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.
Von LightweightMMM migrieren
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Meridian ist die offizielle Weiterentwicklung des MMM-Ansatzes von Google. Es ist die aktualisierte Version von LightweightMMM. Beide Versionen basieren auf der bayesschen MMM-Forschung, die Google seit 2017 betreibt.
Die wichtigsten Funktionen von Meridian sind die Modellierung von Reichweite und Häufigkeit, der effektive Umgang mit der bezahlten Suche und die Abstimmung von Tests.
Zu Meridian migrieren
Wenn Sie von LightweightMMM zu Meridian migrieren möchten, müssen Sie Meridian installieren und Ihre Daten wie jeder neue Nutzer in Meridian importieren.
Weitere Informationen finden Sie unter Meridian installieren.
Funktionsvergleich
Die Eingabedaten für beide Modelle sind identisch.
Das folgende Diagramm bietet einen Überblick über die wichtigsten Funktionsunterschiede zwischen den Projekten:
| Funktion |
LightweightMMM |
Meridian |
| Sprache |
Python |
Python |
| Bayessche Bibliothek |
Numpyro |
TensorFlow Probability |
| Abstimmung von Tests |
Möglich, aber manuell |
Ja |
| Modellierung von Reichweite und Häufigkeit |
Nein |
Ja |
| Optimierung |
Ja |
Ja |
| ROI-Formulierung des Modells |
Nein |
Ja |
| Störfaktor für Google-Suchvolumen berücksichtigen |
Möglich, aber manuell |
Ja |
| Modelle auf Länder- und geografischer Ebene |
Ja |
Ja, Länderebene plus weitere geografische Einheiten |
| Trend und Saisonalität |
Gerade Linie + sinusförmige sich wiederholende Form (täglich, wöchentlich) |
Knoten |
| Benutzerdefinierte Priors |
Ja |
Ja |
| Verzögerung und Sättigungstransformation |
Ja |
Ja |
| Skalierung von Eingaben |
Manuell |
Automatisch |
Unterschiede bei den Modellspezifikationen
LightweightMMM bietet drei verschiedene Modellarchitekturen: Adstock, Hill-Adstock und Carryover. Meridian verwendet eine Variation der Hill-Adstock-Architektur. Andere Architekturen sind nicht zulässig. Sie können die Reihenfolge auswählen, in der die Hill- und Adstock-Transformationen für das Meridian-Basismodell angewendet werden. Das Meridian-Modell für Reichweite und Häufigkeit hat eine feste Hill-Adstock-Reihenfolge: zuerst Hill und dann Adstock.
Weitere Unterschiede zwischen Meridian und LightweightMMM:
Media-Channels weisen in beiden Projekten hierarchische Struktur in Bezug auf geografische Einheiten auf. In LightweightMMM werden durch die geografische Hierarchie jedoch keine zusätzlichen freien Parameter hinzugefügt.
Stattdessen wird dort ein Media-Koeffizient verwendet, um sowohl den Hyper-Prior als auch die einzelnen Priors für Media-Channels auf geografischer Ebene anzugeben.
Meridian hat einen zusätzlichen Parameter eta_m, der die Standardabweichung des Media-Koeffizienten für verschiedene geografische Einheiten angibt. Bei Meridian kann die hierarchische Variation normal oder lognormal sein.
Die nicht medialen Funktionen, in Meridian Kontrollvariablen genannt, sind in Meridian hierarchisch, während sie in LightweightMMM nicht hierarchisch über geografische Einheiten hinweg sind. Der Meridian-Modellparameter xi_c gibt die Standardabweichung dieser geografischen Hierarchie an.
In Meridian können Sie Media-Priors entweder in Form von Beta (wie bei LightweightMMM) oder in Form von ROI angeben.
Der Baseline-Wert wird in Meridian anders ausgedrückt als in LightweightMMM. Mit Meridian können Nutzer sowohl feste Effekte auf geografischer als auch auf Zeitebene angeben. Die Baseline ist die Summe der beiden festen Effekte.
Erwartete Zeitunterschiede bei der MCMC-Stichprobenerhebung
Aufgrund der größeren Anzahl von Modellparametern und der Modellkomplexität in Meridian dauert die MCMC-Stichprobenerhebung dort voraussichtlich länger als in LightweightMMM.
Da die Modelle jedoch relativ ähnlich sind, sollte es jedoch nicht zu großen zeitlichen Unterschieden kommen. Genaue Schätzungen dazu, wie viel länger es dauert, hängen von der Rechenumgebung, der Anzahl der geografischen Einheiten, den Parametern zur Modelloptimierung, den Priors, den Daten und anderen Faktoren ab. Aufgrund der Komplexität des Meridian-Modells dauert die MCMC-Stichprobenerhebung dort wahrscheinlich länger, es sind aber genauere Ergebnisse zu erwarten.
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\u003eMeridian is the updated version of Google's LightweightMMM, representing the evolution of their Bayesian MMM research.\u003c/p\u003e\n"],["\u003cp\u003eKey features of Meridian include reach and frequency modeling, effective handling of paid search, and experiment calibration.\u003c/p\u003e\n"],["\u003cp\u003eMigrating to Meridian involves installing it and importing data using the same process as a new user, as detailed in the installation guide.\u003c/p\u003e\n"],["\u003cp\u003eMeridian utilizes Tensorflow Probability as its Bayesian library, while LightweightMMM uses Numpyro, although the input data for both models remains the same.\u003c/p\u003e\n"],["\u003cp\u003eMeridian offers improved features like a ROI formulation, incorporating GQV confounders, and automatic scaling of inputs, along with a more complex model architecture compared to LightweightMMM.\u003c/p\u003e\n"]]],[],null,["# Migrate from LightweightMMM\n\nMeridian is the official evolution of the Google MMM approach. It is the\nupdated version of LightweightMMM. Both versions are based on Google's Bayesian\nMMM research since 2017.\n\nThe key features of Meridian are reach and frequency modeling, handling\npaid search effectively, and experiment calibration.\n\nHow to migrate to Meridian\n--------------------------\n\nTo migrate from LightweightMMM to Meridian, you install Meridian\nand import your data using the same process as any new user to Meridian.\nFor more information, see [Install\nMeridian](/meridian/docs/user-guide/installing).\n\nFeature comparison\n------------------\n\nThe input data for both models is the same.\n\nThe following chart gives an overview of the key feature differences between the\nprojects:\n\n| Feature | LightweightMMM | Meridian |\n|---------------------------------------|------------------------------------------------------------|------------------------------|\n| Language | Python | Python |\n| Bayesian library | Numpyro | Tensorflow Probability |\n| Experiment calibration | Possible but manual | Yes |\n| Reach and frequency modeling | No | Yes |\n| Optimizer | Yes | Yes |\n| ROI formulation of the model | No | Yes |\n| Incorporating GQV confounder | Possible but manual | Yes |\n| National- and geo-level models | Yes | Yes, national plus more geos |\n| Trend and seasonality | Straight line + sinusoidal repeating shape (daily, weekly) | Knots |\n| Custom priors | Yes | Yes |\n| Lagging and saturation transformation | Yes | Yes |\n| Scaling of inputs | Manual | Automatic |\n\nDifferences in the model specifications\n---------------------------------------\n\nLightweightMMM offers three different model architectures: Adstock,\nHill-Adstock, and Carryover. Meridian uses a variation of the\nHill-Adstock architecture, and does not allow other architectures. You can\nchoose the order in which the Hill- and Adstock-transformations are applied for\nthe Meridian baseline model. The Meridian reach and frequency\nmodel has a fixed Hill-Adstock order: Hill first, and then Adstock.\n\nOther differences between Meridian and LightweightMMM include:\n\n- Media channels are hierarchical across geos in both projects. However, in\n LightweightMMM, the geo hierarchy doesn't add additional free parameters.\n Instead, one media coefficient is used to specify both the hyper-prior and\n the individual geo-level media channel priors in LightweightMMM.\n Meridian has an additional parameter `eta_m` that specifies the\n standard deviation of the media coefficient across geos. Meridian\n also allows the hierarchical variation to be either normal or log-normal in\n shape.\n\n- The non-media features, called *control variables* in Meridian, are\n also hierarchical in Meridian, whereas they are non-hierarchical\n across geos in LightweightMMM. The Meridian model parameter `xi_c`\n specifies the standard deviation of this geo hierarchy.\n\n- Meridian lets you specify media priors either in terms of beta (the\n same as LightweightMMM) or in terms of ROI.\n\n- The baseline is expressed differently in Meridian, compared to\n LightweightMMM. With Meridian, users can specify both geo-level and\n time-level fixed effects, and the baseline is the sum of both fixed effects.\n\nExpected differences in the MCMC sampling time\n----------------------------------------------\n\nDue to more model parameters and model complexity in Meridian, MCMC\nsampling in Meridian is expected to take longer than in LightweightMMM.\nHowever, because the models are relatively similar, Meridian is not\nexpected to take much longer than LightweightMMM. Precise estimates on how much\nlonger depends on the compute environment, number of geos, model tuning\nparameters, priors, data, and other factors. Although Meridian's model\ncomplexity likely leads to longer MCMC sampling time, more accurate results are\nexpected."]]
