Preguntas frecuentes

¿La biblioteca es gratuita?

Sí, la biblioteca es de uso gratuito y de código abierto en GitHub para que la pueda usar cualquier persona.

¿Debemos compartir nuestros datos con Google para usar la biblioteca?

Google no tendrá acceso a tus datos de entrada, tu modelo ni tus resultados (a excepción de los datos de medios de Google que se proporcionen a través de nuestra MMM Data Platform). Si solicitas datos de MMM Data Platform de Google, esos serán los únicos datos a los que Google tendrá acceso. Sin embargo, Google no sabrá si realmente incluyes esos datos en tu modelo. Los datos reales de entrada y de salida de tu modelo son completamente privados, a menos que decidas compartirlos con los representantes de Google.

¿Qué es Meridian GeoX y en qué se diferencia de Meridian?

Meridian GeoX es nuestra nueva solución de incrementalidad de código abierto y basada en la ubicación geográfica que une la experimentación y el MMM. Ejecuta Meridian GeoX para calibrar tu modelo de Meridian o como un experimento basado en ubicaciones geográficas independiente para medir el impacto verdadero y causal de tu rendimiento de marketing.

¿Por qué es importante ejecutar experimentos de GeoX para los usuarios de Marketing Mix Modeling (MMM)?

Los métodos de inferencia causal observacional, como el MMM, se basan en suposiciones para estimar el verdadero impacto incremental de canales específicos. Meridian GeoX aborda este problema proporcionando distribuciones a priori causales basadas en experimentos. Ofrece funciones para varios publicadores, lo que garantiza una integración perfecta que calibra con mayor precisión los resultados de tus mediciones.

Como usuario actual de LightweightMMM, ¿es necesario que tome alguna medida adicional para complementar el ingreso de datos en Meridian?

Para aprovechar al máximo las últimas innovaciones de Meridian, deberás agregar más dimensiones de datos, como las siguientes:

• Alcance y frecuencia
• Experimentos
• Volumen de búsquedas de Google (GQV)

Aun así, podrás ejecutar Meridian sin esas dimensiones, pero no disfrutarás de las últimas innovaciones. Para obtener más información, consulta Migración desde LightweightMMM.

¿Puedo recopilar todos los tipos de datos de forma simultánea (rendimiento, alcance y frecuencia de YouTube, y volumen de búsquedas de Google) en la interfaz de MMM Data Platform?

Los datos de rendimiento y los de alcance y frecuencia de YouTube se deben solicitar por separado. El flujo de trabajo de solicitud se detalla en la guía del usuario que se incluye en el correo electrónico de acceso a MMM Data Platform.

¿Cuál es el alcance de los datos de GQV que puedo solicitar?

Para el volumen de búsquedas de Google, los datos de salida incluyen lo siguiente:

• QueryLabel (ya sea de marca o genérica)
• ReportDate
• TimeGranularity (puedes solicitar datos del tipo Daily, Weekly_Sunday o Weekly_Monday)
• GeoCriteriaId
• GeoName
• GeoType
• IndexedQueryVolume (todos los datos sobre el volumen de búsquedas están indexados y no se proporcionan cantidades sin procesar al respecto)

¿Puedo aplicar la metodología de GQV a los datos de búsqueda que no son de Google?

El volumen de búsquedas orgánicas de motores de búsqueda ajenos a Google no suele estar disponible. Puedes consultar algunas alternativas en Acerca del volumen de búsquedas como una variable de confusión para los anuncios de búsqueda.

¿Por qué debería obtener mis datos de GQV de MMM Data Platform?

El informe del GQV de MMM Data Platform se creó específicamente para el MMM y proporciona la vista más integral del rendimiento del GQV con el nivel de detalle adecuado para tu modelo. MMM Data Platform utiliza un valor de índice coherente para cada par anunciante-país, por lo que puedes actualizar fácilmente los datos de GQV en cada instancia de actualización del modelo y comparar con precisión el rendimiento a lo largo del tiempo. Dado que tus solicitudes de datos de GQV y de rendimiento están vinculadas en una sola plataforma, podemos garantizar que las palabras clave de marca se asocien de forma coherente con la marca que se incluye en tu solicitud de datos de MMM.

Los datos de búsqueda de otras fuentes se pueden usar como una variable de confusión en Meridian, pero es posible que haya limitaciones para el caso de uso del MMM. Por ejemplo, Google Trends normaliza los datos de búsqueda, agrega las búsquedas por tema y presenta una muestra de ellas en los informes. Si bien esto es ideal para generar estadísticas sobre las tendencias rápidamente, te recomendamos que obtengas el GQV de MMM Data Platform para Meridian. De esta forma, podrás asegurarte de que los datos sean específicos de la marca, tengan coherencia y se proporcionen con el nivel de detalle adecuado para tu modelo.

Para una estrategia de medios determinada, ¿cómo puedo establecer diferentes distribuciones a priori asociadas a distintos períodos?

Lo más similar a esto sería el argumento roi_calibration_period. Según la sección 3.4 del informe sobre la calibración del MMM, te recomendamos calcular un ROI promedio ponderado según la inversión de los experimentos y pasar roi_calibration_period para que coincida con los cuatro trimestres de los experimentos. Si los experimentos tienen errores estándar muy distintos, es posible que quieras asignarles una ponderación adicional en función de esos errores. Para obtener más información, consulta Cómo establecer el período de calibración del ROI.

¿Puedo establecer una distribución a priori temporal para los valores de nudos?

Meridian no admite las distribuciones a priori que varían con el tiempo para los valores de nudos.

¿Cómo permite Meridian los efectos de los medios que varían con el tiempo?

Meridian permite modelar los efectos de los medios que varían con el tiempo a través de la partición de datos. Se deben dividir manualmente los datos del canal en períodos distintos y modelarlos como canales separados. Por ejemplo, si sospechas que un canal tuvo un rendimiento diferente en 2024 que en 2025, podrías crear dos canales nuevos en tu conjunto de datos: uno que contenga solo los datos del 2024 y otro con los datos del 2025.

Te recomendamos que no crees demasiados desgloses temporales, ya que esto puede provocar un aumento rápido en la cantidad de canales. Demasiados canales aumentan la cantidad de parámetros que Meridian necesita estimar, lo que dificulta que el modelo distinga la señal del ruido con datos limitados (consulta Cantidad de datos necesarios para obtener más información). En el caso extremo, demasiados canales pueden generar problemas de identificabilidad y convergencia del modelo.

¿Cómo puedo obtener información detallada sobre la descomposición de la regresión, por ejemplo, DataFrames para las extracciones de una distribución a posteriori?

Las muestras de una distribución a posteriori se encuentran en el objeto inference_data, y puedes convertir este array en cualquier DataFrame que necesites. Para acceder a las muestras de datos con una docstring, consulta meridian.model.model.Meridian.

¿Puedo medir las sinergias entre los canales en Meridian?

Meridian no admite este tipo de análisis.

¿Es posible obtener un informe temporal del ROI con Meridian?

Puedes usar la opción selected_times en Analyzer().roi() para elegir los períodos de interés.

Importante: Al hacer un seguimiento del ROI a lo largo del tiempo, ten en cuenta que, aunque los coeficientes del modelo no varíen según el período, el ROI sí puede hacerlo porque depende de factores adicionales que podrían cambiar con el tiempo. Por ejemplo, las curvas de Hill modelan los retornos no lineales decrecientes que se relacionan con la ejecución de los medios. Por lo tanto, el grado de ejecución de los medios en un momento determinado puede afectar el ROI. Además, la asignación de medios puede variar según la ubicación geográfica y a lo largo del tiempo, y dar lugar a diferentes niveles de efectividad. Asimismo, los costos de ejecución de medios pueden variar con el tiempo.

¿Se puede usar la estructura de modelo jerárquico de Meridian para una variable categórica que no sea la ubicación geográfica?

La estructura de modelado jerárquico de Meridian se diseñó para el modelado a nivel geográfico, que tiene ventajas importantes. Si bien es posible usar otra variable categórica en lugar de la ubicación geográfica como variable jerárquica, esto no suele recomendarse. Si se prevé usar otra variable jerárquica, debe ser posible estratificar tanto el KPI como las unidades de medios según esta variable.

Estos son algunos ejemplos de variables jerárquicas que no suelen funcionar:

• Producto (con efectos halo). Si crees que un canal de publicidad puede afectar el KPI de varios productos, no debes usar "producto" como una variable jerárquica. Un canal puede afectar varios productos si se segmenta para toda la marca como unidad, en lugar de para un producto específico. Una campaña publicitaria específica de un producto también puede afectar el KPI de otros productos debido a lo que se conoce como "efecto halo".
• Canal de ventas (por ejemplo, en línea frente a minorista): Las unidades de medios no suelen ser específicas de un solo canal de ventas.
• Campaña publicitaria: Si bien las unidades de medios a menudo se pueden estratificar por campaña, no es posible estratificar el KPI por campaña.

Incluso si tanto el KPI como las unidades de medios pudieran estratificarse según una variable no geográfica, es importante tener en cuenta si se aplican los siguientes supuestos del modelo jerárquico.

• El modelo jerárquico agrupa parcialmente la información de todas las categorías para estimar los coeficientes del modelo para las variables de tratamiento y de control. Se supone que otros parámetros del modelo, como el efecto temporal (tendencia y estacionalidad), Adstock y los retornos decrecientes, son comunes a todas las categorías (agrupación completa). Estas suposiciones suelen ser razonables en el caso de la jerarquía geográfica, ya que el KPI y las unidades de medios tienen, en esencia, la misma interpretación en todas las ubicaciones geográficas.
• El supuesto de parámetros comunes para el efecto temporal, Adstock y los retornos decrecientes suele tener más sentido cuando tanto el KPI como las unidades de medios se encuentran aproximadamente en la misma escala para cada categoría. En el caso de los modelos geográficos, esto se logra ajustando el KPI y las unidades de medios en función de la población. En el caso de otras variables, no está tan claro qué variable de ajuste usar en lugar de la población ni si se debe aplicar al KPI, a las unidades de medios o a ambos.
• El supuesto de valor de tratamiento unitario estable (SUTVA) requiere que la exposición al tratamiento (publicidad) en una unidad no afecte a ninguna otra unidad. Este supuesto suele resultar razonable para las unidades de tratamiento geográficas (aunque nunca se cumple a la perfección). En el caso de las categorías no geográficas, es posible que haya más contaminación entre categorías de los efectos de los medios.

Si tienes previsto usar una variable jerárquica no geográfica, ten en cuenta las siguientes consideraciones.

• Una variable de control puede presentar los mismos valores en todas las categorías, siempre y cuando tenga variación dentro de cada categoría. Sin embargo, pueden surgir problemas de convergencia si se usan nudos completos o casi completos para modelar los efectos temporales.
• Considera establecer unique_sigma_for_each_geo=True en ModelSpec, ya que la varianza residual puede no ser la misma en todas las categorías no geográficas.
• Dado que el modelado jerárquico geográfico es el caso de uso más común, la convención de nomenclatura de Meridian etiqueta la variable jerárquica como "geo". Si usas el cargador de datos CSV, asegúrate de etiquetar tu variable jerárquica como la columna "geo" en load.CoordToColumns.
• Meridian requiere una variable de población. Esta puede establecerse en uno para todos los niveles de categoría si la variable jerárquica no es geográfica, aunque podría tener sentido realizar el escalamiento en función de otro factor. Meridian ajusta automáticamente el KPI y las unidades de medios según la población. Si deseas que una variable NO se escale, debes multiplicar la columna de datos de entrada por la población, de forma tal que use el valor original después del escalamiento por población.

Si uso un subconjunto de nodos previamente seleccionados como nodos obligatorios, ¿AKS producirá resultados idénticos?

No necesariamente. La Selección Automática de Nodos es un algoritmo iterativo que usa un solucionador de regresión penalizada. Proporcionar required_knots influye en las ponderaciones de penalización y en las condiciones iniciales del primer paso del algoritmo. Debido a esta diferencia en las condiciones iniciales, la ruta de optimización que sigue el solucionador puede divergir, lo que puede dar lugar a otro conjunto final de nodos seleccionados.

Sin embargo, esto no debería ser motivo de preocupación. Ambos conjuntos de nodos seleccionados son representaciones válidas y basadas en datos de la tendencia subyacente. El algoritmo encuentra una solución óptima alternativa que también es válida dadas las restricciones.

¿Puedo medir el ROI de las estrategias de ofertas en función de los objetivos de ofertas establecidos?

El feed de datos de MMM de Google proporciona el tipo de estrategia de ofertas (como Maximizar conversiones y ROAS objetivo) por campaña, pero no incluye el objetivo de oferta. Para consultar esta dimensión específica, los anunciantes pueden obtener informes de estrategias de ofertas directamente desde Google Ads o trabajar con su representante de cuenta de Google para crear una solución de datos personalizada.

¿Se puede usar Meridian para hacer previsiones?

Meridian se puede usar para la planificación de situaciones futuras, lo que incluye la optimización del presupuesto y la estimación de los resultados incrementales en situaciones hipotéticas futuras relacionadas con el presupuesto. Meridian está diseñado para la inferencia causal, no para la predicción. Por lo tanto, no se puede usar Meridian para hacer una previsión de resultados futuros sin procesar. Para obtener más detalles, consulta Por qué Meridian no hace previsiones de resultados.