ROI-Priors bieten eine intuitive Möglichkeit, Fachwissen wie bisherige Testergebnisse in Ihr Modell einzubinden, um den Modelltrainingsprozess zu unterstützen.
Wenn ROI-Testergebnisse verwendet werden, um channelspezifische ROI-Priors festzulegen, wird das in Meridian als Abstimmung bezeichnet Es sind keine Testergebnisse erforderlich, um ROI-Priors zu verwenden. ROI-Priors sind unabhängig von den verfügbaren Daten der empfohlene Ansatz.
Mithilfe von ROI-Priors wird sichergestellt, dass der effektive Koeffizienten-Prior auf einer Skala liegt, die den Ausgaben für den jeweiligen Channel entspricht. Oft wird angenommen, dass diese Priors bessere nicht informative Priors sind, aber das ist nicht der Fall. Wenn Sie für alle Channels denselben nicht informativen Koeffizienten-Prior verwenden, legen Sie für diese Channels effektiv sehr unterschiedliche ROI-Priors fest, die sich um Größenordnungen unterscheiden können.
Beachten Sie beim Festlegen von ROI-Priors Folgendes:
Es gibt keine bestimmte Formel, um ein Testergebnis in einen Prior zu übersetzen. Eine Möglichkeit besteht darin, die Punktschätzung des Tests und den Standardfehler an den Prior-Mittelwert und ‑Standardfehler anzupassen. Ein Beispiel finden Sie unter Benutzerdefinierte Priors anhand früherer Tests festlegen. Vorwissen im bayesschen Sinne ist jedoch weiter gefasst und muss nicht auf einer Formel beruhen. Anderes Fachwissen kann in Kombination mit Testergebnissen verwendet werden, um die Priors subjektiv festzulegen.
Die Standardverteilung für ROI-Priors bei Meridian ist log-normal. Diese Verteilung wurde als Standard ausgewählt, da sie zwei Parameter hat, mit denen sich sowohl der Mittelwert als auch die Standardabweichung steuern lassen. Anstelle der log-normalen Verteilung kann jedoch jede beliebige Verteilung mit beliebiger Anzahl von Parametern verwendet werden. Im Allgemeinen sollten keine negativen ROI-Werte verwendet werden, da dies die Posterior-Varianz erhöhen und zu einer Überanpassung führen kann.
Der ROI, der mit einem Test gemessen wird, stimmt nie genau mit dem ROI überein, der mit MMM gemessen wird. Statistisch gesehen haben Test und MMM unterschiedliche Schätzgrößen. Tests beziehen sich immer auf die spezifischen Bedingungen des Tests, z. B. den Zeitraum, die geografischen Einheiten und die Kampagneneinstellungen. Testergebnisse können sehr relevante Informationen zum MMM-ROI liefern. Die Übertragung von Testergebnissen auf einen MMM-Prior birgt jedoch eine zusätzliche Unsicherheit, die über den Standardfehler des Tests hinausgeht.
Beim Festlegen von Prior-Verteilungen und insbesondere von Standardabweichungen ist Folgendes zu beachten:
In der Regel ist ein gewisses Maß an Regularisierung erforderlich, um einen akzeptablen Kompromiss zwischen Bias und Varianz zu finden. Einige Modellierer sind eventuell geneigt, flache, nicht informative Priors für Channels ohne vorherige Tests zu verwenden. Das kann jedoch zu einer Überanpassung und schlechten Ergebnissen führen (geringer Bias, aber hohe Varianz).
Ein geeignetes Maß an Regularisierung zu finden, kann ein iterativer Prozess sein, bei dem die Modellanpassung außerhalb der Stichprobe bei unterschiedlich starker Regularisierung getestet wird. Bayessche Puristen könnten dagegen argumentieren, dass es keine eindeutige Interpretation für die Posterior-Verteilung gibt, es sei denn, die Prior-Verteilung spiegelt das Vorwissen genau wider. Das ist zwar richtig, aber ein solcher Ansatz ist für MMM nicht unbedingt praktikabel. Darüber hinaus ist es nicht möglich, Fachwissen zu erlangen und für jeden einzelnen Parameter im Modell eine echte Prior-Verteilung festzulegen. Die bayessche Inferenz sollte entsprechend interpretiert werden.
Weitere Informationen finden Sie unter:
- ROI-Priors für technische Details
- ROI-Abstimmung optimieren für Informationen zum Festlegen der ROI-Priors anhand von Testergebnissen
- Zeitraum für ROI-Abstimmung festlegen, um den ROI-Prior mit dem Argument
roi_calibration_periodauf einen kürzeren Zeitraum anzuwenden