Häufig gestellte Fragen

Ist die Bibliothek kostenlos?

Ja, die Bibliothek ist kostenlos nutzbar und als Open Source auf GitHub für alle verfügbar.

Müssen wir unsere Daten an Google weitergeben, um die Bibliothek zu nutzen?

Google hat keinen Zugriff auf Ihre Eingabedaten, Ihr Modell oder Ihre Ergebnisse (außer auf Google-Media-Daten, die über unsere MMM Data Platform bereitgestellt werden). Wenn Sie Daten von der MMM Data Platform von Google anfordern, sind dies die einzigen Daten, auf die Google Zugriff hat. Google weiß jedoch nicht, ob Sie diese Daten tatsächlich in Ihr Modell aufnehmen. Die tatsächliche Eingabe und Ausgabe Ihres Modells sind vollständig privat, es sei denn, Sie geben sie an Ihre Google-Kontaktperson weiter.

Was ist Meridian GeoX und wie unterscheidet es sich von Meridian?

Meridian GeoX ist unsere demnächst verfügbare Open-Source-Lösung für geografische Inkrementalität, die Tests und MMM miteinander verbindet. Sie können Meridian GeoX verwenden, um Ihr Meridian-Modell zu kalibrieren, oder als eigenständigen Geo-Test, um die tatsächliche kausale Wirkung Ihrer Marketingleistung zu messen.

Warum ist die Durchführung von Geo-X-Tests für Nutzerinnen und Nutzer von Marketing Mix Modeling (MMM) wichtig?

Methoden zur kausalen Inferenz auf Grundlage von Beobachtungen, wie MMM, stützen sich auf Annahmen, um die tatsächliche inkrementelle Auswirkung bestimmter Channels zu schätzen. Meridian GeoX bietet hierfür eine Lösung, indem es kausale Priors auf Grundlage von Tests bereitstellt. Es bietet publisherübergreifende Funktionen und ermöglicht eine nahtlose Integration, mit der Sie Ihre Messergebnisse genauer kalibrieren können.

Ich nutze aktuell LightweightMMM. Was muss ich tun, um die Dateneingabe für Meridian zu erstellen?

Wenn Sie größtmöglichen Nutzen aus den Meridian-Innovationen ziehen möchten, müssen Sie weitere Datendimensionen hinzufügen, z. B.:

• Reichweite und Häufigkeit
• Tests
• Google-Suchvolumen

Sie können Meridian auch ohne diese Dimensionen verwenden, die Vorteile der Innovationen dann aber nicht ausschöpfen. Weitere Informationen finden Sie unter Von LightweightMMM migrieren.

Kann ich alle Datentypen (Leistung, YouTube-Reichweite und -Häufigkeit, Google-Suchvolumen) gleichzeitig in der Benutzeroberfläche der MMM Data Platform erheben?

Leistungsdaten und Daten zu YouTube-Reichweite und ‑Häufigkeit müssen separat angefordert werden. Der entsprechende Workflow wird im Nutzerhandbuch beschrieben, das in der E-Mail zum Zugriff auf die MMM Data Platform enthalten ist.

Welche Daten zum Google-Suchvolumen kann ich anfordern?

Die Ausgabe zum Google-Suchvolumen enthält:

• QueryLabel: Marke oder generisch
• ReportDate
• TimeGranularity: Sie können zwischen täglichen (Daily) oder wöchentlichen Daten wählen, wobei die Woche entweder am Sonntag (Weekly_Sunday) oder am Montag (Weekly_Monday) beginnt.
• GeoCriteriaId
• GeoName
• GeoType
• IndexedQueryVolume: Alle Daten zum Suchvolumen sind indexiert. Für das Suchvolumen werden keine Rohdaten bereitgestellt.

Kann ich die Methode für das Google-Suchvolumen auch auf Nicht-Google-Suchdaten anwenden?

Das organische Suchvolumen für Suchmaschinen, die nicht Google gehören, ist oft nicht verfügbar. Einige alternative Optionen werden unter Suchvolumen als Störfaktor für Suchanzeigen beschrieben.

Warum sollte ich meine GQV-Daten aus der MMM Data Platform beziehen?

Der Bericht zum Google-Suchvolumen (Google Query Volume, GQV) der MMM Data Platform wurde speziell für Marketing Mix Modeling (MMM) entwickelt. Er bietet die umfassendste Sicht auf die GQV-Leistung mit dem richtigen Detaillierungsgrad für Ihr Modell. In der MMM Data Platform wird für jedes Paar aus Werbetreibender bzw. Werbetreibendem und Land ein einheitlicher Indexwert verwendet. So können Sie die GQV-Daten bei jedem Modell-Update leicht aktualisieren und die Leistung im Zeitverlauf genau vergleichen. Weil GQV- und Leistungsdaten von derselben Plattform stammen, ist eine einheitliche Zuordnung von markenbezogenen Keywords zur Marke in Ihrer MMM-Datenanfrage möglich.

Suchanfragedaten aus anderen Quellen können in Meridian als Störfaktor verwendet werden. Für den MMM-Anwendungsfall gelten jedoch möglicherweise Einschränkungen. In Google Trends werden Suchdaten z. B. normalisiert, Anfragen nach Thema zusammengefasst und eine Stichprobe der Suchanfragen in Berichten verwendet. Das ist zwar gut, um schnell Trendinformationen zu erhalten, wir empfehlen jedoch, GQV-Daten aus der MMM Data Platform für Meridian zu beziehen, damit die Daten markenspezifisch, einheitlich und mit dem richtigen Detaillierungsgrad für Ihr Modell bereitgestellt werden.

Wie kann ich für einen bestimmten Media-Hebel unterschiedliche Priors für verschiedene Zeiträume festlegen?

Am ehesten geht das mit dem Argument roi_calibration_period. Wie in Abschnitt 3.4 des Whitepapers zur MMM-Abstimmung beschrieben, empfehlen wir, den ausgabengewichteten durchschnittlichen ROI für die Tests zu berechnen und den Parameter roi_calibration_period so festzulegen, dass er den vier Quartalen der Tests entspricht. Wenn die Tests sehr unterschiedliche Standardfehler haben, sollten Sie sie entsprechend gewichten. Weitere Informationen finden Sie unter Zeitraum für ROI-Abstimmung festlegen.

Kann ich für die Knotenwerte einen zeitlichen Prior festlegen?

Meridian unterstützt keine zeitabhängigen Priors für Knotenwerte.

Wie können in Meridian zeitabhängige Media-Effekte berücksichtigt werden?

In Meridian können zeitvariable Media-Effekte durch Datenpartitionierung modelliert werden. Die Daten des Channels müssen manuell in separate Zeiträume unterteilt und als separate Channels modelliert werden. Wenn Sie beispielsweise vermuten, dass ein Channel 2024 anders abgeschnitten hat als 2025, erstellen Sie zwei neue Channels in Ihrem Dataset: einen mit den Daten für 2024 und einen weiteren mit den Daten für 2025.

Wir raten davon ab, zu viele Zeiträume für Aufschlüsselungen zu erstellen, da dadurch sehr schnell viele Channels entstehen können. Bei zu vielen Channels müssen in Meridian mehr Parameter geschätzt werden. Dadurch ist es für das Modell schwieriger, Signal von Rauschen zu unterscheiden, wenn nur begrenzt Daten zur Verfügung stehen. Weitere Informationen finden Sie unter Erforderliche Datenmenge. Im Extremfall kann eine zu große Anzahl von Channels zu Problemen bei der Modellidentifizierbarkeit und ‑konvergenz führen.

Wie erhalte ich detaillierte Informationen zur Dekomposition der Regression, z. B. DataFrames für die Posterior-Ziehungen?

Die Posterior-Stichproben befinden sich im Objekt inference_data. Sie können dieses Array in einen beliebigen DataFrame umwandeln. Um über den docstring auf die Datenstichproben zuzugreifen, siehe meridian.model.model.Meridian.

Kann ich in Meridian Synergien zwischen Channels messen?

Meridian unterstützt diese Art von Analyse nicht.

Ist es möglich, mit Meridian eine zeitlich begrenzte Auswertung des ROI abzurufen?

Mit der Option selected_times in Analyzer().roi() können Sie die gewünschten Zeiträume auswählen.

Wichtig: Wenn Sie den ROI im Zeitverlauf beobachten, sollten Sie berücksichtigen, dass er sich auch ändern kann, obwohl die Koeffizienten im Modell zeitunabhängig sind. Das liegt daran, dass er von zusätzlichen Faktoren abhängt, die sich mit der Zeit ändern können. Die Hill-Kurven modellieren beispielsweise die nicht linearen, sinkenden Renditen der Media-Ausführung. Daher kann die Menge der Media-Ausführung zu einem bestimmten Zeitpunkt den ROI beeinflussen. Außerdem kann die Media-Zuweisung je nach geografischer Einheit im Zeitverlauf unterschiedlich effektiv sein. Auch die Kosten für die Media-Ausführung können sich mit der Zeit ändern.

Kann die hierarchische Modellstruktur von Meridian auch für andere kategoriale Variablen als die geografische Einheit verwendet werden?

Die hierarchische Modellstruktur von Meridian wurde für die Modellierung auf geografischer Ebene entwickelt, die wichtige Vorteile bietet. Es ist zwar möglich, anstelle der geografischen Region eine andere kategoriale Variable als hierarchische Variable zu verwenden, dies wird jedoch im Allgemeinen nicht empfohlen. Wenn eine andere hierarchische Variable verwendet werden soll, müssen sowohl der KPI als auch die Media-Einheiten nach diesen Variablen aufgeschlüsselt werden können.

Hier einige Beispiele für hierarchische Variablen, die in der Regel nicht funktionieren:

• Produkt (mit Halo-Effekten): Wenn Sie der Meinung sind, dass sich ein Werbekanal auf den KPI mehrerer Produkte auswirken kann, sollte „Produkt“ nicht als hierarchische Variable verwendet werden. Ein Kanal kann sich auf mehrere Produkte auswirken, wenn er statt auf ein oder mehrere Produkte auf die gesamte Marke ausgerichtet ist. Eine produktspezifische Werbekampagne kann sich aufgrund sogenannter Halo-Effekte auch auf den KPI anderer Produkte auswirken.
• Vertriebskanal (z. B. Online- oder Einzelhandel). Media-Einheiten sind in der Regel nicht auf einen einzelnen Vertriebskanal beschränkt.
• Werbekampagne. Media-Einheiten können zwar häufig nach Kampagne aufgeschlüsselt werden, der KPI jedoch nicht.

Auch wenn sowohl der KPI als auch Media-Einheiten nach einer nicht geografischen Variablen aufgeschlüsselt werden können, müssen Sie unbedingt prüfen, ob die folgenden Annahmen des hierarchischen Modells zutreffen.

• Im hierarchischen Modell werden Informationen teilweise für mehrere Kategorien zusammengefasst, um die Modellkoeffizienten für die Test- und Kontrollvariablen zu schätzen. Andere Modellparameter, etwa Parameter für den Zeiteffekt (Trend und Saisonalität), Adstock und abnehmende Renditen, werden für alle Kategorien als gemeinsame Parameter angenommen (vollständiges Pooling). Diese Annahmen sind in der Regel für die geografische Hierarchie angemessen, da der KPI und die Media-Einheiten in allen geografischen Einheiten im Wesentlichen gleich interpretiert werden.
• Die Annahme von gemeinsamen Parametern für den Zeiteffekt, Adstock und abnehmende Renditen ist in der Regel sinnvoller, wenn sowohl der KPI als auch die Media-Einheiten für jede Kategorie ungefähr vergleichbar skaliert sind. Bei geografischen Modellen wird dies durch die Skalierung der Grundgesamtheit sowohl der KPI als auch der Media-Einheiten erreicht. Bei anderen Variablen ist weniger klar, welche Skalierungsvariable anstelle der Grundgesamtheit verwendet werden sollte und ob sie auf den KPI, die Media-Einheiten oder beides angewendet werden sollte.
• Die Annahme eines stabilen Einheitsbehandlungswerts (Stable Unit Treatment Value Assumption, SUTVA) setzt voraus, dass der Test (Werbung) in einer Einheit keine Auswirkungen auf andere Einheiten hat. Diese Annahme ist in der Regel für geografische Testeinheiten angemessen (wird aber nie perfekt erfüllt). Bei nicht geografischen Kategorien kann es zu einer stärkeren kategorienübergreifenden Verunreinigung der Media-Effekte kommen.

Wenn Sie eine nicht geografische hierarchische Variable verwenden möchten, beachten Sie Folgendes.

• Eine Kontrollvariable kann über alle Kategorien hinweg dieselben Werte annehmen, sofern sie innerhalb jeder Kategorie variiert. Bei der Modellierung von Zeiteffekten mit vollständigen oder nahezu vollständigen Knoten können jedoch Konvergenzprobleme auftreten.
• Legen Sie unique_sigma_for_each_geo=True in der ModelSpec fest, da die Residualvarianz zwischen nicht geografischen Kategorien variieren kann.
• Da die geografische hierarchische Modellierung der häufigste Anwendungsfall ist, wird die hierarchische Variable gemäß der Namenskonvention von Meridian als „geo“ bezeichnet. Wenn Sie den Loader für CSV-Daten verwenden, müssen Sie Ihre hierarchische Variable in load.CoordToColumns als „geo“-Spalte kennzeichnen.
• Für Meridian ist eine Variable vom Typ „population“ (Grundgesamtheit) erforderlich. Diese Variable kann für alle Kategorieebenen auf 1 festgelegt werden, wenn die hierarchische Variable nicht geografisch („geo“) ist. Es kann jedoch sinnvoll sein, die Skalierung mit einem anderen Wert vorzunehmen. In Meridian werden sowohl der KPI als auch die Media-Einheiten automatisch durch Skalierung an die Grundgesamtheit angepasst. Wenn eine Variable NICHT skaliert werden soll, müssen Sie die Eingabedatenspalte mit der Grundgesamtheit multiplizieren, damit sie nach der Skalierung der Grundgesamtheit den ursprünglichen Wert hat.

Wenn ich eine Teilmenge der zuvor ausgewählten Knoten als erforderliche Knoten verwende, liefert AKS dann identische Ergebnisse?

Nicht unbedingt. Die automatische Auswahl von Knoten ist ein iterativer Algorithmus, der einen Solver für die bestrafte Regression verwendet. Die Angabe von „required_knots“ beeinflusst die Strafgewichtungen und die Startbedingungen im ersten Schritt des Algorithmus. Aufgrund dieser unterschiedlichen Ausgangsbedingung kann der Optimierungspfad, den der Solver verwendet, abweichen, was zu einer anderen endgültigen Gruppe ausgewählter Knoten führen kann.

Das ist jedoch kein Grund zur Besorgnis. Beide Knotensätze sind gültige, datengesteuerte Darstellungen des zugrunde liegenden Trends. Der Algorithmus findet eine alternative, ebenso gültige optimale Lösung unter Berücksichtigung der Einschränkungen.

Kann ich den ROI von Gebotsstrategien anhand der festgelegten Gebotsziele messen?

Der MMM-Datenfeed von Google liefert Informationen zum Gebotsstrategietyp (z. B. „Conversions maximieren“ und „Ziel-ROAS“) nach Kampagne. Das Gebotsziel selbst ist jedoch nicht im Feed enthalten. Werbetreibende, die Zugriff auf diese Dimension benötigen, können Berichte zur Gebotsstrategie direkt in Google Ads abrufen oder mit ihrer Google-Kundenbetreuerin bzw. ihrem Google-Kundenbetreuer eine benutzerdefinierte Datenlösung ausarbeiten.

Kann Meridian für Prognosen verwendet werden?

Meridian kann zum Planen zukünftiger Szenarien verwendet werden, einschließlich der Budgetoptimierung und der Schätzung des inkrementellen Ergebnisses in hypothetischen zukünftigen Budgetszenarien. Meridian ist für die kausale Inferenz konzipiert, nicht für Vorhersagen. Daher kann Meridian nicht zur Prognose zukünftiger Roh-Ergebnisse verwendet werden. Weitere Informationen sind unter Warum prognostiziert Meridian keine Ergebnisse? verfügbar.