O processo de pré-modelagem é uma primeira etapa crucial na criação de uma Modelagem de Marketing Mix (MMM) de sucesso. Essa etapa envolve a coleta, limpeza e organização dos dados para garantir que eles estejam prontos para a modelagem. Uma fase completa de pré-modelagem ajuda a criar um modelo confiável. Esta seção fornece um guia para as principais etapas do processo de pré-modelagem.
| Página | Descrição |
|---|---|
| Coletar e organizar os dados | Saiba como reunir e organizar seus dados para o Meridian. Este guia aborda os dados essenciais de que você vai precisar, como gasto de mídia, KPIs e variáveis de controle. Ele também discute recomendações sobre o nível de granularidade dos seus dados em termos de geografia, tempo e canais de mídia. |
| Quantidade de dados necessários | Saiba a quantidade de dados necessária para seu modelo de mix de marketing. Esta página explica como a quantidade certa de dados pode variar. Ele aborda os diferentes requisitos de dados para modelos nacionais e geográficos e oferece soluções para situações em que você não tem dados suficientes. |
| Modelagem geográfica | Descubra as vantagens de usar dados divididos por regiões geográficas em vez de dados nacionais. O uso de dados geográficos pode gerar resultados mais precisos e confiáveis do modelo, melhorando a potência estatística e reduzindo possíveis vieses. Este guia também oferece dicas sobre como escolher suas áreas geográficas e incorporar dados nacionais em um modelo geográfico. |
| Usar a plataforma de dados da MMM | Este guia mostra como usar a plataforma de dados da MMM do Google para extrair dados importantes para seu modelo, como tendências da Pesquisa Google e métricas do YouTube. Você vai aprender a gerenciar o acesso, configurar a entrega de dados e fazer solicitações de dados. Ele também detalha a estrutura dos dados que você vai receber de várias plataformas de publicidade do Google. |
| Fazer análise de dados detalhada | Saiba como realizar uma análise de dados exploratória (EDA), uma etapa essencial antes de criar seu modelo. Esse processo ajuda a encontrar e corrigir problemas nos dados, garantindo que o modelo seja criado com uma base sólida. Você vai aprender a verificar se há dados ausentes ou imprecisos, corrigir erros e procurar correlações fortes entre variáveis que podem afetar a performance do modelo. |