Meridian es la evolución oficial del enfoque de MMM de Google. Es la versión actualizada de LightweightMMM. Ambas versiones se basan en la investigación del MMM bayesiano que lleva a cabo Google desde 2017.
Las funciones clave de Meridian son el modelado del alcance y de la frecuencia, el manejo eficaz de la búsqueda pagada, así como la calibración de los experimentos.
Cómo migrar a Meridian
Para migrar de LightweightMMM a Meridian, tienes que instalar Meridian y, luego, importar tus datos siguiendo el mismo proceso que cualquier usuario nuevo de Meridian. Para obtener más información, consulta Cómo instalar Meridian.
Comparación de funciones
Los datos de entrada de ambos modelos son los mismos.
La siguiente tabla muestra una descripción general de las diferencias clave entre las funciones de los proyectos:
| Función | LightweightMMM | Meridian |
|---|---|---|
| Lenguaje | Python | Python |
| Biblioteca bayesiana | Numpyro | TensorFlow Probability |
| Calibración de experimentos | Posible, pero manual | Sí |
| Modelado del alcance y de la frecuencia | No | Sí |
| Optimizador | Sí | Sí |
| Formulación del ROI del modelo | No | Sí |
| Incorporación de la variable de confusión del GQV | Posible, pero manual | Sí |
| Modelos a nivel nacional y nivel geográfico | Sí | Sí, nacional y más ubicaciones geográficas |
| Tendencia y estacionalidad | Línea recta y forma sinusoidal repetitiva (diaria, semanal) | Nudos |
| Distribuciones a priori personalizadas | Sí | Sí |
| Transformación del rezago y de la saturación | Sí | Sí |
| Ajuste de datos de entrada | Manual | Automática |
Diferencias en las especificaciones del modelo
LightweightMMM ofrece tres arquitecturas de modelos diferentes: la de Adstock, la de Hill-Adstock y la de transferencia. Meridian utiliza una variación de la arquitectura de Hill-Adstock y no permite otras arquitecturas. Puedes elegir el orden en el que se aplican las transformaciones de Hill y de Adstock para el modelo de referencia de Meridian. El modelo de alcance y frecuencia de Meridian tiene un orden fijo de Hill-Adstock: se aplica Hill en primer lugar y Adstock en segundo lugar.
Otras diferencias entre Meridian y LightweightMMM incluyen las siguientes:
Los canales de medios son jerárquicos en las diferentes ubicaciones geográficas de ambos proyectos. Sin embargo, la jerarquía geográfica en LightweightMMM no incluye parámetros libres adicionales. Por el contrario, se utiliza un solo coeficiente de medios para especificar la distribución a priori sobre un hiperparámetro y las distribuciones a priori individuales de los canales de medios a nivel geográfico en LightweightMMM. Meridian incluye un parámetro adicional
eta_mque especifica la desviación estándar del coeficiente de medios en todas las ubicaciones geográficas. Además, Meridian permite que la variación jerárquica tenga forma de distribución normal o de distribución normal logarítmica.En Meridian, las funciones que no se relacionan con los medios se denominan variables de control y también son jerárquicas; en cambio, no son jerárquicas en las diferentes ubicaciones geográficas de LightweightMMM. El parámetro del modelo de Meridian
xi_cespecifica la desviación estándar de esa jerarquía geográfica.Meridian te permite especificar distribuciones a priori de los medios en términos de distribución beta (igual que LightweightMMM) o de ROI.
En comparación con LightweightMMM, el modelo de referencia se expresa de manera diferente en Meridian, donde los usuarios pueden especificar efectos fijos a nivel geográfico y temporal, y el modelo de referencia es la suma de ambos efectos fijos.
Diferencias esperadas en el tiempo de muestreo del método de MCMC
Dado que Meridian abarca más parámetros y una mayor complejidad del modelo, se prevé que el muestreo del método de MCMC en Meridian lleve más tiempo que en LightweightMMM. Sin embargo, como los modelos son relativamente similares, no es previsible que Meridian necesite mucho más tiempo que LightweightMMM. Las estimaciones precisas del tiempo adicional necesario dependen del entorno de procesamiento, la cantidad de ubicaciones geográficas, los parámetros de ajuste del modelo, las distribuciones a priori, los datos y otros factores. Si bien es probable que la complejidad del modelo de Meridian exija un tiempo más extenso para el muestreo del método de MCMC, se prevé que la exactitud de los resultados obtenidos será mayor.