Perguntas frequentes

A biblioteca é livre de custos financeiros?

Sim, a biblioteca é livre de custos financeiros e será de código aberto no GitHub para qualquer pessoa usar.

Precisamos compartilhar nossos dados com o Google para usar a biblioteca?

O Google não terá acesso aos seus dados de entrada, modelo ou resultados, exceto dados de mídia do Google fornecidos pela nossa MMM Data Platform. Se você solicitar dados da MMM Data Platform do Google, esses serão os únicos a que o Google terá acesso. Entretanto, o Google não vai saber se você incluiu esses dados no seu modelo. As entradas e saídas do modelo são totalmente privadas, a menos que você as compartilhe com representantes do Google.

Como usuário do LightweightMMM, terei um trabalho extra para criar a entrada de dados do Meridian?

Para aproveitar ao máximo as inovações do Meridian, você vai precisar adicionar mais dimensões de dados, como:

• Alcance e frequência
• Experimentos
• Volume de consultas do Google (GQV, na sigla em inglês)

Você ainda poderá executar o Meridian sem essas dimensões, mas não terá acesso às inovações. Para mais informações, consulte Migrar do LightweightMMM.

Posso coletar todos os tipos de dados simultaneamente (performance, alcance e frequência do YouTube, volume de consultas do Google) na interface da plataforma de dados da MMM?

Os dados de performance e de alcance e frequência do YouTube precisam ser solicitados separadamente. O fluxo de trabalho da solicitação está detalhado no guia do usuário incluído no e-mail de acesso à MMM Data Platform.

Qual é o escopo dos dados de GQV que posso solicitar?

O volume de consultas do Google. A saída inclui:

• QueryLabel: de marca ou genérico
• ReportDate
• TimeGranularity (é possível solicitar dados Daily, Weekly_Sunday ou Weekly_Monday).
• GeoCriteriaId
• GeoName
• GeoType
• IndexedQueryVolume: todos os dados de volume de consulta são indexados. Os números brutos não são fornecidos para o volume de consultas.

Posso aplicar a metodologia de GQV para dados de pesquisa que não são do Google?

Geralmente, o volume de outros mecanismos de pesquisa não está disponível. Algumas opções alternativas são descritas em Entender o volume de consultas como um fator de confusão para anúncios de pesquisa.

Para uma determinada alavanca de mídia, como posso definir distribuições a priori diferentes associadas a períodos distintos?

O mais próximo disso seria o argumento roi_calibration_period. Com base na seção 3.4 do artigo sobre a calibragem da MMM, sugerimos calcular um ROI médio ponderado pelos gastos para os experimentos e transmitir roi_calibration_period para corresponder aos quatro trimestres dos experimentos. Se os experimentos tiverem erros padrão muito diferentes, convém ponderar novamente. Para mais informações, consulte Definir o período de calibragem do ROI.

Posso colocar uma distribuição a priori temporal para os valores de nós?

O Meridian não aceita distribuições com variação de tempo para valores de nós.

Como posso receber informações detalhadas sobre decomposição da regressão, como DataFrames para as extrações da distribuição a posteriori?

As amostras a posteriori estão no objeto inference_data, e você pode transformar essa matriz em qualquer DataFrame de que precisar. Para acessar as amostras de dados usando o docstring, consulte meridian.model.model.Meridian.

Posso medir as sinergias entre os canais no Meridian?

O Meridian não aceita esse tipo de análise.

É possível receber uma leitura temporal do ROI com o Meridian?

Você pode acessar o resultado incremental de cada canal de mídia ao longo do tempo e, portanto, calcular o ROI:

1. Use o resultado incremental estimado, encontrado em Analyzer().incremental_outcome().
2. Use a opção selected_times para escolher as semanas de interesse.
3. Divida pelo gasto nessas semanas. Esse procedimento mostra o ROI e reflete o período individual com mais precisão.

Importante: ao acompanhar o ROI ao longo do tempo, considere que, embora os coeficientes no modelo não variem com o tempo, o ROI ainda pode mudar porque depende de outros fatores que podem variar. Por exemplo, as curvas de Hill modelam os retornos não lineares e decrescentes da execução de mídia. Portanto, a quantidade de execuções em um determinado momento pode afetar o ROI. Além disso, a alocação de mídia pode variar de acordo com a região geográfica ao longo do tempo, com diferentes níveis de eficácia, e o custo da execução de mídia pode variar com o tempo.

Posso medir o ROI das estratégias de lances com base nas metas de lances definidas?

O feed de dados da MMM do Google fornece o tipo de estratégia de lances (como Maximizar conversões e ROAS desejado) por campanha, mas não inclui a meta de lance em si. Para conferir essa dimensão específica, os anunciantes podem gerar relatórios de estratégia de lances diretamente do Google Ads ou trabalhar com o representante da Conta do Google em uma solução de dados personalizada.