Treten Sie der neuen
Discord-Community bei. Sie können sich dort in Echtzeit austauschen, Unterstützung von anderen Nutzern erhalten und direkt mit dem Meridian-Team interagieren.
Parameter „max_lag“ festlegen
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Das Meridian-Modell betrachtet, wie Media zu einem bestimmten Zeitpunkt \(t\) die KPIs über mehrere Zeitpunkte \(t, t + 1, \dots , t + L\) beeinflussen können. Dabei ist die Ganzzahl \(L\) ein Hyperparameter, der vom Nutzer mit max_lag der ModelSpec festgelegt wird. Media kann langfristige Auswirkungen auch über max_lag hinaus haben. Aufgrund der Modellannahme der geometrischen Abnahme bewegt sich der verzögerte Effekt von Media jedoch gegen Null.
In der Praxis wird max_lag verwendet, um die Dauer zu begrenzen, in der Media eine Wirkung haben können. Dies hat positive Auswirkungen, darunter eine verbesserte Modellkonvergenz, angemessene Modelllaufzeiten und eine Maximierung der Datennutzung (Verringerung der Varianz). Wenn max_lag im Bereich zwischen 2 bis 10 liegt, ergibt sich ein gutes Gleichgewicht zwischen diesen Vor- und Nachteilen.
Eine Erhöhung von max_lag bedeutet nicht unbedingt, dass auch die ROI-Schätzungen steigen. Ein Grund dafür ist, dass Media zu Zeitpunkt \(t\)die KPIs auch zu einem späteren Zeitpunkt \(t+L\)beeinflussen können. Das kann die Media-Auswirkungen zu \(t+1, \dots , t+L\) auf die KPIs zu Zeitpunkt \(t+L\)verringern.
Sofern nicht anders angegeben, sind die Inhalte dieser Seite unter der Creative Commons Attribution 4.0 License und Codebeispiele unter der Apache 2.0 License lizenziert. Weitere Informationen finden Sie in den Websiterichtlinien von Google Developers. Java ist eine eingetragene Marke von Oracle und/oder seinen Partnern.
Zuletzt aktualisiert: 2025-08-04 (UTC).
[null,null,["Zuletzt aktualisiert: 2025-08-04 (UTC)."],[[["\u003cp\u003eThe Meridian model assumes media impact on KPIs can extend over a period, defined by \u003ccode\u003emax_lag\u003c/code\u003e, with the effect diminishing over time due to geometric decay.\u003c/p\u003e\n"],["\u003cp\u003eWhile media impact can theoretically last longer than \u003ccode\u003emax_lag\u003c/code\u003e, it's truncated for practical reasons like model convergence, runtime, and data utilization.\u003c/p\u003e\n"],["\u003cp\u003eA \u003ccode\u003emax_lag\u003c/code\u003e value between 2 and 10 generally provides an optimal balance between model performance and efficiency.\u003c/p\u003e\n"],["\u003cp\u003eIncreasing \u003ccode\u003emax_lag\u003c/code\u003e might not result in higher ROI estimates, as it can redistribute the attributed impact across different media exposures over time.\u003c/p\u003e\n"]]],[],null,["# Set the max_lag parameter\n\nThe Meridian model allows for media at time \\\\(t\\\\) to affect the KPI at\ntimes \\\\(t, t + 1, \\\\dots , t + L\\\\) where the integer \\\\(L\\\\) is a\nhyperparameter set by the user using `max_lag` of `ModelSpec`. Media can\npotentially have a long effect that can go beyond `max_lag`. However, the lagged\neffect of media converges towards zero, due to the model assumption of geometric\ndecay.\n\nIn practice, `max_lag` is used to truncate how long media can have\nan effect because it has positive benefits including improved model\nconvergence, reasonable model runtimes, and maximizing data usage (reducing\nvariance). Keeping the `max_lag` in the 2-10 range leads to a good balance of\nthese advantages and disadvantages.\n\nIncreasing `max_lag` doesn't necessarily mean that ROI estimates\nwill also increase. One reason for this is because if the media at time \\\\(t\\\\)\ncan affect the KPI at time \\\\(t+L\\\\), this can take away from the effect of\nmedia at times \\\\(t+1, \\\\dots , t+L\\\\) on the KPI at time \\\\(t+L\\\\)."]]
