Ausgabe der Modellergebnisse generieren

Es gibt mehrere Möglichkeiten, die Ausgabe der Modellergebnisse zu generieren:

• einen zweiseitigen HTML-Bericht mit einem benutzerdefinierten Zeitraum erstellen und die HTML-Ausgabe in Google Drive exportieren, um sie für Ihr Team freizugeben.

• eine Zusammenfassung der Ergebnisse des Modells erstellen, um eigene Berichte und Visualisierungen anzupassen oder in ein anderes Format zu exportieren. Über diese numerischen Zusammenfassungen Ihrer Media-Messwerte haben Sie Zugriff auf weitere Details.

Sie können auch Media-Visualisierungen erstellen. Weitere Informationen

HTML-Bericht zu den Modellergebnissen erstellen

So erstellen und exportieren Sie den Bericht zu den Modellergebnissen:

1. Wenn Sie Colab verwenden und den Bericht in Google Drive exportieren möchten, müssen Sie Google Drive auf Ihrem Colab-Notebook einbinden:

   from google.colab import drive
   drive.mount('/content/drive')
   

2. Initialisieren Sie die Summarizer-Klasse mit dem Meridian-Modellobjekt:

   summarizer = summarizer.Summarizer(meridian)
   

3. Übergeben Sie den Dateinamen, den Pfad, das Start- und das Enddatum an output_model_results_summary, um die Zusammenfassung für diesen Zeitraum zu erstellen und in der angegebenen Datei zu speichern.

   Beispiel:

   filepath = '/content/drive/MyDrive'
   start_date = '2020-01-05'
   end_date = '2020-12-27'
   summarizer.output_model_results_summary(f'{FILENAME}.html',
                                           filepath,
                                           start_date,
                                           end_date)
   

   Dabei gilt:

   • filepath ist der Pfad in Google Drive, unter dem Sie die Datei speichern möchten.
   • start_date ist das Startdatum des Berichts im Format JJJJ-MM-TT.
   • end_date ist das Enddatum des Berichts im Format JJJJ-MM-TT.
   • FILENAME ist der Name, den Sie für die Datei angeben möchten, z. B. summary_output.html. Die Dateiendung muss HTML sein.

   Der HTML-Bericht wird generiert und am angegebenen Speicherort gespeichert.

Anpassung des Modells

Im Bereich Your model's fit (Anpassung des Modells) können Sie die statistische Güte der Anpassung prüfen. Meridian liefert Statistiken zur Modellanpassung, darunter R-Quadrat, mittleren absoluten prozentualen Fehler (Mean Absolute Percentage Error, MAPE) und gewichteten mittleren absoluten prozentualen Fehler (Weighted Mean Absolute Percentage Error, wMAPE). Außerdem bietet Meridian visuelle Darstellungen, in denen der geschätzte Umsatz (oder KPI) mit den tatsächlichen Umsatzzahlen (oder KPI) verglichen wird. Diese Diagramme erleichtern die Beurteilung der Modellleistung und helfen festzustellen, ob das Modell unterangepasst ist.

Statistiken zur Modellanpassung können auch verwendet werden, um Kandidatenmodelle zu vergleichen. Die Messwerte zur Güte der Anpassung vermitteln jedoch kein vollständiges Bild davon, wie gut ein Modell für Kausalanalysen geeignet ist. Es ist wahrscheinlich, dass sich das beste Modell für Kausalanalysen vom besten Modell für Vorhersagen unterscheidet.

Informationen zur Beurteilung der Modellanpassung finden Sie unter Diagnosen für die Modellierung.

Beispielausgabe: (Klicken Sie auf das Bild, um es zu vergrößern.)

Umsatz- oder KPI-Beitrag

Im Bereich Revenue or KPI Contribution (Umsatz- oder KPI-Beitrag) wird die Auswirkung Ihrer medialen und nicht medialen Aktivitäten auf den Umsatz oder die KPI-Leistung analysiert. Sie können damit wichtige Messwerte wie den Return on Investment (ROI), den Prozentsatz der Ausgaben und den Prozentsatz des zusätzlichen Umsatzes oder inkrementellen KPIs für verschiedene Kanäle vergleichen. Außerdem können Sie in diesem Bereich den Beitrag nach Baseline, Preisaktionen und verschiedenen Marketingkanälen aufschlüsseln.

Beispielausgabe: (Klicken Sie auf das Bild, um es zu vergrößern.)

Return on Investment

Im Bereich Return on Investment finden Sie eine detailliertere ROI-Analyse für Channels, mit der sich die leistungsstärksten Channels ermitteln lassen. Sie können den ROI, den Grenz-ROI und die Effektivität channelübergreifend vergleichen. Außerdem finden Sie in diesem Bereich Informationen zum glaubwürdigen Intervall für die ROI-Schätzungen, was einen Vorteil von bayesschen Modellen darstellt.

Beispielausgabe: (Klicken Sie auf das Bild, um es zu vergrößern.)

Optimale Analyse

Im Bereich Optimal Analysis (Optimale Analyse) sehen Sie Ihr aktuelles Ausgabenniveau und ab wann der Grenz-ROI für die Ausgaben pro Channel sinkt. Außerdem erhalten Sie Empfehlungen zur optimalen Häufigkeit, damit Sie leichter entscheiden können, wie Sie Ihr Budget für das nächste Jahr einsetzen.

Beispielausgabe:

Zusammenfassung der Modellergebnisse generieren

Die Zusammenfassungen der Modellergebnisse werden über die Klasse MediaSummary generiert. Beim Initiieren dieser Klasse kann das glaubwürdige Intervall für die Modellergebnisse mit dem Argument confidence_level und der Zeitraum für die Modellschätzung mit dem Argument selected_times angegeben werden. Standardmäßig werden die zusammengefassten Statistiken mit einem glaubwürdigen Intervall von 90 % und für den gesamten Modellierungszeitraum generiert.

Beispiel:

Führen Sie die folgenden Befehle aus, um die Zusammenfassung mit den Standardeinstellungen zu generieren:

media_summary = visualizer.MediaSummary(meridian)
media_summary.summary_table()

Beispielausgabe: (Klicken Sie auf das Bild, um es zu vergrößern.)