Meridian

Mit Sammlungen den Überblick behalten Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.

Marketing Mix Modeling (MMM) ist ein statistisches Analyseverfahren, mit dem die Auswirkungen von Marketingkampagnen und ‑aktivitäten gemessen werden, um Entscheidungen hinsichtlich der Budgetplanung zu erleichtern und die Medieneffektivität insgesamt zu verbessern. Beim MMM werden die Auswirkungen mithilfe von aggregierten Daten über alle Marketingkanäle hinweg gemessen und es werden nicht marketingbezogene Faktoren berücksichtigt, die sich auf den Umsatz und andere Leistungskennzahlen (key performance indicator, KPI) auswirken. MMM ist datenschutzfreundlich und Cookies oder Daten auf Nutzerebene werden nicht verwendet.

Meridian ist ein MMM-Framework, mit dem Werbetreibende eigene interne Modelle einrichten und ausführen können. Mithilfe von Meridian lassen sich wichtige Fragen beantworten, z. B.:

• Inwiefern haben die Marketingkanäle dazu beigetragen, meinen Umsatz zu steigern oder andere KPIs zu verbessern?
• Wie hoch ist der ROI (Return on Investment)¹ aufgrund meines Marketings?
• Wie kann ich die Zuweisung meines Marketingbudgets optimieren?

Meridian ist ein hochgradig anpassbares Modellierungsframework, das auf der bayesschen kausalen Inferenz basiert. Damit können große Datenmengen auf geografischer Ebene verarbeitet werden (empfohlen, sofern verfügbar), es kann aber auch zur Modellierung auf Landesebene verwendet werden. Meridian liefert verständliche Statistiken und Visualisierungen, damit Sie fundierte geschäftliche Entscheidungen in Bezug auf Marketingbudget und ‑planung treffen können. Darüber hinaus bietet Meridian Methoden zur Abstimmung von MMM mithilfe von Tests und anderem Vorwissen sowie zur Optimierung der Ziel-Anzeigenhäufigkeit anhand von Daten zu Reichweite und Häufigkeit.

Wichtige Funktionen

Meridian bietet Modellierungs- und Optimierungsmethoden für alle wichtigen MMM-Anwendungsfälle. Weitere Informationen zu den Methoden finden Sie in den Abschnitten zu Modellspezifikationen und zum Meridian-Modell.

Weitere wichtige Funktionen:

• Hierarchische Modellierung auf geografischer Ebene: Mit dem hierarchischen Meridian-Modell auf geografischer Ebene können Sie Marketingdaten nutzen, die möglicherweise wesentlich mehr Informationen zur Marketingeffektivität liefern als Daten auf Landesebene. Außerdem haben Sie die Möglichkeit, die Effektivität Ihrer Marketingmaßnahmen auf lokaler oder regionaler Ebene zu analysieren. Der hierarchische Ansatz führt häufig zu engeren Glaubwürdigkeitsintervallen für Messwerte wie den ROI. Weitere Informationen sind unter Geo-level Bayesian Hierarchical Media Mix Modeling verfügbar.

  Meridian unterstützt vollständig bayessche Modelle mit mehr als 50 geografischen Einheiten und wöchentlichen Daten aus 2 bis 3 Jahren. Dabei kommen die TensorFlow Probability und der XLA-Compiler zum Einsatz. Mit GPU-Hardware, die über Google Colab Pro+ oder andere Tools verfügbar ist, lässt sich die Geschwindigkeit weiter optimieren.

  Wenn keine Daten auf geografischer Ebene vorliegen, können Sie den Standardansatz auf Landesebene nutzen.

• Berücksichtigung von Vorwissen zur Medienleistung: Mit dem bayesschen Modell von Meridian können Sie ROI-Priors nutzen, um Vorwissen zu Ihrer Medienleistung einzubeziehen. In diesem Modell ist der ROI ein Modellparameter, der jede beliebige Prior-Verteilung annehmen kann. Es sind keine zusätzlichen Berechnungen erforderlich, um Prior-Informationen zum ROI für die Modellparameter zu verwenden. Wissen kann aus jeder verfügbaren Quelle abgeleitet werden, z. B. aus früheren Tests und MMM-Ergebnissen, Branchenwissen oder Branchen-Benchmarks.

  Die bayessche Methode ist flexibel, da Sie den Grad steuern können, in dem Priors die Posterior-Verteilung beeinflussen. Parameter lassen sich mithilfe von Priors schätzen, wenn das Signal in den aktuellen Daten schwach ist. Meridian quantifiziert die Unsicherheit für alle Modellparameter, den ROI und den Grenz-ROI. Weitere Informationen finden Sie unter Media Mix Model Calibration With Bayesian Priors.

• Berücksichtigung von Mediensättigung und verzögerten Effekten: Sättigung und verzögerte Effekte für kostenpflichtige und organische Medien werden mithilfe von parametrischen Transformationsfunktionen modelliert. Die Sättigung wird mit einer Hill-Funktion modelliert, die abnehmende Werte für den Grenz-ROI berücksichtigt. Verzögerte Effekte werden mit einer Adstock-Funktion modelliert, bei der eine geometrische Abnahme angenommen wird. In Meridian werden bayessche Markov-Chain-Monte-Carlo-Verfahren (MCMC) zur Stichprobenerhebung verwendet, um alle Modellparameter gemeinsam zu schätzen, einschließlich dieser Transformationsparameter. Weitere Informationen finden Sie unter Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects.

• Optionale Verwendung von Daten zu Reichweite und Häufigkeit für zusätzliche Statistiken: Zusätzlich zu Impressionen bietet Meridian die Möglichkeit, Daten zu Reichweite und Häufigkeit als Modelleingaben zu verwenden, um zusätzliche Statistiken zu erhalten. Die Reichweite ist die Anzahl der einzelnen Nutzer in jedem Zeitraum. Die Häufigkeit ist die entsprechende durchschnittliche Anzahl von Impressionen pro Nutzer. So lässt sich besser vorhersagen, wie sich die Leistung der einzelnen Medienkanäle bei einer Änderung der Ausgaben entwickeln könnte. Weitere Informationen finden Sie unter Bayesian Hierarchical Media Mix Model Incorporating Reach and Frequency Data.

• Modellierung von Channels im unteren Trichterbereich (z. B. bezahlte Suche): Meridian wurde auf Grundlage der Theorie der kausalen Inferenz entwickelt, um rationale Entscheidungen zu unterstützen. Die für eine gültige kausale Inferenz erforderlichen Modellannahmen werden vollständig offengelegt. Insbesondere bietet Meridian die Möglichkeit, das Google-Suchvolumen (Google Query Volume, GQV) als Kontrollvariable für die Analyse der Auswirkungen der bezahlten Suche zu verwenden.

• Optimierung des Medienbudgets: In der Optimierungsphase wird die optimale Budgetverteilung auf die Kanäle auf Grundlage Ihres Gesamtbudgets ermittelt. Mit Meridian erhalten Sie auch ein optimales Gesamtbudget unter Berücksichtigung Ihrer Werbeziele. Außerdem lässt sich damit die Häufigkeit bei jedem Kanal anhand von Daten zu Reichweite und Häufigkeit optimieren.

• Schätzung mithilfe von „Was-wäre-wenn-Szenarien“: Mit Ihrem angepassten Modell können Sie den ROI unter verschiedenen hypothetischen Medienszenarien schätzen, z. B. bei einer Erhöhung oder Senkung der Werbeausgaben für einen bestimmten Kanal oder bei einer Umverteilung des Budgets auf die Kanäle.

• Güte der Anpassung des Modells bewerten und in Berichten berücksichtigen: Meridian liefert Statistiken zur Güte der Anpassung des Modells, sowohl innerhalb als auch außerhalb der Stichprobe. So können Sie verschiedene Modellkonfigurationen wie Prior-Verteilungen und Varianten der Parametereinstellungen vergleichen.

• Optionale Einbeziehung von nicht medienbezogenen Testvariablen: Nicht medienbezogene Testvariablen, z. B. Preisänderungen und Werbeaktionen, können optional berücksichtigt werden, um die Effektivität nicht medienbezogener Marketingaktionen zu schätzen.