应用建模是 Meridian 工作流的核心，您可以在此阶段配置、运行和解读模型，以深入了解营销效果。本部分全面介绍了 Meridian 模型的各个组成部分，内容涵盖从了解输入数据和核心概念，到利用先验和校准进行高级自定义的各个方面。
Meridian 模型
本部分将介绍 Meridian 模型的基本组成部分，从所需的数据到核心数学结构。
| 页面 | 说明 |
|---|---|
| 输入数据 | 此页面指定了您提供给 Meridian 的数据的格式和结构。 它详细介绍了不同类型的输入数据，例如主要 KPI、媒体活动和控制变量，并说明了模型如何在内部转换这些数据以进行分析。 |
| 控制变量 | 本页面介绍了控制变量，这些变量可能会影响结果，但并不属于营销处理变量。 本页还介绍了如何选择合适的控制变量，以确保模型的估计值准确且无偏差。 |
| 自然媒体和非媒体处理变量 | 本页面介绍了如何对没有直接费用的处理变量进行分类。 它可帮助您确定是将某项活动归类为“自然媒体”（例如博文）还是“非媒体处理变量”（例如价格变动），以便进行准确的建模。 |
| 付费搜索建模 | 了解对付费搜索广告系列进行模型分析的最佳实践。 本指南重点介绍了使用 Google 搜索查询量作为控制变量的重要性，以便无偏差地了解搜索广告的真实效果。 |
| 留出观测结果（训练和测试分组对比） | 本指南介绍了留出一部分数据来测试模型效果的实践。 它说明了这种做法如何有助于比较不同的模型版本，并就如何以最佳方式选择留出数据以获得可靠结果提供了建议。 |
| Meridian 模型规范 | 本页面介绍了 Meridian 模型背后的核心数学方程式。 它详细介绍了各个主要组成部分，包括如何处理不同的地理位置、如何随时间调整趋势以及如何将媒体的非线性效应纳入模型中。 |
| 覆盖面和频次 | 通过将覆盖面和频次纳入模型中，获得比只考虑展示次数时更全面的认识。 本指南介绍了这种方法如何通过考虑覆盖的用户数量以及用户看到广告的频次，得到更全面细致的媒体效果数据。 |
| 媒体饱和与滞后 | 了解营销效果的两个基本概念。 本指南将介绍“滞后效应”(Adstock)，即广告系列的影响会随时间持续存在；以及“饱和度”（Hill 函数），即随着支出增加，回报会递减。 |
基于时间的参数
了解如何在 Meridian 中有效地将时间效应（包括趋势和季节性）纳入模型。
| 页面 | 说明 |
|---|---|
| 设置结 | 了解 Meridian 如何使用“结”将时间效应纳入模型中。 本指南将介绍什么是结、结如何为模型创建灵活的基准，并提供有关如何为数据选择合适结数的建议，以及介绍 Meridian 中的自动结选择。 |
设置 max_lag 参数 |
本页面介绍了 max_lag 设置，该设置用于控制模型假设广告效果持续的时间。本页面讨论了选择较长或较短滞后期的利弊，以及滞后期对模型的影响。 |
设置 adstock_decay_spec 参数 |
微调你的模型对媒体滞后效应的理解方式。 本页面介绍了您可以为 Adstock 函数选择的不同衰减形状（几何衰减和二项式衰减），并根据您的营销渠道提供有关使用哪种衰减形状的建议。 |
地理位置级建模与国家级建模
了解 Meridian 中的国家级建模和地理位置级建模如何运作
| 页面 | 说明 |
|---|---|
| 国家级建模 | 了解当您只有国家级数据（而非按地区细分的数据）时，Meridian 如何进行调整。 此页面说明了这种情况会被视为地理位置级模型的特殊情况，并详细介绍了系统会自动进行的调整。 |
先验
先验是贝叶斯建模的一项关键功能，可让您将现有知识纳入模型中。本部分将介绍如何有效使用这些功能。
处理变量的先验类型
Meridian 提供了多种定义先验的方法，每种方法对模型都有不同的影响。
| 页面 | 说明 |
|---|---|
| 投资回报率、边际投资回报率和贡献率形参化 | 本页面深入探讨了 Meridian 如何重新设定模型参数的数学细节，以便您直接为投资回报率、边际投资回报率或贡献率等业务指标设置先验。 |
| 边际投资回报率先验以及与投资回报率先验的比较 | 本指南将比较两种高级先验选项：投资回报率（总体回报）和边际投资回报率（每增加一美元支出所带来的回报）。 本指南将说明这两种选项之间的区别，并帮助您确定哪种选项更适合您，尤其是当您的目标是优化预算时。 |
| 如何选择处理变量的先验类型 | 了解如何为每项营销活动选择最佳的先验类型。 此页面提供了相关指南，可帮助您确定是根据投资回报率、边际投资回报率、贡献率还是基础模型系数来设置先验，从而帮助您将模型设置与业务知识相匹配。 |
默认先验
了解 Meridian 为帮助您入门而做出的开箱即用型假设。
| 页面 | 说明 |
|---|---|
| 默认先验形参化 | Meridian 可以针对不同的指标（例如投资回报率、贡献率或原始系数）设置先验。 本页面介绍了在不同情况下，Meridian 默认针对各种营销类型（付费、自然等）使用哪些选项。 |
| 默认先验分布 | 本页面详细介绍了 Meridian 开箱即用的默认“先验分布”。 先验是模型在分析数据之前对其参数做出的初始假设。本指南将向您展示这些默认假设的统计形状。 |
| 当 KPI 不是收入时（默认） | 本页面介绍了当关键绩效指标 (KPI) 不是收入时，Meridian 的默认先验。 它描述了“付费媒体总贡献率先验”的概念，当无法直接计算投资回报率 (ROI) 时，该概念有助于为模型提供基准参考。 |
自定义先验
了解如何根据实验、基准或其他领域知识设置自定义先验，从而根据您的具体业务背景定制模型。
| 页面 | 说明 |
|---|---|
| 投资回报率先验和校准 | 了解“校准”，即使用投资回报率先验将现有知识纳入模型中的过程。 本指南介绍了如何使用过往实验的结果或行业基准来提高模型输出的准确性和可靠性。 |
| 使用过往实验设置自定义投资回报率先验 | 本指南提供了将过往 A/B 实验或增量研究的结果转化为模型的自定义投资回报率先验的实用步骤。 本指南还介绍了确保这种转化具有实际意义的重要注意事项。 |
| 当 KPI 不是收入时（自定义先验） | 如果您的主要业务目标不是以收入来衡量的（例如用户注册），那么设置先验可能比较棘手。 此页面提供了多种策略，可用于创建对非收入 KPI 有意义的自定义先验。 |
| 通过分布族的组合设置自定义先验 | 本指南介绍了一种创建自定义先验的高级技巧。 它说明了如何组合不同的统计分布，以便更准确地反映您对营销渠道应有表现的先验信念。 |