Dans cette section, nous vous expliquons comment collecter des données historiques sur différentes variables marketing et non marketing, telles que les dépenses publicitaires, les prix, les revenus ou les métriques de performance.
Spécification des ensembles de données
Sauf indication contraire, les types de données suivants sont obligatoires :
| Type de données | Description |
|---|---|
| Données média | Contient la métrique d'exposition par canal, par zone géographique et par période. Les métriques possibles incluent, sans s'y limiter, les dépenses, les impressions et les clics. L'essentiel est qu'il s'agit d'unités pouvant faire l'objet d'une intervention. Autrement dit, elles représentent des efforts au niveau des médias que l'on peut raisonnablement contrôler. Toutes les valeurs média doivent être positives. Il doit s'agir d'une métrique cumulable. |
| Dépenses média | Contient les dépenses média par canal et par période. Les données et dépenses média doivent avoir les mêmes dimensions. |
| Variables de contrôle | Contient les variables de contrôle utilisées dans le modèle. La sélection de variables de contrôle est importante pour estimer l'effet causal d'un MMM. Consultez Diagramme causal. |
| KPI | Le KPI cible est la variable de réponse du modèle. Par exemple, le montant des revenus ou le nombre d'installations d'une application. Il doit s'agir d'une métrique cumulable. |
| Revenus par KPI (facultatif) | Contient les revenus moyens d'un KPI. En l'absence de revenus précis par KPI, il est fortement recommandé d'utiliser une valeur approximative rationnelle. Si ces informations ne sont pas disponibles, consultez Lorsque le KPI ne concerne pas les revenus. Notez que le champ "Revenus par KPI" n'est pas obligatoire si les revenus sont votre KPI. |
| Population géographique (facultatif) | Contient la population pour chaque zone géographique. La population géographique (par exemple, la population des foyers avec télévision de Nielsen DMA) est utilisée pour mettre à l'échelle la métrique média afin de placer toutes les zones géographiques sur une échelle comparable. Pour en savoir plus sur la mise à l'échelle média, consultez Données d'entrée. |
Meridian offre la possibilité de modéliser l'effet de n'importe quel canal média en fonction des données de couverture et de fréquence. Consultez Couverture et fréquence.
| Type de données | Description |
|---|---|
| Couverture | Les données de couverture correspondent au nombre d'utilisateurs uniques exposés à l'annonce du canal au cours de chaque période. |
| Fréquence | La fréquence correspond au nombre moyen de fois qu'une personne est exposée à une publicité au cours de cette période. Elle correspond au nombre total d'impressions divisé par la couverture pour chaque période. |
Meridian offre également la possibilité d'inclure des traitements média naturel et non média. Pour en savoir plus, consultez Variables média naturel et non média.
| Type de données | Description |
|---|---|
| Média naturel | Les variables média naturel sont des activités média sans coût direct. Cela peut inclure, sans s'y limiter, les impressions provenant de newsletters, d'articles de blog, d'activités sur les réseaux sociaux ou de campagnes par e-mail. |
| Traitements non média | Les variables non média sont des activités marketing qui ne sont pas directement liées au média, comme une promotion, le prix d'un produit et un changement dans l'emballage ou le design d'un produit. |
Exemple : à quoi ressemble un ensemble de données MMM
Meridian s'attend généralement à ce que vos données marketing soient regroupées dans un format unique et cohérent, avec vos données média agrégées par période (par exemple, par semaine) et, idéalement, par zone géographique. Consultez notre notebook de démarrage pour découvrir à quoi ressemble un exemple d'ensemble de données pour un modèle au niveau géographique standard.
Exemples sur GitHub
Vous trouverez d'autres exemples d'ensembles de données sur GitHub.
KPI
Le KPI est la variable \(y\) à gauche de la spécification du modèle. Il peut s'agir des revenus ou d'un autre KPI non lié aux revenus, comme les conversions. Meridian exige que le KPI soit cumulable pour la zone géographique et la période. Par exemple, les unités vendues, les revenus ou le nombre total de conversions sont des métriques cumulables. Pour les métriques non cumulables, comme le taux de clics (CTR), vous devez modéliser les clics cumulables à la place.
Certains modélisateurs préfèrent utiliser un KPI autre que les revenus comme variable de réponse, même si les revenus sont finalement le KPI. Meridian vous permet de convertir les unités de KPI en revenus en fournissant des données sur les revenus par KPI pour chaque unité géographique et période. Pour en savoir plus, consultez Lorsque le KPI ne concerne pas les revenus.
Variables média, média naturel, de traitement non média et de contrôle
Les variables média, média naturel, de traitement non média et de contrôle doivent disposer de données de séries temporelles.
Variables média : pour chaque média payant, l'ensemble de données doit inclure les dépenses pour chaque canal média, qui servent de dénominateur pour calculer le ROI. Meridian exige que les médias payants (à l'exception des canaux de couverture et fréquence) soient cumulables pour la zone géographique et la période.
En outre, chaque média payant doit inclure un des éléments suivants en vue de la modélisation :
- Une seule métrique d'exposition média, comme les impressions, les clics ou les dépenses
- Couverture et fréquence
Variables média naturel : un média naturel n'a aucune dépense associée et peut être exclu de l'entrée des dépenses média. Comme pour les variables média, Meridian exige que les variables média naturel (à l'exception des canaux de couverture et de fréquence) soient cumulables pour la zone géographique et la période. En outre, chaque média naturel doit inclure un des éléments suivants en vue de la modélisation :
- Une seule métrique d'exposition média, comme les impressions ou les clics
- Couverture et fréquence
Traitements non média : les variables non média sont des activités marketing qui ne sont pas directement liées au média et qui ne sont associées à aucun coût marketing direct. Elles diffèrent des variables de contrôle, car elles sont considérées comme des variables d'intervention et sont donc des variables de traitement dans le modèle causal. Pour en savoir plus sur la modélisation avec des traitements non média, consultez Traitements non média.
Variables de contrôle : les variables de contrôle permettent de contrôler les facteurs de confusion. Concentrez-vous sur la collecte de variables ayant un effet causal à la fois sur le KPI cible et sur la métrique ou l'exécution média. Étant donné qu'il est difficile de dresser une liste complète des variables affectant les KPI, il est peut-être plus pratique de se concentrer sur les variables qui influent sur le budget média et les décisions de planification. Vous pouvez commencer par demander à votre planificateur marketing quelles informations ont pu jouer un rôle, consciemment ou inconsciemment, dans sa prise de décision. Pour en savoir plus sur la modélisation avec des variables de contrôle, consultez Variables de contrôle.
Les variables de contrôle incluent, par exemple, les promotions, la concurrence sur le marché et le volume de requêtes Google. Pour en savoir plus sur le volume de requêtes Google, consultez Comprendre le volume de requêtes comme un facteur de confusion pour les annonces sur le Réseau de Recherche.
Variables liées à la saisonnalité : les variables liées à la saisonnalité, telles que les variables indicatrices de jours fériés, sont généralement intégrées en tant que variables de contrôle dans la spécification du modèle. Toutefois, Meridian est équipé d'une fonctionnalité automatique d'ajustement de la saisonnalité et des tendances qui est implémentée via la spécification du modèle d'interception à variation temporelle. Par conséquent, il n'est pas nécessaire d'inclure des variables de saisonnalité distinctes.
Vous pouvez également désactiver l'ajustement automatique de la saisonnalité et inclure vos propres variables de saisonnalité.
Collecte des données
Pour chacune des variables, vous devez déterminer le type de données à collecter. Les plans média ou marketing peuvent être utilisés pour déterminer les variables appropriées à collecter. Vous pouvez ensuite collecter l'exposition média des canaux Google, y compris des métriques telles que les clics et les impressions, à l'aide de MMM Data Platform. De plus, MMM Data Platform propose également des données sur la couverture et la fréquence spécifiques à YouTube. Pour en savoir plus, consultez Utiliser MMM Data Platform.
Scénario : Je suis un développeur MMM et je souhaite télécharger des données Google Ads pour le développement MMM.
Solution : Utilisez la MMM Data Platform. Bien que de nombreux annonceurs s'appuient sur l'API Google Ads pour extraire des données, ce n'est pas idéal pour le développement de la MMM.
La collecte des données sur le volume de requêtes Google est facultative, mais l'omission de ces données peut biaiser les estimations de votre modèle. Toutefois, vous pouvez exécuter Meridian sans données sur le volume de requêtes Google.
Assurez-vous que vos données sont au bon format pour exécuter le modèle. Pour en savoir plus sur le format, consultez les exemples de données dans Types et formats de données acceptés.
Imputation de données
Lorsque vous préparez votre ensemble de données, vous pouvez rencontrer des valeurs manquantes ou nulles. Pour fonctionner correctement, Meridian nécessite un ensemble de données complet, sans valeurs manquantes. Vous devez gérer les éventuelles lacunes dans vos données par imputation ou en les remplaçant par zéro avant d'exécuter le modèle.
En général, faites preuve de bon sens lorsque vous traitez des données manquantes dans un ensemble de données MMM.
- Variables média : si des données sont manquantes parce qu'un canal spécifique était inactif pendant une période ou dans une zone géographique donnée, remplacez ces valeurs manquantes par
0. - KPI et variables de contrôle : si des données sont manquantes pour votre métrique cible ou vos variables de contrôle, évitez de les remplacer par
0, car cela fausserait les estimations de votre modèle. Utilisez plutôt des techniques d'imputation de données standards pour estimer les périodes manquantes. Les approches courantes incluent le report de la dernière valeur (forward-filling) ou de la valeur suivante (backward-filling) pour remplacer les données manquantes, l'interpolation linéaire ou l'utilisation de la moyenne historique pour cette période ou zone géographique spécifique. - Médias au niveau national dans un modèle au niveau géographique : si certains canaux média ne sont disponibles qu'au niveau national, nous vous recommandons de les imputer au niveau géographique. Pour en savoir plus et découvrir les méthodes d'imputation recommandées, consultez Médias au niveau national dans un modèle au niveau géographique.
Exemples d'imputation de données
Exemple 1 : Imputer les données média manquantes (remplacement par zéro)
Si un canal marketing spécifique a été mis en veille ou inactif pendant une semaine, il se peut les données brutes contiennent des valeurs nulles (NaN). Comme il s'agit d'une variable média, vous devez remplacer les données manquantes par 0 pour refléter une exposition ou des dépenses nulles.
Avant l'imputation (données brutes) :
| Date (période) | Zone géographique | Dépenses TV | Impressions TV | ... |
|---|---|---|---|---|
| 2021-03-01 | New York | 5 000 $ | 450 000 | ... |
| 2021-03-08 | New York | NaN | NaN | ... |
| 2021-03-15 | New York | 4 800 $ | 420 000 | ... |
| ... | ... | ... | ... | ... |
Après imputation (prêt pour Meridian) :
| Date (période) | Zone géographique | Dépenses TV | Impressions TV | ... |
|---|---|---|---|---|
| 2021-03-01 | New York | 5 000 $ | 450 000 | ... |
| 2021-03-08 | New York | 0 $ | 0 | ... |
| 2021-03-15 | New York | 4 800 $ | 420 000 | ... |
| ... | ... | ... | ... | ... |
Exemple 2 : Imputer les variables de contrôle manquantes (interpolation)
Si une variable de contrôle, comme l'indice des ventes des concurrents, est manquante pour une semaine spécifique, la remplacer par 0 fausserait artificiellement la référence. Utilisez plutôt une méthode d'imputation, comme l'interpolation linéaire, pour combler l'écart entre les valeurs connues.
Avant l'imputation (données brutes) :
| Date (période) | Zone géographique | Ventes des concurrents | ... |
|---|---|---|---|
| 2021-03-01 | Portland | 10,5 | ... |
| 2021-03-08 | Portland | NaN | ... |
| 2021-03-15 | Portland | 11,5 | ... |
| ... | ... | ... | ... |
Après imputation (prêt pour Meridian) :
| Date (période) | Zone géographique | Ventes des concurrents | ... |
|---|---|---|---|
| 2021-03-01 | Portland | 10,5 | ... |
| 2021-03-08 | Portland | 11,0 | ... |
| 2021-03-15 | Portland | 11,5 | ... |
| ... | ... | ... | ... |
Précision
En règle générale, une précision accrue des données fournit des informations plus justes et peut aider à identifier des résultats exploitables. Considérez la précision des données selon les aspects suivants.
Précision géographique
Bonne pratique : collectez les données au niveau des zones géographiques. Ce niveau de précision vous permet de tenir compte des nuances au niveau géographique et d'utiliser le framework bayésien hiérarchique de Meridian pour obtenir des intervalles crédibles plus réduits pour des estimations telles que le ROI. Notez que certaines zones géographiques peuvent présenter un faible volume d'observations. Par conséquent, il est conseillé d'exclure ces zones géographiques de l'ensemble de données avant l'ajustement du modèle afin de contribuer à assurer une estimation fiable du modèle. Pour en savoir plus, consultez Sélection de zones géographiques et données au niveau national.
Alternative acceptable : si les données au niveau des zones géographiques ne sont pas disponibles, vous pouvez utiliser des données nationales. Toutefois, vérifiez que vos données nationales contiennent un nombre suffisant de points de données pour chaque effet que vous essayez de mesurer. Pour en savoir plus, consultez Quantité de données requise.
Exemple de précision au niveau géographique (recommandé)
| Date (période) | Zone géographique | Conversions (KPI) | Dépenses TV | Dépenses médias sur les différents canaux | ... |
|---|---|---|---|---|---|
| 2021-01-04 | New York | 15 400 | 12 000 $ | 4 500 $ | ... |
| 2021-01-04 | Chicago | 9 850 | 8 500 $ | 3 200 $ | ... |
| 2021-01-04 | Los Angeles | 14 200 | 11 000 $ | 4 100 $ | ... |
| 2021-01-11 | New York | 16 100 | 12 500 $ | 4 800 $ | ... |
| ... | ... | ... | ... | ... | ... |
Exemple de précision au niveau national
| Date (période) | Conversions (KPI) | Dépenses TV | Dépenses médias sur les différents canaux | ... |
|---|---|---|---|---|
| 2021-01-04 | 39 450 | 31 500 $ | 11 800 $ | ... |
| 2021-01-11 | 41 200 | 33 000 $ | 12 400 $ | ... |
| ... | ... | ... | ... | ... |
Précision temporelle
Bonne pratique : collectez les données au niveau hebdomadaire. Les données hebdomadaires présentent un équilibre avantageux entre le degré de variation et l'ampleur du bruit, en particulier par rapport aux données quotidiennes ou mensuelles.
Alternative acceptable : en l'absence de données hebdomadaires, vous pouvez tester des données quotidiennes ou mensuelles. Toutefois, lorsque vous utilisez des données quotidiennes, le modèle peut avoir une durée d'exécution prolongée. De plus, avec des données mensuelles, les estimations du modèle peuvent présenter une non-convergence ou de larges intervalles crédibles.
Exemple de précision au niveau hebdomadaire
Dans cet exemple, la colonne Date progresse strictement par incréments de sept jours (hebdomadaires).
| Date (période) | Zone géographique | Conversions (KPI) | Dépenses TV | Dépenses médias sur les différents canaux | ... |
|---|---|---|---|---|---|
| 2021-01-04 | New York | 15 400 | 12 000 $ | 4 500 $ | ... |
| 2021-01-11 | New York | 16 100 | 12 500 $ | 4 800 $ | ... |
| 2021-01-18 | New York | 14 900 | 11 800 $ | 4 200 $ | ... |
| 2021-01-25 | New York | 17 050 | 13 000 $ | 5 100 $ | ... |
| ... | ... | ... | ... | ... | ... |
Précision média
Lorsque vous déterminez le nombre de canaux média à inclure, assurez-vous que votre ensemble de données conserve un ratio suffisant de points de données par rapport aux paramètres du modèle. Évaluez votre ratio données/paramètres pour vérifier que vous disposez de suffisamment de données. Pour obtenir des conseils plus spécifiques sur la quantité de données requise, consultez Quantité de données requise.
Pour les canaux média associés à de faibles dépenses média, il est conseillé de les combiner avec d'autres canaux afin d'éviter les problèmes lors de l'estimation du ROI. Pour en savoir plus, consultez Canaux avec des dépenses faibles.
Ancienneté des données
En règle générale, les données historiques doivent correspondre à au moins deux ans de données hebdomadaires pour les modèles au niveau géographique et à trois ans de données pour les modèles au niveau national. Si seules des données mensuelles sont disponibles, nous vous recommandons d'utiliser des données portant sur une période minimale de trois ans. Il est important que le modèle dispose de suffisamment de points de données pour fournir des calculs précis. Cependant, la détermination de la quantité de données peut être plus complexe et dépend en fin de compte de la nature de vos données. Pour obtenir des conseils plus spécifiques sur la quantité de données requise, consultez Quantité de données requise.
Une fois que vous avez collecté vos données, effectuez une analyse exploratoire des données pour vous assurer qu'elles sont exactes et complètes.
Exemple de données historiques suffisantes
Dans cet exemple, l'ensemble de données commence en janvier 2021 et s'étend en continu jusqu'en décembre 2022, ce qui fournit plus de 104 semaines par zone géographique.
| Date (période) | Zone géographique | Conversions (KPI) | Dépenses TV | Dépenses médias sur les différents canaux | ... |
|---|---|---|---|---|---|
| 2021-01-04 | New York | 15 400 | 12 000 $ | 4 500 $ | ... |
| 2021-01-11 | New York | 16 100 | 12 500 $ | 4 800 $ | ... |
| ... | ... | ... | ... | ... | ... |
| 2022-12-19 | New York | 22 300 | 15 000 $ | 7 200 $ | ... |
| 2022-12-26 | New York | 24 100 | 14 500 $ | 6 800 $ | ... |
Annexe
Cette annexe fournit un contexte technique supplémentaire, des concepts de base et des consignes supplémentaires pour vous aider à préparer votre ensemble de données pour Meridian.
Comprendre les métriques cumulables
Meridian exige que vos KPI et vos métriques média (à l'exception des canaux avec couverture et fréquence) soient cumulables pour la zone géographique et la période. Cela signifie que si vous additionnez les lignes de votre ensemble de données, le résultat mathématique doit être logique.
Exemples concrets :
- Cumulable (à utiliser) : volumes bruts tels que le nombre total de clics, le nombre total d'impressions, les dépenses totales ou le nombre total d'unités vendues.
- Exemple : Si votre ensemble de données indique 100 clics la semaine 1 et 50 clics la semaine 2, le total de clics est de 150.
- Non cumulable (ne pas utiliser) : moyennes, taux ou pourcentages tels que le taux de clics (CTR), le coût par clic (CPC) ou le retour sur les dépenses publicitaires (ROAS).
- Exemple : Vous ne pouvez pas additionner des taux. Par exemple, s'il y a eu 1 000 impressions et 20 clics (CTR de 2 %) la semaine 1, et 10 000 impressions et 300 clics (CTR de 3 %) la semaine 2, l'addition des taux donnerait 5 %. Toutefois, le total réel est de 320 clics sur 11 000 impressions, soit un CTR combiné réel de 2,9 %. Comme ces pourcentages ne peuvent pas être additionnés ligne par ligne, ils ne peuvent pas être utilisés dans le modèle.
Si votre plate-forme publicitaire exporte des taux ou des moyennes, vous devez calculer les volumes bruts cumulables avant d'importer les données dans Meridian. Par exemple, si vos données contiennent des impressions et un CTR, vous devez calculer le nombre total de clics (impressions × CTR) et fournir cet entier cumulable au modèle.
Regrouper les campagnes dans des canaux média
Les plates-formes publicitaires fournissent généralement des données très précises (par exemple, par campagne, groupe d'annonces ou création). Toutefois, Meridian modélise généralement les médias au niveau du canal. Pour combler cette lacune, vous devez agréger vos données au niveau de la campagne en données au niveau du canal.
Pour agréger une plate-forme dans un seul canal, additionnez les dépenses et la métrique d'exécution (impressions ou clics, par exemple) pour toutes les campagnes concernées pour la période et la zone géographique spécifiques.
Exemple : Agréger des campagnes sur les réseaux sociaux
Dans ce scénario, une entreprise exporte des données brutes d'une plate-forme d'annonces sur les réseaux sociaux contenant plusieurs campagnes actives : l'une axée sur la prospection et l'autre sur le reciblage. L'exportation brute inclut des lignes quotidiennes au niveau de la campagne, qui doivent être regroupées par début de semaine et par zone géographique pour former un seul canal Social_Media pour Meridian.
Avant : exportation au niveau de la plate-forme (données brutes quotidiennes sur les réseaux sociaux)
| Date | Région | ID de campagne | Nom de campagne | Montant dépensé (USD) | Impressions |
|---|---|---|---|---|---|
| 2021-01-04 | Washington | 11111111 | Prospection (1er trimestre) | 100,00 | 10 000 |
| 2021-01-04 | Washington | 22222222 | Reciblage (1er trimestre) | 50,00 | 5 000 |
| 2021-01-05 | Washington | 11111111 | Prospection (1er trimestre) | 110,00 | 11 000 |
| 2021-01-05 | Washington | 22222222 | Reciblage (1er trimestre) | 60,00 | 6 000 |
| 2021-01-06 | Washington | 11111111 | Prospection (1er trimestre) | 120,00 | 12 000 |
| 2021-01-06 | Washington | 22222222 | Reciblage (1er trimestre) | 45,00 | 4 500 |
| 2021-01-07 | Washington | 11111111 | Prospection (1er trimestre) | 105,00 | 10 500 |
| 2021-01-07 | Washington | 22222222 | Reciblage (1er trimestre) | 55,00 | 5 500 |
| 2021-01-08 | Washington | 11111111 | Prospection (1er trimestre) | 130 | 13 000 |
| 2021-01-08 | Washington | 22222222 | Reciblage (1er trimestre) | 65,00 | 6 500 |
| 2021-01-09 | Washington | 11111111 | Prospection (1er trimestre) | 150,00 | 15 000 |
| 2021-01-09 | Washington | 22222222 | Reciblage (1er trimestre) | 80,00 | 8 000 |
| 2021-01-10 | Washington | 11111111 | Prospection (1er trimestre) | 140,00 | 14 000 |
| 2021-01-10 | Washington | 22222222 | Reciblage (1er trimestre) | 70,00 | 7 000 |
| 2021-01-11 | Washington | ... | ... | ... | ... |
Après : ensemble de données MMM (agrégées chaque semaine en un seul canal)
Pour créer le canal Social_Media, regroupez les lignes par semaine (en commençant le lundi, 2021-01-04) et les colonnes Region. Ensuite, additionnez les colonnes "Dépenses" et "Impressions" pour tous les jours de cette semaine et pour toutes les campagnes.
Pour la semaine du 4 janvier 2021, les dépenses totales pour les 14 enregistrements quotidiens de la campagne s'élèvent à 1 280 $, et le nombre total d'impressions est de 128 000.
| Date (période) | Zone géographique | Dépenses médias sur les différents canaux | Impressions sur les médias sociaux |
|---|---|---|---|
| 2021-01-04 | Washington | 1 280 $ | 128 000 |
| 2021-01-11 | Washington | ... | ... |