Toda a experiência que compartilhei minha exploração desde a liberação do Meridian.
Aqui estão todos os posts que fiz no Linkedin sobre o assunto.
Originalmente postado em 18 de maio de 2025 em Linkedin
GOOGLE MERIDIAN MMM – Dia 1
O Google Meridian traz diversas vantagens para a análise e otimização de investimentos em mídia. Entre os principais benefícios, destacam-se:
Modelo Bayesiano
Utiliza métodos Bayesianos para quantificar a incerteza nas contribuições da publicidade, permitindo decisões mais informadas. Essa abordagem flexível é especialmente útil em cenários com dados limitados, pois incorpora conhecimento prévio, como priors de ROI, que refletem o desempenho esperado dos canais de mídia.
Modelagem Hierárquica Geo-Baseada
Ao incorporar dados em nível geográfico, o Meridian permite uma análise mais detalhada da eficácia do marketing. Essa modelagem hierárquica possibilita que áreas com dados escassos se beneficiem das informações de localidades com maior conhecimento, estendendo a análise de mais de 50 regiões até o nível nacional, quando necessário.
Priorização de ROI
O modelo pode ser reparametrizado para tratar o ROI de cada canal como parâmetro. Isso possibilita o uso de insights oriundos de testes de incrementalidade e benchmarks da indústria para uma calibração mais precisa, facilitando a identificação dos canais com melhor desempenho.
Incorporação de Alcance e Frequência
A plataforma permite o uso de dados de alcance (número de usuários expostos ao anúncio) e frequência (média de vezes que o anúncio é visualizado por usuário). Essa funcionalidade oferece insights adicionais sobre o desempenho de canais específicos, ajudando a ajustar a frequência ideal para maximizar o ROI.
Intercepto Variável no Tempo
Diferente dos modelos tradicionais que consideram um intercepto constante, o Meridian adota um intercepto que varia ao longo do tempo. Essa característica melhora a captura de flutuações na consciência da marca e no crescimento dos negócios, refletindo variações naturais nas vendas de referência.
Tomada de Decisão e Documentação Completa
A ferramenta fornece recomendações acionáveis, como a determinação da frequência ideal de anúncios e o mix de mídia mais impactante dentro de restrições de otimização. Toda a teoria e implementação do modelo são acompanhadas por uma documentação técnica detalhada.
Outras Funcionalidades
O Meridian também suporta a modelagem de saturação, efeitos defasados para mídia paga e orgânica, e a inclusão de variáveis não relacionadas à mídia, como alterações de preço e promoções. Além disso, oferece métodos para calibrar o MMM com experimentos e dados prévios, incluindo o uso do volume de consulta do Google como controle ao avaliar o impacto da pesquisa paga.
GOOGLE MERIDIAN MMM – Dia 2 – Quais as vantagens do Google Meridian em relação ao seu antecessor LightWeight MMM?
Base Tecnológica Atualizada
O Meridian utiliza o TensorFlow Probability, proporcionando maior robustez e capacidades avançadas de modelagem estatística. Em contrapartida, o Lightweight MMM era baseado no Numpyro e JAX, tecnologias que hoje são superadas pelo novo framework.
Aprimoramento da Modelagem Bayesiana
Embora ambos os modelos utilizem uma abordagem Bayesiana, o Meridian refina essa técnica ao oferecer uma quantificação mais precisa da incerteza. Isso possibilita a priorização adequada entre dados informativos e não informativos, garantindo uma calibração do modelo mais robusta, especialmente em contextos com dados limitados.
Modelagem Hierárquica Geo-Baseada Otimizada
O Meridian explora melhor os dados geográficos, permitindo a integração de informações de mais de 50 localidades, ajustando a granularidade da análise conforme a disponibilidade dos dados. Essa flexibilidade aprimora a eficácia da modelagem regional em comparação com o modelo anterior.
Incorporação de Priors de ROI Reparametrizados
Com o Meridian, o ROI de cada canal pode ser reparametrizado e tratado como um parâmetro do modelo. Isso facilita a incorporação de insights de testes de incrementalidade e benchmarks da indústria, algo que o Lightweight MMM não oferecia.
Utilização de Dados de Alcance e Frequência
A nova plataforma permite a inclusão de informações de alcance (número de usuários expostos) e de frequência (média de vezes que um usuário vê o anúncio) como inputs do modelo. Esse recurso enriquece a análise do desempenho dos canais de mídia, proporcionando insights que não eram possíveis no modelo anterior.
Inferência Causal e Otimização
Baseado na teoria de inferência causal, o Meridian pode utilizar variáveis de controle, como o volume de consultas do Google, para mensurar o impacto da pesquisa paga. Além disso, oferece funcionalidades para otimizar a alocação de orçamento e a frequência dos anúncios, auxiliando na tomada de decisões estratégicas.
Melhor Visualização e Personalização
Com um dashboard intuitivo, o Meridian facilita a visualização dos resultados e a comunicação dos insights extraídos. Sua alta personalização permite a configuração de priors e a adaptação do modelo às especificidades de cada negócio, superando as limitações da interface do Lightweight MMM.
GOOGLE MERIDIAN MMM – Dia 3 – E os dados? O que é preciso fazer?
Antes de qualquer tentativa de aplicar um modelo estatístico, é preciso organizar os dados. Ao observar os dados de de teste do Meridian, vejo um diferencial em relação as demais ferramentas de código aberto que é o input de variáveis geográficas e o tamanho da população. Interessante fazer em uma “rodada” diferentes geografias para o modelo.
GOOGLE MERIDIAN MMM – Dia 4 – Pacotes Essenciais no Meridian MMM
TensorFlow, TensorFlow Probability e Arviz
No desenvolvimento do Meridian MMM, alguns pacotes vão muito além do básico e são fundamentais para construir e analisar os modelos de mix de marketing. Hoje, vamos destacar três deles: TensorFlow, TensorFlow Probability e Arviz.
TensorFlow
Utilizado como a espinha dorsal do framework, o TensorFlow é uma poderosa biblioteca de machine learning que permite a criação e o treinamento de modelos computacionais de forma eficiente. No contexto do Meridian, ele oferece a infraestrutura necessária para implementar algoritmos complexos, possibilitando o processamento em larga escala e a integração com outras ferramentas.
TensorFlow Probability
Esta extensão do TensorFlow é essencial para a modelagem Bayesiana adotada pelo Meridian. O TensorFlow Probability facilita a definição de distribuições de probabilidade e a realização de inferências estatísticas avançadas. Essa capacidade é crucial para quantificar incertezas e incorporar conhecimento prévio—aspectos fundamentais para calibrar o modelo com dados experimentais e benchmarks do setor.
Arviz (az)
Arviz é a biblioteca que complementa o fluxo de trabalho de inferência Bayesiana, oferecendo recursos avançados para análise e visualização dos resultados. Com o Arviz, é possível gerar gráficos, resumos estatísticos e diagnósticos que ajudam a avaliar a convergência dos modelos e a interpretar a qualidade das estimativas. Essa ferramenta facilita a comunicação dos insights e torna a análise mais acessível para equipes técnicas e estratégicas.
Destaque Integrado
A combinação desses pacotes proporciona uma base robusta e moderna para o Meridian MMM. Enquanto o TensorFlow garante a eficiência computacional, o TensorFlow Probability permite modelar as incertezas de forma sofisticada, e o Arviz transforma os resultados em insights visuais e estatísticos claros. Essa integração é vital para decisões estratégicas em marketing, onde a interpretação precisa dos dados pode fazer toda a diferença.
GOOGLE MERIDIAN MMM – Dia 5 – Módulos do Meridian MMM – Estrutura e Funcionalidades para Modelagem e Análise
O Meridian MMM é composto por uma série de módulos que organizam todo o fluxo do processo de modelagem, desde a manipulação dos dados até a visualização dos resultados. Vamos explorar cada um desses módulos e entender como eles contribuem para uma solução robusta e flexível.
❇️ meridian.constants
Este módulo define as constantes utilizadas em todo o framework, garantindo consistência e padronização no desenvolvimento e manutenção dos modelos.
❇️ meridian.data.load
Responsável por carregar os dados necessários para a modelagem, esse módulo padroniza o processo de leitura e pré-processamento, assegurando que os dados estejam formatados e prontos para análise.
❇️ meridian.data.test_utils
Oferece ferramentas para testes e validação dos dados, ajudando a identificar e corrigir inconsistências ou erros antes que eles afetem o desempenho do modelo.
❇️ meridian.model.model
Este é o núcleo do Meridian MMM, onde a lógica e a implementação dos modelos de mix de marketing são definidas. Ele integra as funcionalidades de processamento e treinamento dos algoritmos.
❇️ meridian.model.spec
Permite a especificação e configuração dos modelos, oferecendo flexibilidade para adaptar a estrutura do MMM às necessidades específicas de cada projeto ou cliente.
❇️ meridian.model.prior_distribution
Focado na modelagem Bayesiana, esse módulo gerencia a definição e o ajuste dos priors. Ele é fundamental para incorporar conhecimento prévio e calibrar o modelo com base em testes incrementais ou benchmarks do setor.
❇️ meridian.analysis.optimizer
Este módulo é responsável por otimizar os parâmetros do modelo, garantindo que os resultados sejam o mais precisos possível e que o modelo se ajuste aos dados de forma eficaz.
❇️ meridian.analysis.analyzer
Após o treinamento, o analyzer processa os outputs do modelo, gerando métricas e insights que evidenciam a contribuição de cada canal de mídia e auxiliam na tomada de decisão.
❇️ meridian.analysis.visualizer
A criação de visualizações interativas é feita por este módulo, que transforma os dados brutos em gráficos e dashboards de fácil interpretação, facilitando a comunicação dos resultados.
❇️ meridian.analysis.summarizer
Concentra as informações essenciais em resumos estatísticos, permitindo uma análise rápida e efetiva dos resultados obtidos pelo modelo.
❇️ meridian.analysis.formatter
Por fim, o formatter organiza e formata os resultados para que possam ser incorporados em relatórios e apresentações de maneira clara e estruturada.
GOOGLE MERIDIAN MMM – Dia 6 – Ainda sobre Dados: variáveis, granularidades…
A qualidade e a granularidade dos dados são essenciais para garantir resultados precisos e insights confiáveis. Uma coleta robusta e detalhada é o primeiro passo para alimentar o modelo de forma adequada.
É recomendado que os dados históricos contemplem, no mínimo, dois anos de dados semanais para modelos em nível geográfico e três anos para modelos nacionais. Se os dados estiverem disponíveis apenas em base mensal, o ideal é utilizar o equivalente a pelo menos três anos de observações. Essa quantidade de dados permite que o modelo capture tendências, sazonalidades e variações que são cruciais para a obtenção de estimativas consistentes.
Outro aspecto importante é a organização dos canais de mídia. Recomenda-se manter o número de canais abaixo de 20. Essa limitação assegura que cada canal disponha de volume e variação suficientes para gerar estimativas confiáveis, evitando a dispersão dos dados e facilitando a calibração do modelo.
A granularidade geográfica também desempenha um papel fundamental. Coletar dados segmentados por regiões possibilita que o modelo considere as nuances locais e utilize a estrutura bayesiana hierárquica do Meridian, gerando intervalos de confiança menores e mais precisos em estimativas como o ROI. Caso não seja possível obter dados geográficos detalhados, uma alternativa aceitável é utilizar dados nacionais, desde que haja um número suficiente de pontos de dados para medir os efeitos desejados.
O Meridian é compatível com diversos tipos e formatos de dados, o que amplia sua versatilidade. Entre os tipos de dados aceitos estão: dados geográficos (tanto com quanto sem métricas de alcance e frequência), dados que incluem tratamentos de mídia orgânica e não relacionados à mídia, além dos dados nacionais.
Em relação aos formatos, o sistema trabalha com arquivos CSV, conjuntos de dados em Xarray e outros formatos que possam ser transformados em DataFrames do Pandas.
Por fim, as variáveis de controle são fundamentais para administrar os fatores de confusão que afetam tanto o KPI quanto as métricas de mídia. A plataforma de dados da MMM do Google (precisa solicitar via formulário) oferece acesso a informações valiosas, como o volume de consultas do Google (GQV) e os dados de alcance e frequência do YouTube.
Embora o Meridian não exija obrigatoriamente os dados de GQV, incluir essa variável de controle pode reduzir vieses no modelo, tornando a análise mais robusta e precisa.
GOOGLE MERIDIAN MMM – Dia 7 – Configurar o Modelo (Parte 1)
(a parte de dados tem ainda muito a discutir, mas é só um post né…)
(Mas a parte de configuração do modelo…também)
No Meridian MMM, o uso do framework Bayesiano aliado aos algoritmos de Markov Chain Monte Carlo (MCMC) permite integrar informações prévias com os dados observados, gerando uma distribuição posterior que reflete a incerteza dos parâmetros. Essa abordagem robusta é fundamental para calibrar o modelo, pois os priors – como os definidos para o ROI dos canais de mídia – são ajustados à medida que novas evidências são incorporadas, proporcionando estimativas mais confiáveis e intervalos de confiança que embasam decisões estratégicas.
No primeiro caminho, apresentado no código inicial, a configuração do modelo adota priors idênticos para todos os canais de mídia. Nesse caso, cada canal recebe o mesmo prior, definido como uma distribuição LogNormal(0.2, 0.9). Essa abordagem unificada simplifica a implementação e é especialmente adequada quando os canais apresentam características similares, permitindo uma calibração consistente do ROI sem a necessidade de ajustes individuais.
Alternativamente, o Meridian MMM possibilita a customização dos priors, permitindo definir distribuições a priori distintas para cada canal de mídia. Essa opção é ideal quando há evidências ou conhecimento prévio que indicam diferenças no comportamento dos canais. Por exemplo, é possível configurar o Canal 1 com LogNormal(0.2, 0.7), o Canal 2 com LogNormal(0.3, 0.9) e assim por diante, refletindo melhor as particularidades de cada canal. Essa personalização aprimora a calibragem do modelo, tornando as estimativas de ROI mais precisas e adaptadas à heterogeneidade do mix de marketing.
Me diz se está curtindo nos comentários, dedico esse tempo para compartilhar a exploração da ferramenta com você!
GOOGLE MERIDIAN MMM – Dia 8 – Configurar o Modelo (Parte 2)
O modelo do Meridian MMM usa uma abordagem de simulação para “experimentar” diferentes cenários.
Na primeira etapa, o comando mmm.sample_prior(500) “tira 500 fotos” das suas expectativas iniciais – ou seja, antes de usar os dados reais, o modelo usa as suas suposições (priors) para mostrar como ele espera que cada canal se comporte. Essa etapa é importante para validar as expectativas e ajustar o modelo antes de ver os resultados reais.
Depois, o comando mmm.sample_posterior(n_chains=7, n_adapt=500, n_burnin=500, n_keep=1000) incorpora os dados históricos, que incluem informações dos canais e a receita de vendas (a variável resposta). Aqui, o modelo executa 7 simulações paralelas (cadeias), onde cada cadeia passa por 500 iterações de adaptação – um período de “aquecimento” em que o modelo ajusta sua estratégia com base nos dados – e, em seguida, descarta outras 500 iterações iniciais (o burn-in) para garantir que as cadeias estejam bem calibradas. Por fim, ele guarda 1000 iterações de cada cadeia para formar a previsão final, que indica quanto cada canal contribui para as vendas.
E se mexer nesses números?
Aumentar o número de cadeias (n_chains) significa que o modelo vai realizar mais simulações independentes, o que pode melhorar a precisão e a confiabilidade das previsões, mas também exige mais poder computacional e tempo de processamento.
Da mesma forma, aumentar o número de iterações – tanto durante a adaptação (n_adapt) quanto o burn-in (n_burnin) e as amostras finais (n_keep) – proporciona estimativas mais detalhadas e precisas, pois o modelo tem mais tempo para “aprender” e se estabilizar com os dados. Por outro lado, reduzir esses números pode acelerar o processo, mas o modelo pode não ter tempo suficiente para convergir, resultando em previsões menos precisas. Em resumo, é um equilíbrio entre a qualidade das estimativas e o tempo/recursos disponíveis para rodar o modelo.
GOOGLE MERIDIAN MMM – Dia 9 – Gráficos (Parte 1)
A primeira saída de gráfico na demo do Meridian é o R-hat Convergence Diagnostic, que avalia se os parâmetros do modelo (no eixo horizontal) convergiram durante a amostragem. Cada “box” representa a distribuição dos valores de R-hat para um parâmetro específico (alpha, beta, gamma, roi_m etc.).
No eixo vertical (R-hat), valores próximos de 1 indicam convergência adequada; acima de ~1.2, o modelo pode não ter convergido e requer mais iterações ou ajustes.
Os parâmetros no eixo horizontal refletem diferentes aspectos do mix de marketing: alpha é o intercepto (base do canal), beta mede a elasticidade (quanto o gasto em mídia afeta o resultado), gamma lida com carryover (efeitos de longo prazo), eta modela retornos decrescentes, sigma indica incerteza (desvio padrão dos resíduos), e mu representa a média da resposta.
Os boxes e outliers mostram a dispersão dos valores de R-hat; quanto mais próximos de 1, melhor a convergência. Outliers sugerem cadeias com dificuldade de convergência. Em resumo, se vários parâmetros tiverem R-hat acima de 1,2 o modelo pode precisar de mais iterações ou configurações para convergir.
Alpha (𝛼): Intercepto do modelo, base de contribuição do canal. Pode aparecer como 𝛼ₘ ou 𝛼ₒₘ para interceptos específicos.
Beta (𝛽): Elasticidade da mídia, mostrando como o gasto em TV ou digital afeta vendas. 𝛽₍gₘ₎, 𝛽₍gom₎, 𝛽ₘ etc. podem ser elos para canais distintos.
Gamma (𝛾): Efeitos de carryover ou saturação, usados em adstock para capturar decaimento do impacto de mídia ao longo do tempo.
Eta (𝜂): Parâmetros de Hill para retornos decrescentes, controlando saturação e inclinação da curva de investimentos.
Sigma (𝜎): Desvio padrão dos resíduos, mostrando quanta incerteza resta nas previsões.
Mu (𝜇): Média da variável resposta ou de transformações, útil para centralizar distribuições em modelos bayesianos.
Valores dos Nós (Knot values): Usados em splines para capturar relações não lineares (por exemplo, entre gastos e ROI).
Roi_m, Tau_g, Xi_c, Xi_n: Possíveis parâmetros de ROI por canal, variáveis temporais ou ruído, dependendo da configuração.
Em resumo, esse gráfico permite verificar se o modelo MMM, ao estimar cada parâmetro, alcançou resultados consistentes entre as diferentes cadeias de simulação.
GOOGLE MERIDIAN MMM – Dia 10 – Dúvidas sobre o último post
Porque eu preciso ver o R-hat? Qual a importância disso?
Recebo algumas dúvidas por DM e algumas eu respondo direto criando um dialogo de horas (🤣 é muito bom falar sobre!) , mas acho importante colocar aqui sobre o R-hat.
No gráfico do post anterior o “R-hat Convergence Diagnostic” parece aleatório para quem não teve contato com a parte bayesiana da estatística e é normal, pois nem sempre é o foco essa abordagem.
O R-hat (também chamado de R^ – não sei como colocar o circunflexo no R aqui no Linkedin), ou “Potencial Scale Reduction Factor”) é usado na estatística Bayesiana para avaliar a convergência de cadeias de Monte Carlo via Métodos de Markov (MCMC). Ele mede se múltiplas cadeias MCMC chegaram a uma distribuição estacionária comum, o que indica que a amostragem está bem comportada e os resultados podem ser confiáveis.
Interpretação do R-hat ( usando referência da documentação)
Se 𝑅-hat ≈1 : As cadeias convergiram e estão bem misturadas, indicando que a amostragem é confiável.
Se R-hat>1.2 : Há evidência de que as cadeias ainda não convergiram, sugerindo que mais iterações são necessárias.
Valores muito acima de 1.2 indicam que as cadeias estão explorando diferentes regiões do espaço de parâmetros, o que pode ser um problema de mistura inadequada.
Se estiver analisando um modelo e o R-hat for maior que 1.2, o ideal é:
1 – Aumentar o número de iterações da cadeia.
2 – Descartar uma maior fração inicial (warm-up/burn-in) para evitar influência dos valores iniciais.
3 – Melhorar a mistura das cadeias, testando reparametrizações ou ajustando os hiperparâmetros do modelo.
Vou simular um gráficos para ilustrar melhor:
Trace Plot: Se as cadeias estão bem misturadas e sem tendências, a convergência é boa.
GOOGLE MERIDIAN MMM – Dia 11 – Model Fit
Ao lado do gráfico, o Meridian exibe métricas de ajuste do modelo que avaliam a qualidade das previsões e a confiabilidade dos resultados. Confira abaixo cada métrica, sua tradução, explicação e um exemplo ilustrativo:
R-squared (R²) ou Coeficiente de Determinação
Indica a proporção da variação dos dados que o modelo explica. Quanto mais próximo de 1, melhor o ajuste.
Se um modelo apresenta R² de 0,93, isso significa que 93% da variação nas vendas é explicada pelo modelo. Imagine que, ao prever a receita de vendas, o modelo capta quase toda a variação observada, deixando apenas 7% da variação sem explicação.
MAPE (Mean Absolute Percentage Error) – Erro Percentual Absoluto Médio
Mede a diferença percentual média entre as previsões e os valores reais. Valores mais baixos indicam melhor precisão.
Um MAPE de 1% significa que, em média, as previsões do modelo estão a apenas 1% dos valores reais. Se a previsão de vendas for de R$ 100.000 e a venda real R$ 101.000, o erro percentual é de aproximadamente 1%.
(Weighted MAPE) – MAPE Ponderado
Similar ao MAPE, porém os erros são ponderados pela receita real, dando mais importância a períodos com maior volume de vendas.
Se um mês com alta receita tem um erro de 1% e um mês de baixa receita também 1%, o wMAPE reflete melhor a importância financeira dos erros, destacando que uma previsão imprecisa em um mês de alta receita é mais relevante do que um erro similar em um mês com vendas menores. Um wMAPE de 1% indica excelente desempenho, considerando a relevância dos erros em períodos críticos.
Essas métricas são essenciais para entender se o modelo está bem ajustado. Um R² alto aliado a MAPE e wMAPE baixos demonstra que o modelo capta com precisão os padrões dos dados históricos, apoiando decisões estratégicas na alocação de investimentos em mídia.
Eai profissional de mídia, já tinha visto esses indicadores de modelo?
GOOGLE MERIDIAN MMM – Dia 13
Gráficos (Parte 2)
Na minha opinião, 2 gráficos são os mais importantes na decisão de negócio. Eles já se vendem de forma resumida e direta:
1 – Otimização de investimento
Este gráfico ilustra como o modelo sugere ajustar o investimento em cada canal de mídia. Cada barra representa a diferença entre o valor otimizado e o gasto atual. Valores negativos indicam que o modelo recomenda reduzir o investimento naquele canal, enquanto valores positivos sinalizam um aumento. Dessa forma, você pode identificar facilmente onde alocar mais ou menos recursos para maximizar o retorno, de acordo com a análise do Meridian MMM.
2- Efeito da Otimização na Receita
Este gráfico ilustra a relação entre os gastos otimizados e a receita incremental de cada canal.
A barra “non_optimized” mostra a receita incremental antes da otimização, considerando o nível atual de gastos.
As barras subsequentes representam a mudança na receita incremental para cada canal com base no novo nível de gasto otimizado. Isso reflete o impacto direto da alocação otimizada de recursos, que pode resultar em um aumento significativo da receita.
A última barra, rotulada como “optimized”, mostra a receita incremental total após a otimização, ou seja, o benefício que se espera alcançar com a redistribuição do orçamento. Esse gráfico é útil para avaliar a eficácia da otimização e entender onde os maiores aumentos na receita podem ser alcançados ao ajustar os investimentos nos canais.
GOOGLE MERIDIAN MMM – Dia 14 – Gráficos (Parte 3)
Curva de Saturação
É o gráfico obrigatório para explicar o porquê de não colocar mais orçamento em determinada mídia. O modelo mostra um gráfico para cada canal. E mesmo que tenha um “espacinho” para colocar um pouco mais o modelo está considerando todos os gráficos juntos para tirar o máximo de resultado. É como se fosse um cobertor, se puxar demais descobre o pé.
Este gráfico exibe como a receita incremental do Channel_0 varia conforme o gasto. O eixo horizontal representa o valor investido, enquanto o vertical mostra a receita incremental prevista. A linha pontilhada indica o comportamento do canal dentro dos limites de investimento estipulados, enquanto a linha tracejada (se presente) projeta o resultado fora desses limites. Os marcadores em destaque mostram a situação atual (non-optimized spend) e a recomendação do modelo (optimized spend). Assim, é possível visualizar o ponto em que o canal atinge o melhor equilíbrio entre investimento e retorno.
GOOGLE MERIDIAN MMM – Dia 15 – VIDEO TUTORIAL COMPLETO
Primeiro Tutorial (em Português) do Google Meridian MMM
Como prometido segue a apresentação do código com comentários e recomendações de uso do que tenho estudado nos últimos dias sobre como utilizar a ferramenta.
GOOGLE MERIDIAN MMM – Dia 16 – ROI, mROI e Curvas de resposta
Como eles trabalham juntos?
ROI – Retorno sobre Investimento
O ROI é uma métrica que mostra quanto você ganha de resultado incremental (por exemplo, vendas adicionais) em relação ao que foi investido em um canal de mídia. Imagine que você investe R$ 200 em uma campanha e, como resultado, suas vendas aumentam em R$ 1.000. O ROI seria calculado dividindo o ganho extra pelo custo do investimento (1.000 / 200), resultando em 5. Isso significa que para cada R$ 1 investido, você obteve R$ 5 de retorno.
mROI – ROI Marginal
O mROI foca no retorno adicional que você obtém ao aumentar um pouco mais o investimento em um canal. Por exemplo, suponha que ao aumentar o investimento de uma campanha em 1%, suas vendas cresçam em 2%. Esse aumento percentual é o ROI marginal, que ajuda a entender se vale a pena aumentar o investimento. Em outras palavras, o mROI indica o retorno sobre cada real extra investido, auxiliando na decisão de aumentar ou não o orçamento.
Curvas de Resposta
As curvas de resposta mostram a relação entre o valor investido em um canal e o resultado incremental gerado. Pense em uma curva que, inicialmente, aumenta rapidamente: isso significa que pequenos investimentos trazem um grande aumento nas vendas. Porém, após certo ponto, a curva se estabiliza, mostrando que investir mais gera retornos cada vez menores. Por exemplo, ao investir R$ 100, as vendas podem aumentar significativamente, mas ao passar de R$ 500, cada real adicional pode trazer apenas um pequeno aumento nas vendas. Essas curvas ajudam a identificar o ponto de saturação, ou seja, o limite além do qual o investimento extra não traz ganhos proporcionais.
Esses conceitos se baseiam na comparação entre o que realmente aconteceu e o que teria acontecido se nenhum investimento tivesse sido feito em um canal específico – um cenário contrafactual. Mesmo quando os dados não mostram completamente esse cenário, os modelos fazem uma estimativa para fornecer uma visão clara do retorno esperado. Dessa forma, ROI, mROI e as curvas de resposta são ferramentas essenciais para orientar a alocação eficiente do orçamento de mídia, permitindo que você invista onde os retornos são mais expressivos e evite gastos desnecessários.
hashtag#meridian hashtag#google hashtag#MMM
GOOGLE MERIDIAN MMM – Dia 17 – Especificação do Modelo
É possível configurar de forma customizada o modelo do Google Meridian para atender às necessidades específicas. O Meridian oferece flexibilidade, permitindo ajustar desde as distribuições a priori até parâmetros operacionais essenciais para uma análise robusta do mix de marketing.
Começamos definindo a especificação padrão do modelo usando o comando model_spec = spec.ModelSpec(…). Nessa etapa, configuramos opções fundamentais, como a distribuição dos efeitos de mídia (por exemplo, ‘log_normal’), o número máximo de períodos de atraso para o cálculo do Adstock (max_lag) e a decisão de usar ou não uma variância residual única para cada região (unique_sigma_for_each_geo). Essas escolhas garantem que o modelo seja ajustado às características dos dados disponíveis e ao comportamento esperado dos canais.
Uma das partes mais importantes é a definição das distribuições a priori para os parâmetros, em especial para o ROI dos canais de mídia. Por padrão, pode-se aplicar uma distribuição LogNormal(0.2, 0.9) para todos os canais, o que simplifica a configuração e proporciona uma calibração consistente do ROI quando os canais têm comportamentos semelhantes. No entanto, se houver evidências de que os canais se comportam de maneira distinta, o modelo permite definir priors diferentes para cada um. Por exemplo, você pode configurar o Canal 1 com uma LogNormal(0.2, 0.7), o Canal 2 com uma LogNormal(0.3, 0.9), e assim por diante, ajustando os parâmetros conforme a ordem dos canais na base de dados. Essa personalização aprimora a capacidade do modelo de incorporar o conhecimento prévio e refinar as estimativas dos retornos esperados.
Além disso, o Meridian possibilita configurar a calibragem do ROI definindo períodos específicos para determinados canais. Com isso, é possível utilizar matrizes booleanas, como roi_calibration_period (para canais sem dados de alcance) ou rf_roi_calibration_period (para canais com dados de alcance e frequência), permitindo que o modelo use somente os períodos mais relevantes para calibrar o ROI. Essa abordagem melhora significativamente a precisão das estimativas, ajustando o retorno esperado com base em dados específicos.
Outros parâmetros customizáveis incluem a definição da região de base (baseline_geo), que estabelece uma referência para comparação entre regiões, e a ordem de aplicação das transformações – por exemplo, optar por aplicar a função de Hill antes da Adstock (hill_before_adstock), o que pode impactar a modelagem dos retornos decrescentes. Ainda, é possível escolher entre diferentes distribuições para os efeitos aleatórios da mídia, por meio do parâmetro media_effects_dist, e ajustar variáveis de controle com control_population_scaling_id, que melhora a correlação dessas variáveis com o KPI.
