Acerca de Meridian

Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias.

El modelado de combinación de marketing (MMM) es una técnica de análisis estadístico que mide el impacto de las campañas y actividades de marketing para guiar las decisiones de planificación del presupuesto y mejorar la efectividad general de los medios. El MMM utiliza datos agregados para medir el impacto de los canales de marketing y considerar los factores no relacionados con el marketing que afectan los ingresos y otros indicadores clave de rendimiento (KPIs). Además de resguardar la privacidad, el MMM no usa ninguna cookie ni información a nivel del usuario.

Meridian es un framework de MMM que permite a los anunciantes configurar y ejecutar sus propios modelos internos. También te ayuda a responder preguntas clave, como las siguientes:

• ¿Cómo generaron los canales de marketing mis ingresos o algún otro KPI?
• ¿Cuál fue el retorno de la inversión (ROI¹) de mis actividades de marketing?
• ¿Cómo puedo optimizar la asignación de mi presupuesto de marketing de cara al futuro?

Meridian es un framework de modelado altamente personalizable que se basa en la inferencia causal bayesiana. Puede procesar datos a gran escala a nivel geográfico, lo que se recomienda si están disponibles, pero también se puede utilizar para el modelado a nivel nacional. Meridian proporciona estadísticas y visualizaciones claras para fundamentar las decisiones comerciales en torno al presupuesto y la planificación de marketing. Además, incluye metodologías para calibrar el MMM con experimentos y otra información de distribuciones a priori, así como para optimizar la frecuencia objetivo de los anuncios aprovechando datos de alcance y frecuencia.

Funciones clave

Dado que ofrece metodologías de modelado y optimización, Meridian admite todos los casos de uso principales del MMM. Para obtener más información sobre las metodologías de Meridian, consulta el artículo Especificaciones del modelo y la sección Modelo de Meridian.

Además, las funciones clave incluyen las siguientes:

• Modelado jerárquico a nivel geográfico: El modelo jerárquico a nivel geográfico de Meridian te permite aprovechar datos de marketing a nivel de las ubicaciones geográficas, los que podrían abarcar mucha más información sobre la efectividad de tus actividades de marketing que los datos a nivel nacional. También puedes examinar la efectividad de las iniciativas de marketing a nivel local o regional. El enfoque jerárquico suele generar intervalos creíbles más ajustados en métricas como el ROI. Para obtener más información, consulta Geo-level Bayesian Hierarchical Media Mix Modeling.

  Meridian admite modelos completamente bayesianos con más de 50 ubicaciones geográficas y 2 o 3 años de datos semanales incluidos en TensorFlow Probability y su compilador XLA. El hardware de la GPU, disponible con Google Colab Pro+ o con otras herramientas, puede optimizar aún más el rendimiento de la velocidad.

  También puedes usar el enfoque estándar a nivel nacional si no tienes datos a nivel geográfico disponibles.

• Incorporación de conocimientos sobre el rendimiento de los medios a partir de distribuciones a priori: El modelo bayesiano de Meridian te permite incorporar conocimientos existentes sobre el rendimiento de tus medios con el uso de distribuciones a priori del ROI. En este modelo, el ROI es un parámetro que puede tomar cualquier distribución a priori, es decir, no se necesitan cálculos adicionales para traducir la información de distribución a priori del ROI a los parámetros del modelo. Los conocimientos se pueden obtener de cualquier fuente disponible, como experimentos previos, resultados anteriores del MMM, experiencia en la industria o comparativas de sectores.

  El método bayesiano es flexible porque te permite controlar el grado en el que las distribuciones a priori influyen en la distribución a posteriori. Esas distribuciones a priori se pueden aplicar para estimar un parámetro cuando el indicador en los datos actuales es débil. Meridian cuantifica la incertidumbre de todos los parámetros del modelo, el ROI y el ROI marginal. Para obtener más información, consulta Media Mix Model Calibration With Bayesian Priors.

• Consideración de la saturación y los efectos rezagados de los medios: La saturación y los efectos rezagados de los medios pagados y orgánicos se modelan con funciones de transformación paramétrica. Específicamente, la saturación se modela con una función Hill, que captura los retornos marginales en disminución, y los efectos rezagados, con una función de Adstock con decaimiento geométrico. Meridian utiliza métodos bayesianos de muestreo de Monte Carlo basado en cadenas de Markov (MCMC) para estimar de forma conjunta todos los parámetros del modelo, incluidos estos parámetros de transformación. Para obtener más información, consulta Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects.

• Uso opcional de datos de alcance y frecuencia para obtener estadísticas adicionales: Además de usar impresiones, Meridian ofrece la opción de aplicar datos de alcance y frecuencia como entradas del modelo para proporcionar estadísticas adicionales. El alcance indica la cantidad de usuarios únicos en cada período, mientras que la frecuencia muestra la cantidad promedio de impresiones correspondiente por usuario. Esto ofrece una mejor predicción del rendimiento que podría tener cada canal de medios con un cambio en la inversión. Para obtener más información, consulta Bayesian Hierarchical Media Mix Model Incorporating Reach and Frequency Data.

• Modelado de canales del embudo inferior (como la búsqueda pagada): Meridian se diseñó en función de la teoría de la inferencia causal para ayudar a tomar decisiones racionales. Los supuestos del modelo que son necesarios para una inferencia causal válida son completamente transparentes. En particular, Meridian ofrece una opción para usar el volumen de búsquedas de Google (GQV) como una variable de control cuando se mide el impacto de la búsqueda pagada.

• Optimización del presupuesto de medios: La fase de optimización determina la asignación óptima del presupuesto en los canales según tu presupuesto general. También hay una opción para que Meridian sugiera el presupuesto general óptimo en función de tus objetivos publicitarios. Además, Meridian permite la optimización de la frecuencia para cualquier canal con datos de alcance y frecuencia.

• Estimación a partir de situaciones hipotéticas: Con tu modelo ajustado, puedes estimar cuál habría sido tu ROI en diferentes situaciones hipotéticas relacionadas con los medios, como aumentar o reducir la inversión publicitaria en un canal específico o reasignar el presupuesto entre los diversos canales.

• Evaluación y generación de informes sobre la bondad del ajuste del modelo: Meridian genera informes sobre las estadísticas del ajuste del modelo, tanto dentro de la muestra como fuera de ella. Esto te permite comparar diferentes configuraciones del modelo, como las distribuciones a priori y las parametrizaciones.

• Inclusión opcional de variables de tratamiento que no son de medios: Si se prefiere, se pueden incluir tratamientos no relacionados con los medios, como los cambios en el precio y las promociones, para estimar la eficacia de las acciones de marketing no relacionadas con los medios.