加入新推出的
Discord 社区，展开实时讨论，获得同行支持，并直接与 Meridian 团队互动！
منطق استنتاج علی و مدلسازی بیزی
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
دلیل اتخاذ دیدگاه استنتاج علی، ساده و قانع کننده است. تمام مقادیری که MMM تخمین می زند دلالت بر علیت دارند. بازگشت سرمایه، منحنی‌های پاسخ، و تحلیل بودجه بهینه به نحوه تأثیر مخارج بازاریابی بر KPIها مربوط می‌شود، با در نظر گرفتن اینکه اگر هزینه بازاریابی متفاوت بود چه اتفاقی می‌افتاد. دیدگاه طراحی مریدین این است که هیچ جایگزینی جز استفاده از روش استنتاج علی وجود ندارد.
مریدین یک مدل رگرسیونی است. این واقعیت که اثرات بازاریابی را می توان به عنوان علّی تفسیر کرد، مدیون برآوردهای تعریف شده و مفروضات ساخته شده است (مانند DAG علّی). اگرچه ممکن است این مفروضات برای هر تبلیغ‌کننده‌ای صادق نباشد، اما این مفروضات به‌طور شفاف برای تصمیم‌گیری هر تبلیغ‌کننده افشا می‌شوند.
اگرچه مدل سازی بیزی برای استنتاج علی ضروری نیست، مریدین از رویکرد بیزی استفاده می کند زیرا مزایای زیر را ارائه می دهد:
- توزیع های قبلی یک مدل بیزی روشی بصری برای منظم کردن تناسب هر پارامتر با توجه به دانش قبلی و قدرت تنظیم انتخاب شده ارائه می دهد. منظم‌سازی در MMM ضروری است زیرا تعداد متغیرها زیاد است، همبستگی‌ها اغلب زیاد است، و اثرات رسانه‌ای (با تبلیغات و بازده کاهشی) پیچیده هستند.
- مریدین گزینه ای را برای پارامترسازی مجدد مدل رگرسیون از نظر ROI ارائه می دهد که امکان استفاده از هر ROI سفارشی قبلی را فراهم می کند. هر و همه دانش موجود، از جمله نتایج آزمایش، می‌تواند برای تعیین اولویت‌هایی استفاده شود که به نتایجی که به آنها اعتقاد دارید با قدرتی که فکر می‌کنید مناسب هستند، منظم می‌شوند.
- تبدیل‌های متغیر رسانه (adstock و بازده کاهشی) غیرخطی هستند و پارامترهای این تبدیل‌ها را نمی‌توان با تکنیک‌های مدل ترکیبی خطی تخمین زد. مریدین برای حل این مشکل از تکنیک های نمونه برداری MCMC پیشرفته استفاده می کند.
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2024-10-26 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2024-10-26 بهوقت ساعت هماهنگ جهانی."],[[["\u003cp\u003eMeridian adopts a causal inference perspective to measure the true impact of marketing spending on key performance indicators (KPIs) such as ROI, response curves, and optimal budget allocation.\u003c/p\u003e\n"],["\u003cp\u003eBuilt as a Bayesian regression model, Meridian leverages causal assumptions and transparently discloses them, allowing advertisers to assess their applicability.\u003c/p\u003e\n"],["\u003cp\u003eThe Bayesian approach in Meridian provides robust regularization, incorporates prior knowledge about ROI, and effectively handles non-linear media effects through advanced sampling techniques.\u003c/p\u003e\n"]]],["Meridian uses causal inference methodology because MMM estimates imply causality, analyzing how marketing spend affects KPIs. This regression model defines estimands and makes assumptions, which are disclosed for transparency. It employs a Bayesian approach for regularization via prior distributions, reparameterization using ROI priors, and handling nonlinear media variable transformations like adstock and diminishing returns through MCMC sampling techniques. These techniques are needed due to high variable counts and complex media effects.\n"],null,["# Rationale for causal inference and Bayesian modeling\n\nThe reason for taking a causal inference perspective is straightforward and\ncompelling. All of the quantities that MMM estimates imply causality. ROI,\nresponse curves, and optimal budget analysis pertain to how marketing spending\naffects KPIs, by considering what would have happened if the marketing spend had\nbeen different. The Meridian design perspective is that there is no alternative\nbut to use causal inference methodology.\n\nMeridian is a regression model. The fact that marketing effects can be\ninterpreted as causal is owed to the estimands defined and the assumptions made\n(such as the causal DAG). Although these assumptions might not hold for every\nadvertiser, the assumptions are transparently disclosed for each advertiser to\ndecide.\n\nAlthough Bayesian modeling is not necessary for causal inference,\nMeridian takes a Bayesian approach because it offers the following\nadvantages:\n\n1. The prior distributions of a Bayesian model offer an intuitive way to regularize the fit of each parameter according to prior knowledge and the selected regularization strength. Regularization is necessary in MMM because the number of variables is large, the correlations are often high, and the media effects (with adstock and diminishing returns) are complex.\n2. Meridian offers the option to reparameterize the regression model in terms of ROI, allowing the use of any custom ROI prior. Any and all available knowledge, including experiment results, can be used to set priors that regularize towards results you believe in with the strength you believe is appropriate.\n3. Media variable transformations (adstock and diminishing returns) are nonlinear, and the parameters of these transformations cannot be estimated by linear mixed model techniques. Meridian uses state-of-the-art [MCMC sampling\n techniques](/meridian/docs/basics/bayesian-inference#mcmc-convergence) to solve this problem."]]
