常见问题解答

该库是否免费？

是，您可以免费使用该库，并且我们在 GitHub 上开放了源代码，供所有人使用。

我们是否必须与 Google 共享数据才能使用该库？

Google 无法访问您的输入数据、模型或结果（通过我们的 MMM Data Platform 提供的 Google 媒体数据除外）。Google 只能访问您向 Google MMM Data Platform 请求的数据。但 Google 并不知道您的模型中是否真的包含了这些数据。除非您选择与 Google 代表共享数据，否则您的实际模型输入和输出是完全私密的。

什么是 Meridian GeoX？它与 Meridian 有何不同？

Meridian GeoX 是我们即将推出的基于地理位置的开源增量衡量解决方案，可将实验与 MMM 结合起来。运行 Meridian GeoX 以校准 Meridian 模型，或将其作为独立的地理位置实验来衡量营销效果的真实因果影响。

Meridian GeoX 使用什么方法，是否包含修剪匹配或匹配市场？

在发布时，Meridian GeoX 的设计方法将支持分层抽样和随机抽样，推断方法将采用基于时间的回归。更多技术文档和具体的方法细节将在接近正式版发布时公布。

如果我目前是 LightweightMMM 用户，是否需要执行额外的操作才能为 Meridian 构建数据输入？

若要充分利用新的 Meridian 创新功能，您需要添加更多数据维度，例如：

• 覆盖面和频次
• 实验
• Google 搜索查询量 (GQV)

在没有这些维度的情况下，您仍可以运行 Meridian，但会错失新的创新功能。如需了解详情，请参阅从 LightweightMMM 迁移。

我能否在 MMM Data Platform 界面中同时收集所有数据类型（效果、YouTube 覆盖面和频次、Google 搜索查询量）？

效果数据与 YouTube 覆盖面和频次数据必须分开请求。如需详细了解请求工作流程，请参阅 MMM Data Platform 体验邮件中附带的用户指南。

我可以请求哪些 GQV 数据？

Google 搜索查询量，输出包括：

• QueryLabel - 品牌或宽泛
• ReportDate
• TimeGranularity（您可以请求 Daily、Weekly_Sunday 或 Weekly_Monday 数据）。
• GeoCriteriaId
• GeoName
• GeoType
• IndexedQueryVolume - 所有搜索查询量数据均已经过指数化处理。系统不会提供搜索查询量的原始数据。

是否可以将 GQV 方法应用于非 Google 搜索数据？

来自非 Google 搜索引擎的自然搜索查询量往往无法获得。如需了解一些替代方案，请参阅了解作为搜索广告混杂因素的搜索查询量。

为什么我应该从 MMM Data Platform 获取 GQV 数据？

MMM Data Platform 中的 GQV 报告专为 MMM 量身打造，能以最适合您模型的精细度，为您呈现 GQV 效果的全貌。MMM Data Platform 会为每个广告客户与国家/地区组合使用一致的指数值，让您每次刷新模型时都能轻松更新 GQV 数据，并准确比较一段时间内的效果。由于您的 GQV 和效果数据请求在同一平台中相关联，因此我们能够确保品牌关键字与 MMM 数据请求中提供的品牌保持一致的映射关系。

来自其他来源的搜索查询数据可以在 Meridian 中用作混杂因素，但对于 MMM 用例，可能会存在限制。例如，Google 趋势会对搜索数据进行标准化处理，按主题汇总搜索查询，并在报告中使用搜索样本。虽然这非常适合快速生成趋势洞见，但为了确保数据与品牌紧密相关、保持一致，并以最适合您模型的精细度提供，我们建议您从 MMM Data Platform 获取 Meridian 的 GQV。

对于给定的媒体渠道，如何设置与不同时间段关联的不同先验？

使用 roi_calibration_period 实参最有可能做到这一点。根据 MMM 校准白皮书的第 3.4 部分，我们建议您计算实验按支出加权的平均投资回报率，并传递 roi_calibration_period 以匹配实验的四个季度。如果实验的标准误差相差较大，您可能需要进一步对实验进行相应的加权处理。如需了解详情，请参阅设置投资回报率校准周期。

能否为结值设置时间先验？

Meridian 不支持对结值设置时变先验。

Meridian 如何允许时变媒体效应？

Meridian 允许通过数据分区对时变媒体效应进行模型分析。必须手动将渠道的数据划分为不同的时间段，并将其作为单独的渠道进行建模。例如，如果您怀疑某个渠道在 2024 年的表现与 2025 年不同，您可以在数据集中创建两个新渠道：一个仅包含 2024 年的数据，另一个包含 2025 年的数据。

我们建议您不要创建过多的时间细分，因为这会导致渠道数量快速增加。渠道过多会增加 Meridian 需要估计的参数数量，从而导致模型难以在数据有限的情况下区分信号和噪声（如需了解详情，请参阅所需的数据量）。在极端情况下，渠道过多可能会导致模型可识别性和收敛性问题。

如何获取回归的详细分解信息，例如获取后验抽样的 DataFrame？

后验样本位于 inference_data 对象中，您可以将此数组转换为所需的任何 DataFrame。若要使用文档字符串获取数据样本，请参阅 meridian.model.model.Meridian。

能否在 Meridian 中衡量渠道之间的协同效应？

Meridian 不支持此类分析。

能否通过 Meridian 获得投资回报率随时间变化的数据？

您可以使用 Analyzer().roi() 中的 selected_times 选项来选择感兴趣的时间段。

重要提示：在跟踪投资回报率随时间的变化时，要考虑到尽管模型中的系数不随时间变化，投资回报率仍会随时间变化，因为它依赖于可能随时间变化的其他因素。例如，Hill 曲线模拟了媒体投放的非线性递减回报，因此给定时间的媒体投放量会影响投资回报率。此外，不同地理位置的媒体分配会随着时间的推移而变化，并产生不同的效果，媒体投放费用也会随时间的推移而变化。

Meridian 的层次化模型结构能否用于地理位置以外的分类变量？

Meridian 的层次化模型结构专为地理位置级建模而设计，具有重要优势。虽然可以使用其他分类变量代替地理位置作为分层变量，但一般不建议这样做。如果要使用其他分层变量，则必须能够按此变量对 KPI 和媒体单位数进行分层。

以下是一些通常无法使用的分层变量示例。

• 产品（具有光环效应）。如果您认为某个广告渠道可能会影响多种产品的 KPI，那么“产品”就不应作为分层变量。如果是在整个品牌级别定位到某个渠道，而不是在具体产品级别，该渠道可能会影响多个产品。由于所谓的“光环效应”，专门宣传具体产品的广告系列也可能会影响其他产品的 KPI。
• 销售渠道（例如，线上与零售）。媒体单位数通常并非针对单个销售渠道。
• 广告系列。虽然媒体单位数通常可以按广告系列进行分层，但无法按广告系列对 KPI 进行分层。

即使 KPI 和媒体单位数都可以按非地理位置变量进行分层，也务必要考虑以下层次化模型假设是否适用。

• 层次化模型会在各个类别中共用一部分信息，以估计处理变量和控制变量的模型系数。而其他模型形参，比如时间效应（趋势和季节性变化）、Adstock 以及回报递减形参，则被假定为在各个类别中是相同的（完全共用）。对于地理位置层次结构，这些假设通常是合理的，因为 KPI 和媒体单位数在不同地理位置的解读基本相同。
• 如果每个类别的 KPI 和媒体单位数大致处于同一规模，那么假设时间效应、Adstock 和回报递减形参相同通常会更合理。对于地理位置级模型，可通过按人口比例缩放 KPI 和媒体单位数来实现这一点。对于其他变量，我们不太清楚应使用什么缩放变量来代替人口，也不清楚应将其应用于 KPI、媒体单位数还是两者都应用。
• 稳定单位处理值假设 (SUTVA) 要求一个单位的处理（广告）曝光不会影响任何其他单位。对于地理位置处理单位，此假设通常是合理的（尽管永远无法完全满足）。对于非地理位置类别，媒体效应的跨类别干扰可能更为严重。

如果您考虑使用非地理位置分层变量，请注意以下事项。

• 控制变量在不同类别中可以取相同的值，只要控制变量在每个类别中都有变化即可。不过，如果使用完整或接近完整的结来对时间效应进行建模，可能会出现收敛问题。
• 考虑在 ModelSpec 中设置 unique_sigma_for_each_geo=True，因为非地理位置类别的残差方差可能并不相同。
• 由于地理位置层次化模型是最常见的应用场景，因此 Meridian 的命名惯例将分层变量标记为“geo”。如果您使用的是 CSV 数据加载器，请务必在 load.CoordToColumns 中将分层变量标记为“geo”列。
• Meridian 需要“人口”变量。如果分层变量不是地理位置，则可以为所有类别级别将此值设置为 1，但按其他因素进行缩放可能更有意义。Meridian 会自动按人口比例缩放 KPI 和媒体单位数。如果您不希望对某个变量进行缩放，则必须将输入数据列乘以人口，以便在按人口比例缩放后，该变量仍采用原始值。

能否根据设定的出价目标值来衡量出价策略的投资回报率？

Google 的 MMM 数据 Feed 按广告系列提供出价策略类型（例如“尽可能提高转化次数”出价策略和“目标广告支出回报率”出价策略），但该 Feed 不包含出价目标值本身。若要查看这一特定维度，广告客户可以直接从 Google Ads 获取出价策略报告，也可以在其 Google 客户代表的帮助下量身定制数据解决方案。

Meridian 是否可用于预测？

Meridian 可用于未来方案规划，包括优化预算和根据假设的未来预算方案估计增量结果。Meridian 专为因果推理而设计，而非预测。因此，Meridian 无法用于预测未来的原始结果。如需了解详情，请参阅 Meridian 为什么不预测结果。