Únete a la comunidad recientemente lanzada de
Discord para participar en debates en tiempo real, obtener asistencia de otros miembros y comunicarte directamente con el equipo de Meridian.
Cómo migrar desde LightweightMMM
Organiza tus páginas con colecciones
Guarda y categoriza el contenido según tus preferencias.
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_m
que 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_c
especifica 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.
Salvo que se indique lo contrario, el contenido de esta página está sujeto a la licencia Atribución 4.0 de Creative Commons, y los ejemplos de código están sujetos a la licencia Apache 2.0. Para obtener más información, consulta las políticas del sitio de Google Developers. Java es una marca registrada de Oracle o sus afiliados.
Última actualización: 2025-08-04 (UTC)
[[["Fácil de comprender","easyToUnderstand","thumb-up"],["Resolvió mi problema","solvedMyProblem","thumb-up"],["Otro","otherUp","thumb-up"]],[["Falta la información que necesito","missingTheInformationINeed","thumb-down"],["Muy complicado o demasiados pasos","tooComplicatedTooManySteps","thumb-down"],["Desactualizado","outOfDate","thumb-down"],["Problema de traducción","translationIssue","thumb-down"],["Problema con las muestras o los códigos","samplesCodeIssue","thumb-down"],["Otro","otherDown","thumb-down"]],["Última actualización: 2025-08-04 (UTC)"],[[["\u003cp\u003eMeridian is the updated version of Google's LightweightMMM, representing the evolution of their Bayesian MMM research.\u003c/p\u003e\n"],["\u003cp\u003eKey features of Meridian include reach and frequency modeling, effective handling of paid search, and experiment calibration.\u003c/p\u003e\n"],["\u003cp\u003eMigrating to Meridian involves installing it and importing data using the same process as a new user, as detailed in the installation guide.\u003c/p\u003e\n"],["\u003cp\u003eMeridian utilizes Tensorflow Probability as its Bayesian library, while LightweightMMM uses Numpyro, although the input data for both models remains the same.\u003c/p\u003e\n"],["\u003cp\u003eMeridian offers improved features like a ROI formulation, incorporating GQV confounders, and automatic scaling of inputs, along with a more complex model architecture compared to LightweightMMM.\u003c/p\u003e\n"]]],[],null,["# Migrate from LightweightMMM\n\nMeridian is the official evolution of the Google MMM approach. It is the\nupdated version of LightweightMMM. Both versions are based on Google's Bayesian\nMMM research since 2017.\n\nThe key features of Meridian are reach and frequency modeling, handling\npaid search effectively, and experiment calibration.\n\nHow to migrate to Meridian\n--------------------------\n\nTo migrate from LightweightMMM to Meridian, you install Meridian\nand import your data using the same process as any new user to Meridian.\nFor more information, see [Install\nMeridian](/meridian/docs/user-guide/installing).\n\nFeature comparison\n------------------\n\nThe input data for both models is the same.\n\nThe following chart gives an overview of the key feature differences between the\nprojects:\n\n| Feature | LightweightMMM | Meridian |\n|---------------------------------------|------------------------------------------------------------|------------------------------|\n| Language | Python | Python |\n| Bayesian library | Numpyro | Tensorflow Probability |\n| Experiment calibration | Possible but manual | Yes |\n| Reach and frequency modeling | No | Yes |\n| Optimizer | Yes | Yes |\n| ROI formulation of the model | No | Yes |\n| Incorporating GQV confounder | Possible but manual | Yes |\n| National- and geo-level models | Yes | Yes, national plus more geos |\n| Trend and seasonality | Straight line + sinusoidal repeating shape (daily, weekly) | Knots |\n| Custom priors | Yes | Yes |\n| Lagging and saturation transformation | Yes | Yes |\n| Scaling of inputs | Manual | Automatic |\n\nDifferences in the model specifications\n---------------------------------------\n\nLightweightMMM offers three different model architectures: Adstock,\nHill-Adstock, and Carryover. Meridian uses a variation of the\nHill-Adstock architecture, and does not allow other architectures. You can\nchoose the order in which the Hill- and Adstock-transformations are applied for\nthe Meridian baseline model. The Meridian reach and frequency\nmodel has a fixed Hill-Adstock order: Hill first, and then Adstock.\n\nOther differences between Meridian and LightweightMMM include:\n\n- Media channels are hierarchical across geos in both projects. However, in\n LightweightMMM, the geo hierarchy doesn't add additional free parameters.\n Instead, one media coefficient is used to specify both the hyper-prior and\n the individual geo-level media channel priors in LightweightMMM.\n Meridian has an additional parameter `eta_m` that specifies the\n standard deviation of the media coefficient across geos. Meridian\n also allows the hierarchical variation to be either normal or log-normal in\n shape.\n\n- The non-media features, called *control variables* in Meridian, are\n also hierarchical in Meridian, whereas they are non-hierarchical\n across geos in LightweightMMM. The Meridian model parameter `xi_c`\n specifies the standard deviation of this geo hierarchy.\n\n- Meridian lets you specify media priors either in terms of beta (the\n same as LightweightMMM) or in terms of ROI.\n\n- The baseline is expressed differently in Meridian, compared to\n LightweightMMM. With Meridian, users can specify both geo-level and\n time-level fixed effects, and the baseline is the sum of both fixed effects.\n\nExpected differences in the MCMC sampling time\n----------------------------------------------\n\nDue to more model parameters and model complexity in Meridian, MCMC\nsampling in Meridian is expected to take longer than in LightweightMMM.\nHowever, because the models are relatively similar, Meridian is not\nexpected to take much longer than LightweightMMM. Precise estimates on how much\nlonger depends on the compute environment, number of geos, model tuning\nparameters, priors, data, and other factors. Although Meridian's model\ncomplexity likely leads to longer MCMC sampling time, more accurate results are\nexpected."]]