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.
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Marketing Mix Modeling (MMM) ist ein statistisches Analyseverfahren, mit dem die Auswirkungen von Marketingkampagnen und ‑aktivitäten gemessen werden, um Entscheidungen hinsichtlich der Budgetplanung zu erleichtern und die Medieneffektivität insgesamt zu verbessern. Beim MMM werden die Auswirkungen mithilfe von aggregierten Daten über alle Marketingkanäle hinweg gemessen und es werden nicht marketingbezogene Faktoren berücksichtigt, die sich auf den Umsatz und andere Leistungskennzahlen (key performance indicator, KPI) auswirken. MMM ist datenschutzfreundlich und Cookies oder Daten auf Nutzerebene werden nicht verwendet.
Meridian ist ein MMM-Framework, mit dem Werbetreibende eigene interne Modelle einrichten und ausführen können. Mithilfe von Meridian lassen sich wichtige Fragen beantworten, z. B.:
Inwiefern haben die Marketingkanäle dazu beigetragen, meinen Umsatz zu steigern oder andere KPIs zu verbessern?
Wie hoch ist der ROI (Return on Investment)1 aufgrund meines Marketings?
Wie kann ich die Zuweisung meines Marketingbudgets optimieren?
Meridian ist ein hochgradig anpassbares Modellierungsframework, das auf der bayesschen kausalen Inferenz basiert. Damit können große Datenmengen auf geografischer Ebene verarbeitet werden (empfohlen, sofern verfügbar), es kann aber auch zur Modellierung auf Landesebene verwendet werden. Meridian liefert verständliche Statistiken und Visualisierungen, damit Sie fundierte geschäftliche Entscheidungen in Bezug auf Marketingbudget und ‑planung treffen können. Darüber hinaus bietet Meridian Methoden zur Abstimmung von MMM mithilfe von Tests und anderem Vorwissen sowie zur Optimierung der Ziel-Anzeigenhäufigkeit anhand von Daten zu Reichweite und Häufigkeit.
Wichtige Funktionen
Meridian bietet Modellierungs- und Optimierungsmethoden für alle wichtigen MMM-Anwendungsfälle. Weitere Informationen zu den Methoden finden Sie in den Abschnitten zu Modellspezifikationen und zum Meridian-Modell.
Weitere wichtige Funktionen:
Hierarchische Modellierung auf geografischer Ebene: Mit dem hierarchischen Meridian-Modell auf geografischer Ebene können Sie Marketingdaten nutzen, die möglicherweise wesentlich mehr Informationen zur Marketingeffektivität liefern als Daten auf Landesebene. Außerdem haben Sie die Möglichkeit, die Effektivität Ihrer Marketingmaßnahmen auf lokaler oder regionaler Ebene zu analysieren. Der hierarchische Ansatz führt häufig zu engeren Glaubwürdigkeitsintervallen für Messwerte wie den ROI. Weitere Informationen sind unter Geo-level Bayesian Hierarchical Media Mix Modeling verfügbar.
Meridian unterstützt vollständig bayessche Modelle mit mehr als 50 geografischen Einheiten und wöchentlichen Daten aus 2 bis 3 Jahren. Dabei kommen die TensorFlow Probability und der XLA-Compiler zum Einsatz. Mit GPU-Hardware, die über Google Colab Pro+ oder andere Tools verfügbar ist, lässt sich die Geschwindigkeit weiter optimieren.
Wenn keine Daten auf geografischer Ebene vorliegen, können Sie den Standardansatz auf Landesebene nutzen.
Berücksichtigung von Vorwissen zur Medienleistung: Mit dem bayesschen Modell von Meridian können Sie ROI-Priors nutzen, um Vorwissen zu Ihrer Medienleistung einzubeziehen. In diesem Modell ist der ROI ein Modellparameter, der jede beliebige Prior-Verteilung annehmen kann. Es sind keine zusätzlichen Berechnungen erforderlich, um Prior-Informationen zum ROI für die Modellparameter zu verwenden. Wissen kann aus jeder verfügbaren Quelle abgeleitet werden, z. B. aus früheren Tests und MMM-Ergebnissen, Branchenwissen oder Branchen-Benchmarks.
Die bayessche Methode ist flexibel, da Sie den Grad steuern können, in dem Priors die Posterior-Verteilung beeinflussen. Parameter lassen sich mithilfe von Priors schätzen, wenn das Signal in den aktuellen Daten schwach ist. Meridian quantifiziert die Unsicherheit für alle Modellparameter, den ROI und den Grenz-ROI. Weitere Informationen finden Sie unter Media Mix Model Calibration With Bayesian Priors.
Berücksichtigung von Mediensättigung und verzögerten Effekten: Sättigung und verzögerte Effekte für kostenpflichtige und organische Medien werden mithilfe von parametrischen Transformationsfunktionen modelliert. Die Sättigung wird mit einer Hill-Funktion modelliert, die abnehmende Werte für den Grenz-ROI berücksichtigt. Verzögerte Effekte werden mit einer Adstock-Funktion modelliert, bei der eine geometrische Abnahme angenommen wird. In Meridian werden bayessche Markov-Chain-Monte-Carlo-Verfahren (MCMC) zur Stichprobenerhebung verwendet, um alle Modellparameter gemeinsam zu schätzen, einschließlich dieser Transformationsparameter. Weitere Informationen finden Sie unter Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects.
Optionale Verwendung von Daten zu Reichweite und Häufigkeit für zusätzliche Statistiken: Zusätzlich zu Impressionen bietet Meridian die Möglichkeit, Daten zu Reichweite und Häufigkeit als Modelleingaben zu verwenden, um zusätzliche Statistiken zu erhalten.
Die Reichweite ist die Anzahl der einzelnen Nutzer in jedem Zeitraum. Die Häufigkeit ist die entsprechende durchschnittliche Anzahl von Impressionen pro Nutzer. So lässt sich besser vorhersagen, wie sich die Leistung der einzelnen Medienkanäle bei einer Änderung der Ausgaben entwickeln könnte. Weitere Informationen finden Sie unter Bayesian Hierarchical Media Mix Model Incorporating Reach and Frequency Data.
Modellierung von Channels im unteren Trichterbereich (z. B. bezahlte Suche): Meridian wurde auf Grundlage der Theorie der kausalen Inferenz entwickelt, um rationale Entscheidungen zu unterstützen. Die für eine gültige kausale Inferenz erforderlichen Modellannahmen werden vollständig offengelegt. Insbesondere bietet Meridian die Möglichkeit, das Google-Suchvolumen (Google Query Volume, GQV) als Kontrollvariable für die Analyse der Auswirkungen der bezahlten Suche zu verwenden.
Optimierung des Medienbudgets: In der Optimierungsphase wird die optimale Budgetverteilung auf die Kanäle auf Grundlage Ihres Gesamtbudgets ermittelt. Mit Meridian erhalten Sie auch ein optimales Gesamtbudget unter Berücksichtigung Ihrer Werbeziele. Außerdem lässt sich damit die Häufigkeit bei jedem Kanal anhand von Daten zu Reichweite und Häufigkeit optimieren.
Schätzung mithilfe von „Was-wäre-wenn-Szenarien“: Mit Ihrem angepassten Modell können Sie den ROI unter verschiedenen hypothetischen Medienszenarien schätzen, z. B. bei einer Erhöhung oder Senkung der Werbeausgaben für einen bestimmten Kanal oder bei einer Umverteilung des Budgets auf die Kanäle.
Güte der Anpassung des Modells bewerten und in Berichten berücksichtigen: Meridian liefert Statistiken zur Güte der Anpassung des Modells, sowohl innerhalb als auch außerhalb der Stichprobe. So können Sie verschiedene Modellkonfigurationen wie Prior-Verteilungen und Varianten der Parametereinstellungen vergleichen.
Optionale Einbeziehung von nicht medienbezogenen Testvariablen: Nicht medienbezogene Testvariablen, z. B. Preisänderungen und Werbeaktionen, können optional berücksichtigt werden, um die Effektivität nicht medienbezogener Marketingaktionen zu schätzen.
„ROI“ und „iROAS“ werden in den Dokumenten synonym verwendet und bezeichnen beide die Messung des inkrementellen ROI. ↩
[null,null,["Zuletzt aktualisiert: 2025-08-04 (UTC)."],[[["\u003cp\u003eMarketing mix modeling (MMM) uses aggregated data to measure marketing campaign impact across channels, informing budget planning and improving media effectiveness while maintaining user privacy.\u003c/p\u003e\n"],["\u003cp\u003eMeridian is an open-source MMM framework that enables advertisers to build and run their own in-house models to understand marketing ROI, channel performance, and budget optimization.\u003c/p\u003e\n"],["\u003cp\u003eMeridian utilizes Bayesian causal inference, handles large-scale geo-level data, incorporates prior knowledge about media performance, and accounts for media saturation and lagged effects for accurate insights.\u003c/p\u003e\n"],["\u003cp\u003eThis framework offers advanced features including reach and frequency data integration, lower-funnel channel modeling, media budget optimization, and what-if scenario estimations to support comprehensive marketing analysis.\u003c/p\u003e\n"],["\u003cp\u003eMeridian facilitates robust model evaluation and reporting, including goodness of fit statistics and the optional inclusion of non-media treatment variables for a holistic understanding of marketing performance.\u003c/p\u003e\n"]]],[],null,["# About Meridian\n\nMarketing mix modeling (MMM) is a statistical analysis technique that measures\nthe impact of marketing campaigns and activities to guide budget planning\ndecisions and improve overall media effectiveness. MMM uses aggregated data to\nmeasure impact across marketing channels and account for non-marketing factors\nthat impact revenue and other key performance indicators (KPIs). MMM is\nprivacy-safe and does not use any cookie or user-level information.\n\nMeridian is an MMM framework that enables advertisers to set up and run\ntheir own in-house models. Meridian helps you answer key questions such\nas:\n\n- How did the marketing channels drive my revenue or other KPI?\n- What was my marketing return on investment (ROI^[1](#fn1)^)?\n- How do I optimize my marketing budget allocation for the future?\n\nMeridian is a highly customizable modeling framework that is based on\n[Bayesian causal inference](/meridian/docs/basics/rationale-for-causal-inference-and-bayesian-modeling). It is\ncapable of handling large scale geo-level data, which is encouraged if\navailable, but it can also be used for national-level modeling. Meridian\nprovides clear insights and visualizations to inform business decisions around\nmarketing budget and planning. Additionally, Meridian provides\nmethodologies to support calibration of MMM with experiments and other prior\ninformation, and to optimize target ad frequency by utilizing reach and\nfrequency data.\n\nKey features\n------------\n\nMeridian supports all major MMM use cases by providing modeling and\noptimization methodologies. For more information about Meridian\nmethodologies, see [Model specification](/meridian/docs/basics/model-spec) and\n*The Meridian model* section.\n\nAdditionally, the key features include:\n\n- **Hierarchical geo-level modeling:** Meridian's hierarchical\n geo-level model lets you make use of geo-level marketing data, which\n potentially contains much more information about your marketing\n effectiveness than national-level data. Additionally, you can examine the\n effectiveness of marketing efforts at a local or regional level. The\n hierarchical approach often yields tighter credible intervals on metrics\n such as ROI. For more information, see [Geo-level Bayesian Hierarchical\n Media Mix\n Modeling](https://research.google/pubs/geo-level-bayesian-hierarchical-media-mix-modeling/).\n\n Meridian supports fully Bayesian models with 50+ geos and 2-3 years\n of weekly data utilizing [Tensorflow\n Probability](https://www.tensorflow.org/probability/overview) and its [XLA\n compiler](https://www.tensorflow.org/xla). GPU hardware, available using\n Google Colab Pro+ or other tools, can further optimize speed performance.\n\n The standard national level approach is supported if you don't have\n geo-level data available.\n- **Incorporating prior knowledge about media performance:**\n Meridian's Bayesian model lets you incorporate existing knowledge\n about your media performance through the use of ROI priors. In this model,\n ROI is a model parameter which can take any prior distribution---no additional\n calculations are needed to translate prior ROI information to the model\n parameters. Knowledge can be derived from any available source such as past\n experiments, past MMM results, industry expertise, or industry benchmarks.\n\n The Bayesian method is flexible because you can control the degree to which\n priors influence the posterior distribution. Priors can be used to estimate\n a parameter when the signal in the current data is weak. Meridian\n quantifies uncertainty for all model parameters, ROI, and marginal ROI. For\n more information, see [Media Mix Model Calibration With Bayesian\n Priors](https://research.google/pubs/media-mix-model-calibration-with-bayesian-priors/).\n | **Note:** If you don't have experiment priors and want to explore an open source option to get this data, you can try GeoX. GeoX experiments help address the typical technical issues encountered in analyzing randomized paired geo experiments. For more information about GeoX, see the [google/trimmed_match](https://github.com/google/trimmed_match) and [google/matched markets](https://github.com/google/matched_markets) repositories in GitHub.\n- **Accounting for media saturation and lagged effects:** Saturation and\n lagged effects for paid and organic media are modeled using parametric\n transformation functions. Saturation is modeled using a Hill function, which\n captures diminishing marginal returns. Lagged effects are modeled using an\n adstock function with geometric decay. Meridian utilizes Bayesian\n Markov Chain Monte Carlo (MCMC) sampling methods to jointly estimate all\n model parameters, including these transformation parameters. For more\n information, see [Bayesian Methods for Media Mix Modeling with Carryover and\n Shape\n Effects](https://research.google/pubs/bayesian-methods-for-media-mix-modeling-with-carryover-and-shape-effects/).\n\n- **Optional use of reach and frequency data for additional insights:** In\n addition to using impressions, Meridian provides the option to use\n reach and frequency data as model inputs to provide additional insights.\n Reach is the number of unique viewers within each time period, and frequency\n is the corresponding average number of impressions per viewer. This provides\n a better prediction of how each media channel might perform with a change in\n spending. For more information, see [Bayesian Hierarchical Media Mix Model\n Incorporating Reach and Frequency\n Data](https://research.google/pubs/bayesian-hierarchical-media-mix-model-incorporating-reach-and-frequency-data/).\n\n- **Modeling lower funnel channels (such as paid search):** Meridian\n is designed based on causal inference theory to support rational\n decision-making efforts. Model assumptions required for valid causal\n inference are made fully transparent. Specifically, Meridian\n provides an option to use Google Query Volume (GQV) as a control variable\n when measuring the impact of paid search.\n\n- **Media budget optimization:** The optimization phase determines the optimal\n budget allocation across channels based on your overall budget. There is\n also an option for Meridian to suggest the optimal overall budget\n based on your advertising goals. Additionally, Meridian provides\n frequency optimization for any channel with reach and frequency data.\n\n- **Estimation using what-if scenarios:** With your fitted model, you can\n estimate what your ROI would have been under different hypothetical media\n scenarios, such as increasing or decreasing advertising spending on a\n specific channel or re-allocating budget across channels.\n\n- **Evaluating and reporting model goodness of fit:** Meridian reports\n model fit statistics, both within-sample and out-of-sample. You can use this\n to compare different model configurations, such as prior distributions and\n parameterizations.\n\n- **Optional inclusion of non-media treatment variables:** Non-media\n treatments, such as changes to price and promotions, can optionally be\n included to estimate the effectiveness of non-media marketing actions.\n\n*** ** * ** ***\n\n1. \"ROI\" and \"iROAS\" are being used synonymously throughout the documents, both denoting the measurement of the incremental return on investment. [↩](#fnref1)"]]
