Sobre o Meridian

A Modelagem de Marketing Mix (MMM) é uma técnica de análise estatística que mede o impacto das campanhas e atividades de marketing para orientar as decisões de planejamento orçamentário e melhorar a eficácia geral da mídia. A MMM usa dados agregados para medir o impacto nos canais de marketing e considerar fatores não relacionados a marketing que afetam a receita e outros indicadores principais de desempenho (KPIs). A MMM tem proteção da privacidade e não usa cookies nem informações do usuário.

O Meridian é uma estrutura de MMM que permite aos anunciantes configurar e executar os próprios modelos internos. O Meridian ajuda a responder a perguntas importantes, por exemplo:

• Como os canais de marketing influenciaram minha receita ou outro KPI?
• Qual foi meu retorno do investimento (ROI¹) de marketing?
• Como posso otimizar a alocação do orçamento de marketing para o futuro?

O Meridian é uma estrutura de modelagem altamente personalizável com base na inferência causal bayesiana. Ele é capaz de processar dados geográficos em grande escala, quando disponíveis, mas também pode ser usado para modelagem nacional. O Meridian oferece insights e visualizações claros para orientar decisões de negócios sobre orçamento e planejamento de marketing. Além disso, ele disponibiliza metodologias para ajudar na calibragem da MMM, com experimentos e outras informações de distribuições a priori, e para otimizar a frequência desejada dos anúncios usando dados de alcance e frequência.

Principais recursos

O Meridian é compatível com todos os principais casos de uso da MMM, fornecendo metodologias de modelagem e otimização. Para mais informações sobre as metodologias do Meridian, consulte as seções Especificação do modelo e O modelo do Meridian.

Além disso, entre os principais recursos estão:

• Modelagem hierárquica no nível geográfico: o modelo do Meridian permite usar dados de marketing das regiões geográficas, que podem conter muito mais informações sobre a eficácia do marketing do que os dados nacionais. Além disso, é possível examinar a eficácia dos esforços de marketing nos níveis local ou regional. A abordagem hierárquica geralmente gera intervalos de confiança menores em métricas como o ROI. Para mais informações, consulte Modelagem hierárquica bayesiana de mix de mídia no nível geográfico.

  O Meridian é compatível com modelos totalmente bayesianos que têm mais de 50 regiões geográficas e dois a três anos de dados semanais usando o Tensorflow Probability e o compilador XLA. O hardware de GPU, disponível com o Google Colab Pro+ ou outras ferramentas, pode otimizar ainda mais a velocidade.

  Se você não tiver dados regionais disponíveis, a abordagem nacional padrão será aceita.

• Incorporação do conhecimento prévio sobre a performance da mídia: o modelo bayesiano do Meridian permite incorporar o conhecimento atual sobre a performance da mídia usando distribuições a priori de ROI. Nesse modelo, o ROI é um parâmetro que pode receber qualquer distribuição a priori, sem cálculos adicionais para transformar essas informações em parâmetros do modelo. O conhecimento pode ser de qualquer origem disponível, como experimentos anteriores, resultados anteriores da MMM, experiência no setor ou comparações de mercado.

  O método bayesiano é flexível porque é possível controlar o quanto as distribuições a priori influenciam as distribuições a posteriori. As distribuições a priori podem ser usadas para estimar um parâmetro quando o indicador nos dados disponíveis é fraco. O Meridian quantifica a incerteza de todos os parâmetros do modelo, ROI e ROI marginal. Para mais informações, consulte Calibragem do modelo de mix de mídia com distribuições a priori bayesianas (link em inglês).

• Inclusão da saturação de mídia e dos efeitos de defasagem: a saturação e osefeitos de defasagem em mídias pagas e orgânicas são modelados usando funções de transformação paramétricas. A saturação é modelada com uma função de Hill, que captura retornos marginais decrescentes, e os efeitos de defasagem usam uma função de Adstock com decaimento geométrico. O Meridian usa métodos de amostragem de Monte Carlo via cadeias de Markov (MCMC, na sigla em inglês) bayesiana para estimar todos os parâmetros do modelo, incluindo aqueles de transformação. Para mais informações, consulte Métodos bayesianos para modelagem de mix de mídia com efeitos de formato e transferência (link em inglês).

• Uso opcional de dados de alcance e frequência para outros insights: além de usar impressões, o Meridian dá a opção de utilizar dados de alcance e frequência como entradas do modelo para oferecer mais insights. O alcance é o número de espectadores únicos em cada período, e a frequência é o número médio correspondente de impressões por espectador. Isso oferece uma melhor previsão da performance de cada canal de mídia com uma mudança nos gastos. Para mais informações, consulte Modelo de mix de mídia hierárquico bayesiano que incorpora dados de alcance e frequência.

• Modelagem de canais de funil inferior (como a pesquisa paga): o Meridian é projetado com base na teoria de inferência causal para apoiar a tomada de decisão racional. As premissas do modelo necessárias para inferência causal válida são totalmente transparentes. Especificamente, o Meridian oferece a opção de usar o volume de consultas do Google (GQV, na sigla em inglês) como variável de controle ao medir o impacto da pesquisa paga.

• Otimização do orçamento de mídia: a fase de otimização determina a alocação ideal do orçamento entre os canais com base no orçamento geral. Outra opção é o Meridian sugerir o orçamento geral ideal com base nas suas metas de publicidade. Além disso, o Meridian oferece otimização de frequência para qualquer canal com dados de alcance e frequência.

• Estimativa usando cenários hipotéticos: com o modelo ajustado, é possível estimar o ROI em diferentes cenários hipotéticos de mídia, como aumentar ou diminuir os gastos com publicidade em um canal específico ou realocar o orçamento entre canais.

• Avaliação e relatório da ajuste do modelo: o Meridian informa as estatísticas de ajuste do modelo, tanto na amostra quanto fora dela. Use essa informação para comparar diferentes configurações do modelo, como parametrizações e distribuições a priori.

• Inclusão opcional de variáveis de tratamento não relacionadas à mídia: variáveis desse tipo, como mudanças de preço e promoções, podem ser incluídas para estimar a eficácia das ações de marketing não relacionadas à mídia.