Los datos que se usan en Meridian GeoX son series temporales diarias de inversión y respuesta, como recuentos de conversiones o ingresos, para cada ubicación geográfica, respectivamente.
En los siguientes gráficos, el eje X corresponde a las fechas y el eje Y representa el valor de la métrica, que es la respuesta y la inversión. Cada línea corresponde a una ubicación geográfica. Las líneas verticales punteadas representan la división entre los períodos previo a la prueba y de la prueba, y la intervención en los anuncios se produce en el período de prueba.
Requisitos generales de los datos
Consulta las siguientes secciones para obtener información sobre los requisitos de datos para tus experimentos basados en ubicaciones geográficas.
Datos de inversión
En el caso de los experimentos que involucran diseños de supresión o de aumento, incluidas las celdas de tratamiento dentro de estudios de varias celdas asignadas a estos tipos, es obligatorio proporcionar datos de series temporales de inversión. En el caso de los experimentos de aislamiento o las celdas de aislamiento en los estudios de varias celdas, no se requiere inversión.
Métrica de conversión
Identificar una métrica de conversión adecuada es un requisito fundamental para configurar y evaluar de forma eficaz los experimentos basados en ubicaciones geográficas. Una métrica adecuada debe cumplir con estándares comerciales y metodológicos específicos:
- Criterios comerciales: La definición de conversión que selecciones debe alinearse estrechamente con el KPI principal que fundamenta las acciones estratégicas. Esta métrica debe reflejar la influencia específica del canal de medios que se evalúa. Por ejemplo, priorizar los indicadores del embudo superior cuando se prueban tácticas de reconocimiento de la marca.
- Criterios técnicos: Se debe poder acceder a los datos de conversiones en el nivel geográfico que se utiliza para el experimento. Se recomienda excluir las métricas con una dispersión significativa o una gran proporción de entradas nulas, ya que pueden complicar el proceso de modelado estadístico.
- Tipo de métrica y atribución: La métrica de conversión debe ser absoluta, como los ingresos o el recuento de conversiones. GeoX no admite las métricas de proporción, como el ROAS. Además, debes usar series temporales de fecha y hora de conversión sin procesar ni filtrar en lugar de conversiones atribuidas. Esto evita que los resultados se vean sesgados por una lógica de atribución predefinida, que puede tergiversar la incrementalidad causal real.
Datos a nivel geográfico
Debes crear datos de series temporales a nivel geográfico previos al experimento antes de diseñar un experimento basado en ubicaciones geográficas. En este paso, proporcionarás un mínimo de 3*N días de datos de respuesta, como los ingresos o los recuentos de conversiones, donde N es igual a la duración del período de prueba real de tu experimento. Si tu empresa experimenta una estacionalidad marcada o patrones cíclicos, debes preparar un período histórico más largo, como un año o más, para entrenar al modelo de manera eficaz y evitar introducir sesgos en la estimación contrafáctica.
En el caso de los tipos de experimentos que involucran campañas existentes, como los de supresión o aumento, también es necesario preparar datos diarios de series de inversión a nivel geográfico, ya que se usarán para calcular el presupuesto necesario para el experimento con las estadísticas de tus campañas existentes. Por lo general, estos datos de inversión se pueden recuperar de la cuenta de Google Ads o de las APIs del publicador.
Estructura de datos
Tu conjunto de datos previos a la prueba debe ser un DataFrame de Pandas y debe contener las siguientes columnas:
- fecha
- ubicación: Diferentes áreas de mercado
- conversiones: Los datos de conversiones recientes suelen ser datos de conversiones o ingresos sin filtrar, por lo general, del CRM del anunciante. Los datos de conversiones deben reflejar una situación de condiciones normales (BAU).
- inversión: Son los datos de inversión de las campañas incluidas en el estudio. Esta columna es opcional.
En el caso de los estudios de varias celdas, debes proporcionar columnas de inversión separadas asignadas a la intervención específica de cada celda. En los casos de uso, se incluye lo siguiente:
- Prueba diferentes estrategias en el mismo canal o campaña: Compara diferentes estrategias, como detener los anuncios por completo en comparación con aumentar considerablemente la inversión, en la misma plataforma, como YouTube. Como ambas celdas modifican el mismo grupo de campañas subyacente, las celdas de inversión, como spend_cell_1 y spend_cell_2, tendrán valores idénticos.
- Prueba diferentes canales o tácticas: Compara enfoques completamente distintos, como los anuncios de YouTube con los de generación de demanda, o la prospección con la resegmentación. Como cada celda está vinculada a una campaña distinta, los valores de inversión serán diferentes. La celda 1 debe reflejar la inversión de la primera táctica, mientras que la celda 2 debe reflejar la inversión de la segunda.
Las respuestas, como las columnas de transacciones o los datos de ingresos, además de los datos de inversión, se deben preparar en el siguiente formato. Dentro del rango del período previo a la prueba, cada par de fecha y ubicación aparecería exactamente una vez en esta tabla.
Este es un ejemplo de carga de datos para diseñar un experimento de un solo grupo de supresión:
| fecha | ubicación | conversiones | inversión |
|---|---|---|---|
| 01-01-2026 | LOC1 | 1104.88 | 142.55 |
| 01-01-2026 | LOC2 | 242.24 | 210.18 |
| 01-01-2026 | LOC3 | 339.95 | 325.25 |
| 01-01-2026 | LOC4 | 60.99 | 95.62 |
| 01-01-2026 | LOC5 | 173.20 | 178.62 |
| … | … | … | … |
Este es un ejemplo de carga de datos para diseñar un experimento de dos celdas. La primera celda de tratamiento debe ser de supresión, mientras que la segunda debe ser de aumento durante el período del experimento:
| fecha | ubicación | conversiones | spend_cell_1 | spend_cell_2 |
|---|---|---|---|---|
| 01-05-2026 | Region_A | 45 | 120 | 150 |
| 01-05-2026 | Region_B | 30 | 80 | 100 |
| 02-05-2026 | Region_A | 50 | 125 | 155 |
| 02-05-2026 | Region_B | 35 | 85 | 105 |
| 03-05-2026 | Region_A | 48 | 122 | 152 |
Prácticas recomendadas
Sigue estas prácticas recomendadas para asegurarte de que tu experimento basado en ubicaciones geográficas sea estadísticamente sólido.
Métricas con valores negativos
No uses métricas que puedan contener valores negativos, como los ingresos netos después de los reembolsos. Los valores negativos alteran la aleatorización del diseño y el modelado estadístico.
Siempre debes usar valores absolutos no negativos, como los ingresos brutos o los recuentos de conversiones brutos. Si los reembolsos son significativos, ejecuta el diseño y el análisis de las ventas brutas y aplica una proporción histórica de ventas netas a brutas posterior a la prueba.
Volatilidad diaria de los datos
No agregues tus datos semanalmente. GeoX requiere series temporales diarias de forma estricta, y no se admiten datos semanales. Si tus datos diarios son muy volátiles, haz lo siguiente:
- Extiende la duración de la prueba (por ejemplo, de cuatro semanas a seis u ocho semanas) para acumular más datos.
- Usa un KPI más superficial, como agregar al carrito en lugar de comprar, para aumentar el volumen y reducir los días con recuento cero.
- Aumenta el tamaño objetivo del grupo de tratamiento o ajusta
max_conversions_percenten las restricciones de diseño.
Optimización de los KPIs
La biblioteca solo admite un KPI de conversión principal por ejecución. No puedes optimizar un diseño para varias métricas de forma simultánea, como compradores nuevos y compradores frecuentes.
Ejecuta el motor de diseño y optimiza tu KPI principal para asegurarte de que el estudio tenga la potencia suficiente. Puedes proceder con cautela para analizar los KPIs secundarios después de la prueba ejecutando la función analyze en sus datos respectivos.