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.
Explorative Datenanalyse durchführen
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Nachdem Sie Ihre Daten erhoben haben, sollten Sie eine explorative Datenanalyse durchführen, um Probleme mit der Datenqualität zu ermitteln und zu beheben. Dies ist ein entscheidender Schritt beim Marketing Mix Modeling (MMM), da Sie die Daten so bewerten und bestätigen können, dass sie Werbemaßnahmen, Kundenreaktionen und andere relevante Messwerte genau darstellen. Wenn Sie Probleme beheben, die im Rahmen der explorativen Datenanalyse ermittelt werden, können Sie die Zuverlässigkeit der Modellausgabe weiter verbessern.
Die grundlegenden Schritte für die Durchführung einer explorativen Datenanalyse:
- Prüfen Sie die Daten, um zu ermitteln, ob Daten fehlen oder unvollständig sind.
- Beheben Sie Probleme mit fehlenden Werten in Ihren Roheingabedateien.
- Prüfen Sie die Richtigkeit der Daten.
- Beheben Sie alle Anomalien, Ausreißer oder Ungenauigkeiten in den Daten.
- Analysieren Sie die Korrelation zwischen KPI-, Media- und Kontrollvariablen.
Es gibt viele Möglichkeiten, explorative Datenanalysen zu nutzen. Daher stellt Meridian keine Visualisierungen für diesen Prozess bereit. Sie sollten das richtige Gleichgewicht zwischen einer gründlichen, detaillierten Analyse für mehr Zuverlässigkeit und einer schnellen Überprüfung von Daten auf hoher Ebene, die weniger detaillierte Ergebnisse liefert, finden.
Berücksichtigen Sie diese Richtlinien, wenn Sie Ihre eigenen Visualisierungen erstellen, um Ihre explorative Datenanalyse zu unterstützen:
Vollständigkeit der Daten prüfen: Prüfen Sie, ob in den Daten Werte fehlen. Sie können Diagramme erstellen, in denen der Prozentsatz der Datenvollständigkeit für jede Variable (jeden Channel) angezeigt wird. Anschließend können Sie die Variablen untersuchen, die als unvollständig angezeigt werden.
Um die explorative Datenanalyse weiter zu verfeinern, können Sie Visualisierungen erstellen, die die Anzahl der Beobachtungen nach Jahr, Monat, Woche und Wochentag anzeigen. Suchen Sie nach unerwartet niedrigen Werten für einen Zeitraum.
Richtigkeit der Daten prüfen: Daten müssen fehlerfrei sein und dürfen keine Anomalien oder Ausreißer enthalten, die die Ergebnisse verfälschen könnten. Sie können beispielsweise den Anteil der Media-Ausgaben für jeden Channel vergleichen und den Trend eines Channels prüfen, um Ungewöhnliches zu erkennen.
Sie können diese Visualisierungen mit dem Mediaplan vergleichen oder mit dem Marketingteam zusammenarbeiten, um festzustellen, ob die Daten genau und detailliert genug sind.
Channelgröße prüfen: Sehen Sie sich den Anteil der Ausgaben für den Channel an.
Es kann schwierig sein, genaue Schätzungen für Channels mit einem sehr geringen Anteil an Ausgaben zu erhalten.
Daher ist es sinnvoll, sie mit anderen Channels zu kombinieren.
Variabilität der Media-Ausführung von Channels prüfen: Es kann schwierig sein, genaue Schätzungen für Channels mit geringer Variabilität bei der Media-Ausführung (Impressionen, Klicks usw.) zu erhalten. Wenn Sie relevante Informationen dafür haben, sollten Sie einen benutzerdefinierten A-priori-Wert verwenden.
Korrelation zwischen Variablen prüfen: Obwohl eine Korrelation zwischen KPI-, Media- und Kontrollvariablen nicht erforderlich ist, kann es in den folgenden Anwendungsfällen hilfreich sein, Visualisierungen zu erstellen, um dies zu prüfen:
Korrelation zwischen Media- und Kontrollvariablen analysieren, um festzustellen, ob es unerwartete Beziehungen gibt: So können Sie leichter entscheiden, ob Sie eine Media- oder Kontrollvariable beibehalten oder entfernen möchten.
Multikollinearität identifizieren: Wenn zwei oder mehr Media- und Kontrollvariablen stark miteinander korrelieren, entsteht Multikollinearität. Das kann dazu führen, dass Regressionsmodelle die Auswirkungen der kollinearen Variablen nur schwer berechnen können. Falls Sie beim Überprüfen Ihrer Daten eine Multikollinearität feststellen, können Sie entscheiden, welche Variablen in Ihr Modell aufgenommen oder daraus ausgeschlossen werden sollen.
Wenn Sie sicher sind, dass Ihre Daten korrekt und vollständig sind, können Sie sie in einem unterstützten Format laden und dann Ihr Modell erstellen.
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: 2025-08-29 (UTC).
[null,null,["Zuletzt aktualisiert: 2025-08-29 (UTC)."],[[["\u003cp\u003eExploratory data analysis (EDA) is a crucial step in marketing mix modeling (MMM) to assess and confirm the accuracy of data related to marketing efforts and customer responses.\u003c/p\u003e\n"],["\u003cp\u003eThe EDA process involves reviewing data for completeness, fixing missing values, evaluating accuracy, correcting anomalies, and checking the correlation between key performance indicators (KPIs) and other variables.\u003c/p\u003e\n"],["\u003cp\u003eEDA visualizations should check data completeness by identifying missing values and evaluating the number of observations over time.\u003c/p\u003e\n"],["\u003cp\u003eEDA visualizations should also check data accuracy by comparing media spend across channels and examining trends to detect anomalies or outliers.\u003c/p\u003e\n"],["\u003cp\u003eChecking correlation between variables, including media and control variables, can help identify unexpected relationships and multicollinearity issues that could affect the accuracy of the regression model.\u003c/p\u003e\n"]]],["Exploratory data analysis (EDA) is crucial for marketing mix modeling (MMM). Key actions include: reviewing data for completeness, fixing missing values, evaluating data accuracy, and correcting anomalies. Checking the correlation between KPI, media, and control variables can reveal unexpected relationships or multicollinearity. Visualizations, showing data completeness, accuracy, and correlation are helpful. The EDA process ensures data quality before loading data and building a model.\n"],null,["After you collect your data, perform an exploratory data analysis (EDA) to find\nand address any data quality issues. This is a critical step in the marketing\nmix modeling (MMM) process because it lets you assess the data to confirm that\nit accurately represents the marketing efforts, customer responses, and other\nrelevant metrics. By correcting issues discovered through the EDA process, you\ncan improve the reliability of the model output.\n\nThe basic process for performing an EDA is:\n\n1. Run a data review to identify any missing or incomplete data.\n2. Fix missing values in your raw input files.\n3. Evaluate the accuracy of the data.\n4. Correct any anomalies, outliers, or inaccuracies in the data.\n5. Check the correlation between your KPI, media, and control variables.\n\nThere are many ways to approach EDA, and so Meridian doesn't provide the\nvisualizations for this process. We recommend that you find the right balance\nfor your needs between running a thorough granular analysis for greater\nconfidence and a quick check of high-level data that gives less detailed\ninsight.\n\nConsider these guidelines as you produce your own visualizations to assist with\nyour EDA:\n\n- **Checking data completeness:** Check for missing values in the data.You can\n create charts that show the percentage of data completeness for each\n variable (channel), then investigate the variables that show as incomplete.\n\n To further refine your EDA, you can create visualizations that show the\n number of observations by year, month, week, and weekday. Look for\n unexpectedly lower observations for any time period.\n- **Checking data accuracy:** Ensure that data is accurate and free from\n anomalies or outliers that could skew results. Creating visualizations to\n check for accuracy can include comparing the share of media spend for each\n channel and checking the trend of a channel to identify anything unusual.\n You can compare these visualizations against the media plan or work with the\n marketing team to help identify whether the data is accurate and granular\n enough.\n\n- **Checking channels size:** look at the channel's share of spend.\n Channels with very small share of spend might be difficult to estimate.\n You might want to combine them with other channels.\n\n- **Checking variability of channels' media execution:** Channels with low\n variability in media execution (impressions, clicks, etc.) might be\n difficult to estimate. Consider using a custom prior, if you have relevant\n information for it.\n\n- **Checking correlation between variables:** Though correlation between\n KPI, media, and control variables is not required, creating visualizations\n to check for correlation can be helpful in the following use cases:\n\n - Measuring the correlation between media and control variables to see if\n there is any unexpected relationship. This can help you decide\n whether to keep or remove any media or control variable.\n\n - Identifying multicollinearity. When two or more variables in the media\n and control variables are highly correlated with each other, they create\n multicollinearity, which can cause regression models to have difficulty\n calculating the impact of the collinear variables. By identifying\n multicollinearity in your data review, you can decide which variables to\n include or exclude from your model.\n\nAfter you have confidence that your data is accurate and complete, you can [load\nthe data using a supported\nformat](/meridian/docs/user-guide/supported-data-types-formats), and then\n[create your model](/meridian/docs/user-guide/modeling-overview)."]]
