Raison d'être de l'inférence causale et de la modélisation bayésienne

Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.

La raison pour laquelle nous adoptons une approche d'inférence causale est simple et convaincante. Toutes les quantités estimées par la MMM impliquent une causalité. Le ROI, les courbes de réponse et l'analyse du budget optimal concernent l'impact des dépenses marketing sur les KPI, en considérant ce qui se serait passé si les dépenses marketing avaient été différentes. Selon l'approche de conception de Meridian, il n'y a pas d'autre alternative que d'utiliser la méthodologie d'inférence causale.

Meridian est un modèle de régression. Le fait que les effets marketing puissent être interprétés comme des effets de causalité est dû aux estimands définis et aux hypothèses formulées (comme le DAG causal). Bien que ces hypothèses ne soient probablement pas valables pour tous les annonceurs, elles sont communiquées de manière transparente pour que chacun d'entre eux puisse prendre sa décision.

Même si la modélisation bayésienne n'est pas nécessaire pour l'inférence causale, Meridian adopte une approche bayésienne, car elle offre les avantages suivants :

1. Les distributions a priori d'un modèle bayésien permettent de régulariser intuitivement l'ajustement de chaque paramètre en fonction des connaissances a priori et de l'intensité de régularisation sélectionnée. La régularisation est nécessaire dans la MMM, car le nombre de variables est important, les corrélations sont souvent élevées et les effets média (avec adstock et rendements décroissants) sont complexes.
2. Meridian offre la possibilité de redéfinir les paramètres du modèle de régression en termes de ROI, ce qui permet d'utiliser un a priori de ROI personnalisé. Toutes les connaissances disponibles, y compris les résultats des tests, peuvent être utilisées pour définir des a priori qui sont régularisés selon les résultats que vous jugez pertinents, avec l'intensité qui vous semble appropriée.
3. Les transformations de variables média (adstock et rendements décroissants) sont non linéaires, et les paramètres de ces transformations ne peuvent pas être estimés par des techniques de modèles linéaires mixtes. Meridian utilise des techniques d'échantillonnage MCMC de pointe pour résoudre ce problème.