منطق استنتاج علی و مدلسازی بیزی

با مجموعه‌ها، منظم بمانید ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.

دلیل اتخاذ دیدگاه استنتاج علی، ساده و قانع کننده است. تمام مقادیری که MMM تخمین می زند دلالت بر علیت دارند. بازگشت سرمایه، منحنی‌های پاسخ، و تحلیل بودجه بهینه به نحوه تأثیر مخارج بازاریابی بر KPIها مربوط می‌شود، با در نظر گرفتن اینکه اگر هزینه بازاریابی متفاوت بود چه اتفاقی می‌افتاد. دیدگاه طراحی مریدین این است که هیچ جایگزینی جز استفاده از روش استنتاج علی وجود ندارد.

مریدین یک مدل رگرسیونی است. این واقعیت که اثرات بازاریابی را می توان به عنوان علّی تفسیر کرد، مدیون برآوردهای تعریف شده و مفروضات ساخته شده است (مانند DAG علّی). اگرچه ممکن است این مفروضات برای هر تبلیغ‌کننده‌ای صادق نباشد، اما این مفروضات به‌طور شفاف برای تصمیم‌گیری هر تبلیغ‌کننده افشا می‌شوند.

اگرچه مدل سازی بیزی برای استنتاج علی ضروری نیست، مریدین از رویکرد بیزی استفاده می کند زیرا مزایای زیر را ارائه می دهد:

1. توزیع های قبلی یک مدل بیزی روشی بصری برای منظم کردن تناسب هر پارامتر با توجه به دانش قبلی و قدرت تنظیم انتخاب شده ارائه می دهد. منظم‌سازی در MMM ضروری است زیرا تعداد متغیرها زیاد است، همبستگی‌ها اغلب زیاد است، و اثرات رسانه‌ای (با تبلیغات و بازده کاهشی) پیچیده هستند.
2. مریدین گزینه ای را برای پارامترسازی مجدد مدل رگرسیون از نظر ROI ارائه می دهد که امکان استفاده از هر ROI سفارشی قبلی را فراهم می کند. هر و همه دانش موجود، از جمله نتایج آزمایش، می‌تواند برای تعیین اولویت‌هایی استفاده شود که به نتایجی که به آنها اعتقاد دارید با قدرتی که فکر می‌کنید مناسب هستند، منظم می‌شوند.
3. تبدیل‌های متغیر رسانه (adstock و بازده کاهشی) غیرخطی هستند و پارامترهای این تبدیل‌ها را نمی‌توان با تکنیک‌های مدل ترکیبی خطی تخمین زد. مریدین برای حل این مشکل از تکنیک های نمونه برداری MCMC پیشرفته استفاده می کند.