuciones a priori del coeficiente son la parametrización más tradicional para un modelo de regresión lineal. En el contexto del MMM, la interpretación de un coeficiente es un poco abstracta, lo que dificulta establecer una distribución a priori basada en información bien fundamentada. Un valor de coeficiente en particular puede implicar valores de contribución muy diferentes para distintos canales de medios orgánicos, ya que la contribución depende de la distribución de la ejecución del canal en las diferentes ubicaciones geográficas y períodos, así como de las estimaciones de los parámetros de inventario de anuncios y rendimientos decrecientes del canal.
Tratamientos que no son de medios
Las distribuciones a priori de la contribución son la opción predeterminada porque son la cantidad más intuitiva para establecer una distribución a priori basada en información bien fundamentada. Siempre es recomendable personalizar la distribución a priori. Según el valor de referencia especificado de cada variable, es posible que la contribución sea positiva o negativa, o que el signo de la contribución sea desconocido. Por ejemplo, es posible que no esté claro si establecer el precio en un valor de referencia determinado tendría un impacto positivo o negativo en los ingresos. O tal vez tengas una expectativa a priori de que el precio tiene un impacto positivo con un precio de referencia, y un impacto negativo con un precio de referencia diferente.
Las distribuciones a priori del coeficiente son la parametrización más tradicional para un modelo de regresión lineal. En el contexto del MMM, la interpretación de un coeficiente es un poco abstracta, lo que dificulta establecer una distribución a priori basada en información bien fundamentada. Un valor de coeficiente en particular puede implicar valores de contribución muy diferentes para distintos canales de tratamiento que no son de medios, ya que la contribución depende de la distribución de valores del tratamiento en las ubicaciones geográficas y los períodos, así como del valor de referencia del tratamiento.
Consideraciones adicionales
Cómo personalizar las distribuciones a priori de las contribuciones para los tratamientos que no son de medios
La distribución a priori de contribución predeterminada es una distribución normal truncada, lo que permite valores positivos y negativos. Puedes establecer parámetros específicos del tratamiento en la distribución normal truncada para desplazar la masa de probabilidad hacia valores positivos o negativos. Por ejemplo, el siguiente fragmento de código asigna una distribución Normal(0, 0.1) truncada simétricamente en el primer tratamiento, una distribución HalfNormal(0, 0.2) truncada positivamente en el segundo tratamiento y una distribución HalfNormal(0, 0.1) truncada negativamente en el tercer tratamiento.
PriorDistribution(
contribution_n=tfp.distributions.TruncatedNormal(
loc=[0, 0, 0],
scale=[0.1, 0.2, 0.1],
low=[-1, 0, -1],
high=[1, 1, 0],
)
)
Como alternativa, puedes usar una distribución beta ajustada para especificar una distribución positiva para algunos tratamientos y una distribución negativa para otros. Por ejemplo, el siguiente fragmento de código asignaría una distribución a priori Beta(1, 49) en el primer tratamiento y una distribución a priori Beta(1, 99) negativa en el segundo tratamiento.
PriorDistribution(
contribution_n=tfp.distributions.TransformedDistribution(
tfp.distributions.Beta([1, 1], [49, 99]),
tfp.bijectors.Scale([1, -1]),
)
)
Comparación de las distribuciones a priori del ROI y el mROI para los medios pagados
Las distribuciones a priori del mROI son una alternativa a las distribuciones a priori del ROI para los canales de medios pagados. El mROI de un canal se define como el retorno previsto de una unidad monetaria adicional de inversión. La unidad monetaria adicional se asigna a las diferentes regiones geográficas y períodos aumentando el alcance y manteniendo fija la frecuencia promedio.
La elección entre las distribuciones a priori del ROI y del mROI tiene implicaciones importantes, en particular si tu objetivo es crear paridad a priori en todos los canales. Tanto el ROI como el mROI tienen una distribución a priori. Si se especifica la distribución a priori del ROI, se induce una distribución a priori del mROI. Si se especifica la distribución a priori del mROI, se induce una distribución a priori del ROI. Las distribuciones a priori inducidas no pertenecen a una familia paramétrica y, por lo general, no son independientes de otros parámetros del modelo. La distribución exacta de una distribución a priori inducida depende de la distribución de la ejecución de los medios de un canal en las diferentes regiones geográficas y períodos. Es importante destacar que, incluso si se usa una distribución a priori del ROI (o mROI) común para todos los canales, la distribución a priori del mROI (o ROI) inducida seguirá difiriendo según el canal.
Cuando la función de Hill es cóncava, por ejemplo, cuando su parámetro de pendiente es igual a uno (la suposición predeterminada), los canales sin datos de alcance y frecuencia siempre tendrán un ROI general más alto que su ROI marginal. Si usas una distribución a priori del ROI, la distribución a priori inducida del ROI marginal será estrictamente menor para los canales sin datos de alcance y frecuencia. Por el contrario, si usas una distribución a priori del ROI marginal, la distribución a priori inducida del ROI será estrictamente mayor para los canales sin datos de alcance y frecuencia.
En el caso de los canales con datos de alcance y frecuencia, el ROI marginal según el alcance es igual al ROI. Esto se debe a que la distribución a priori del ROI marginal se aplica al ROI marginal según el alcance (la siguiente unidad monetaria invertida aumenta el alcance sin cambiar la frecuencia promedio). Según la especificación del modelo de Meridian, los efectos de los medios son lineales en lo que respecta al alcance. Por lo tanto, la elección entre la parametrización de la distribución a priori del ROI y el ROI marginal no tiene ningún impacto en la distribución a priori de los canales con datos de alcance y frecuencia. Sin embargo, la elección entre la parametrización del ROI y el ROI marginal seguirá afectando la inferencia de la distribución a posteriori para los canales con datos de alcance y frecuencia por los siguientes motivos:
- La elección de la distribución a priori para otros canales afecta el ajuste del modelo y los resultados a posteriori de los canales con datos de alcance y frecuencia.
- Las distribuciones a priori predeterminadas del ROI y del mROI difieren.
Si te interesa examinar la distribución a priori inducida para un modelo en particular, puedes obtenerla llamando a sample_prior y, luego, al método roi o marginal_roi de la clase Analyzer con el argumento use_posterior=False.
Motivos para elegir las distribuciones a priori del ROI:
- Se puede usar una distribución a priori del ROI común en todos los canales para crear una paridad a priori del ROI. A medida que la intensidad de la distribución a priori aumente (y la desviación estándar disminuya), las distribuciones a posteriori del ROI se reducirán hacia un valor común.
- Las distribuciones a priori del ROI específicas de cada canal se pueden usar para incorporar el conocimiento previo, como los resultados del experimento.
- Aunque las distribuciones a priori del ROI no controlen los cambios en el presupuesto de optimización con la misma eficacia que las distribuciones a priori del mROI, se puede restringir la inversión en optimización para limitar el importe del cambio de presupuesto propuesto para un canal determinado.
Motivos para elegir las distribuciones a priori del mROI:
- Se puede usar una distribución a priori del mROI común en todos los canales para crear una paridad a priori del mROI. A medida que aumente la intensidad de la distribución a priori, los valores a posteriori del mROI se reducirán hacia un valor común.
- Por lo general, la paridad a priori del mROI genera cambios en el presupuesto de optimización menos significativos:
- Si se usa la misma distribución a priori del mROI para todos los canales, la asignación óptima del presupuesto a priori será igual a la histórica.
- A medida que aumente la intensidad de la distribución a priori, la asignación óptima del presupuesto a posteriori se reducirá hacia un valor común.
- A pesar del uso de distribuciones a priori sólidas del mROI, un canal con datos de alcance y frecuencia podría recibir un cambio positivo significativo en la inversión durante la optimización si también usamos la frecuencia óptima de ese canal en lugar de la histórica. La distribución a priori del mROI se aplica al mROI con la frecuencia histórica, que siempre es inferior al mROI con la frecuencia óptima. De forma predeterminada, la optimización del presupuesto se ejecuta con la frecuencia óptima, pero el método de optimización contiene un argumento booleano
use_optimal_freq, que se puede usar para establecer si la optimización se ejecuta con la frecuencia óptima o histórica.
Es importante considerar que el mROI difiere en los distintos períodos, por lo que, si el período de optimización no se alinea con el período de la distribución a priori del mROI, es posible que tal distribución no regularice los cambios en el presupuesto de optimización según lo previsto. Puedes ajustar el período de optimización con el argumento selected_time de BudgetOptimizer.optimize().
Puedes ajustar el período de la distribución a priori del mROI con los argumentos roi_calibration_period y rf_roi_calibration_period de ModelSpec. De forma predeterminada, ambos períodos se establecerán en el período de modelado completo.