Atualizar o modelo
Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
A forma e a frequência de atualização do modelo dependem da frequência dos dados (por exemplo, diária ou semanal) e do período em que a equipe de marketing toma decisões. Se as decisões forem trimestrais, recomendamos executar o modelo a cada trimestre. A janela de dados pode ser expandida a cada execução para que os dados mais antigos ainda tenham influência na estimativa mais recente.
Considere o seguinte:
O Meridian não modela a eficácia da mídia como variável com o tempo. Portanto, a decisão de descartar dados antigos em vez de anexar novos é uma compensação entre viés e variância. A anexação de novos dados reduz a variância porque você tem mais dados, o que pode aumentar o viés se a eficácia e as estratégias de mídia tiverem mudado drasticamente ao longo do tempo.
Anexar uma pequena quantidade de dados pode causar um grande efeito nos resultados porque, em geral, as estimativas de MMM têm grande variância.
Ao anexar novos dados, você pode definir as distribuições a priori para que elas correspondam às distribuições a posteriori dos resultados anteriores aos dados anexados. Essa ação incentiva os resultados antigos a corresponder aos novos, e pode haver motivos comerciais válidos para isso. Recomendamos que você defina as distribuições a priori com base no conhecimento anterior e na intuição, e é perfeitamente válido que essa intuição seja fundamentada por resultados anteriores de MMM. Você define até que ponto os resultados anteriores de MMM devem informar seu conhecimento e intuição anteriores. No entanto, considere que a definição de distribuições a priori que correspondem aos resultados de uma MMM anterior contabiliza os dados anteriores duas vezes.
Exceto em caso de indicação contrária, o conteúdo desta página é licenciado de acordo com a Licença de atribuição 4.0 do Creative Commons, e as amostras de código são licenciadas de acordo com a Licença Apache 2.0. Para mais detalhes, consulte as políticas do site do Google Developers. Java é uma marca registrada da Oracle e/ou afiliadas.
Última atualização 2024-12-23 UTC.
[[["Fácil de entender","easyToUnderstand","thumb-up"],["Meu problema foi resolvido","solvedMyProblem","thumb-up"],["Outro","otherUp","thumb-up"]],[["Não contém as informações de que eu preciso","missingTheInformationINeed","thumb-down"],["Muito complicado / etapas demais","tooComplicatedTooManySteps","thumb-down"],["Desatualizado","outOfDate","thumb-down"],["Problema na tradução","translationIssue","thumb-down"],["Problema com as amostras / o código","samplesCodeIssue","thumb-down"],["Outro","otherDown","thumb-down"]],["Última atualização 2024-12-23 UTC."],[[["Model refresh frequency should align with data frequency and marketing team's decision-making timeframe (e.g., quarterly)."],["Expanding the data window with each refresh allows older data to influence newer estimates while balancing bias and variance."],["Even small data additions can significantly impact results due to the inherent high-variance nature of MMM estimates."],["Prior settings can be adjusted to balance new and old data influences, informed by past results and business intuition."]]],["Model refreshing frequency should align with data frequency and marketing decision timelines, such as quarterly updates for quarterly decisions. Appending new data reduces variance but may introduce bias if media strategies change. Appending small amounts of data can significantly impact estimates due to their high variance. When appending, setting priors to match previous results can align old and new data, although this risks double-counting data. Prior knowledge should influence prior selection, and prior MMM results can inform this.\n"]]