Generuj dane wyjściowe wyników modelu

Zadbaj o dobrą organizację dzięki kolekcji Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.

Dane wyjściowe wyników modelu można wygenerować na kilka sposobów. Możesz:

• Generowanie 2-stronicowego raportu HTML ustawić niestandardowy zakres czasowy i wyeksportować dane wyjściowe HTML na Dysk Google w udostępnić swojemu zespołowi.

• Generowanie podsumowania wyników modelu aby dostosować własne raporty i wizualizacje lub wyeksportować je . Te liczbowe podsumowania danych o mediach dają Ci dostęp do większej liczby szczegóły.

Możesz też tworzyć wizualizacje multimediów. Więcej informacji znajdziesz w sekcji Wykresy i wizualizacje.

Wygeneruj raport HTML wyników modelu

Aby wygenerować i wyeksportować raport wyników modelu:

1. Jeśli używasz Colab i chcesz wyeksportować raport na Dysk Google, Z Dysku Google do notatnika Colab:

   from google.colab import drive
   drive.mount('/content/drive')
   

2. Zainicjuj klasę Summarizer za pomocą obiektu modelu Meridian:

   summarizer = summarizer.Summarizer(meridian)
   

3. Przekaż nazwę pliku, ścieżkę, datę rozpoczęcia i datę zakończenia do output_model_results_summary, aby uruchomić podsumowanie dla tego okresu, i zapisz w wybranym pliku.

   Przykład:

   filepath = '/content/drive/MyDrive'
   start_date = '2020-01-05'
   end_date = '2020-12-27'
   summarizer.output_model_results_summary(f'{FILENAME}.html',
                                           filepath,
                                           start_date,
                                           end_date)
   

   Gdzie:

   • filepath to ścieżka na Dysku Google, w której chcesz zapisać plik .
   • start_date to data rozpoczęcia raportu w formacie rrrr-mm-dd.
   • end_date to data zakończenia raportu w formacie rrrr-mm-dd.
   • FILENAME to nazwa, którą chcesz podać, na przykład summary_output.html Plik musi mieć rozszerzenie HTML.

   Raport HTML zostanie wygenerowany i zapisany w podanej lokalizacji pliku.

Dopasowanie modelu

Sekcja Dopasowanie modelu umożliwia sprawdzenie statystycznej poprawności dopasowania. Statystyki dopasowania modelu południkowego w raportach, w tym wartości R kwadrat i średnia bezwzględna Błąd procentowy (MAPE) i ważony średni bezwzględny błąd procentowy (wMAPE). Dodatkowo Meridian oferuje wizualne porównania na podstawie przewidywanych przychodów (KPI) do wartości rzeczywistych przychodów (KPI). Te działki ułatwiają ocenę wydajności modelu i pomagają określić, czy model jest niedopasowany.

Statystyki dopasowania modelu mogą być też przydatne przy porównywaniu modeli kandydujących. Pamiętaj jednak: pamiętaj, że dane o dopasowaniu nie dają pełnego obrazu że model jest dobrym modelem opartym na wnioskowaniu przyczynowym. Możliwe, że Najlepszy model wnioskowania przyczynowego różni się od najlepszego modelu prognozowania.

Informacje na temat oceny dopasowania modelu znajdziesz w artykule Modelowanie diagnostyki.

Przykładowe dane wyjściowe: (kliknij obraz, aby go powiększyć).

Przychody lub udział KPI

Sekcja Przychody lub wkład KPI zawiera analizę wpływu. działań medialnych i niemedialnych na wyniki przychodów lub KPI. it pozwala porównywać kluczowe dane, takie jak zwrot z inwestycji (ROI), odsetek i procent dodatkowych przychodów lub KPI w różnych kanałach. Dodatkowo ta sekcja umożliwia podział udziału według punktu odniesienia, promocji cenowych i kanałów marketingowych.

Przykładowe dane wyjściowe: (kliknij obraz, aby go powiększyć).

Zwrot poniesionych inwestycji

Sekcja Zwrot z inwestycji zawiera dokładniejszy wgląd w analizę ROI za pomocą kanałów, które pomogą Ci zidentyfikować najlepsze kanały. Możesz porównać dane ROI, krańcowym zwrotem z inwestycji i skuteczności w różnych kanałach. Dodatkowo ta sekcja przedstawia przedział wiarygodności szacunków ROI, który stanowi jedną z powodów Bayesa.

Przykładowe dane wyjściowe: (kliknij obraz, aby go powiększyć).

Analiza optymalna

W sekcji Analiza optymalizacji znajdziesz informacje o bieżącym poziomie wydatków i nadchodzących zaczynają Państwo zauważyć malejący krańcowy zwrot z pieniędzy, które są wydatków na kanał i zaproponuje optymalną częstotliwość, zdecydować, jak rozplanować budżet na kolejny rok.

Przykładowe dane wyjściowe:

Wygeneruj podsumowanie wyników modelu

Podsumowania wyników modelu są generowane przy użyciu klasy MediaSummary. Kiedy podczas zainicjowania tej klasy, przedział wiarygodności wyników modelu może być określony za pomocą argumentu confidence_level, natomiast przedział czasu dla argumentu oszacowanie modelu można określić za pomocą argumentu selected_times. Według domyślnie statystyki podsumowujące są generowane z przedziałem wiarygodności na poziomie 90% przez całe okno modelowania.

Przykład:

Uruchom te polecenia, aby wygenerować podsumowanie z użyciem ustawień domyślnych:

media_summary = visualizer.MediaSummary(meridian)
media_summary.summary_table()

Przykładowe dane wyjściowe: (kliknij obraz, aby go powiększyć).