Ein bayesianisches MMM macht die Annahmen sichtbar und die Entscheidungen probabilistisch.
Direkt überprüfbare Belege
Primärquellen zur Prüfung der zentralen Aussagen.
- Meridian, Einführung in Priors (öffnet in einem neuen Tab)
Rolle der Priors, Regularisierung und bayesianische Aktualisierung.
Stand des Nachweises
Was nicht reproduziert wurde.
Das Modell der Veröffentlichung wurde erneut trainiert und reproduziert die von ihr veröffentlichten Leistungsmaße. Eine bayessche Inferenz wurde dennoch nicht ausgeführt: das Modell der Veröffentlichung ist nicht bayessch, und die bayessche Methode, mit der sie sich vergleicht, wurde nicht wiederholt. Die auf dieser Seite dargestellten Berechnungen von Priors und Posteriors sind daher nicht reproduziert.
Was zu unterscheiden ist
Drei Bedingungen vor jeder Berechnung.
Nachvollziehbarer Prior
Jeder Prior nennt Quelle, Population, Periode, Skala und Grund der Übertragung. Interne Experimente gehen generischen Benchmarks vor; physikalische und wirtschaftliche Schranken regularisieren, ohne übermäßige Präzision zu erfinden.
Identifizierbarkeit vor Berechnung
Ein leistungsfähiger Sampler trennt zwei perfekt korrelierte Kanäle nicht. Variation, Saisonalität, Support, Kollinearität und Definitionsänderungen werden diagnostiziert, bevor die Prior-Familie gewählt wird.
Posteriore Entscheidung
Der Mittelwert eines ROAS genügt nicht. Rentabilitätswahrscheinlichkeit, Verlustrisiko, Verteilung der Grenzkurven und Bedauern der Allokationen berechnen. Die Regel hängt von Risikoaversion und Reversibilität ab.
Methode
Ein steuerbares bayesianisches MMM aufbauen
- 01Den erzeugenden Prozess spezifizieren
Ergebnis, Kontrollen, Trend, Saison, Adstock, Sättigung, Interaktionen und hierarchische Ebene definieren; jede Komponente an eine testbare Geschäftsannahme binden.
- 02Die Priors elizitieren
Experimente, Studien, vergleichbare Benchmarks und Restriktionen in Verteilungen übersetzen; plausible Quantile statt willkürlicher Präzision veröffentlichen und einen schwachen Referenz-Prior vorsehen.
- 03Anpassen und diagnostizieren
Konvergenz, effektive Stichprobengröße, Autokorrelation, Divergenzen und Posteriorprädiktion prüfen; Rückgewinnung auf simulierten Daten und die Fähigkeit testen, zurückgehaltene Perioden zu reproduzieren.
- 04Kalibrieren und entscheiden
Die Posteriors mit den Experimenten vergleichen, Sensitivitätsanalysen zu den Priors durchführen und die Entscheidungen simulieren; eine Allokation nur zulassen, wenn sie in den glaubwürdigen Varianten akzeptabel bleibt.
Vom Vorwissen zur Posteriorentscheidung
Drei Kanäle verbinden Prior und Daten; die finale Regel betrifft eine Rentabilitätswahrscheinlichkeit, nicht einen Punktkoeffizienten.
Der Prior verhindert einen falschen ROAS von 4,1 auf einem kollinearen Kanal
Die Wochendaten geben dem Video einen sehr instabilen ROAS von 4,1 ± 3,0, weil seine Ausgaben der Saison folgen. Ein vergleichbares früheres Experiment schätzt 1,8 ± 0,5. Der gewählte Prior ist 1,9 ± 0,8, um breiter zu bleiben als das Experiment.
Mit einer Normalapproximation beträgt die Prior-Präzision 1/0,8² = 1,5625 und die Datenpräzision 1/3² = 0,1111. Posteriormittelwert: (1,9 × 1,5625 + 4,1 × 0,1111) ÷ 1,6736 = 2,05. Posteriore Standardabweichung: √(1/1,6736) = 0,77. Die Wahrscheinlichkeit eines ROAS über der Schwelle 1,6 liegt bei rund 72 %.
Der Kanal wird nicht maximal ausgeweitet: 72 % bleiben unter dem Tor von 80 %. Ein geografisches Experiment wird finanziert, um die Information vor der nächsten Allokation zu erhöhen.
Voraussetzungen
Was erfüllt sein muss, um zu handeln.
- 01
Quellen, Skalen und Übertragung der Priors sind dokumentiert.
- 02
Konvergenz, Prädiktion und Parameterrückgewinnung sind geprüft.
- 03
Die Entscheidungen nutzen Schwellenwahrscheinlichkeiten und Verlustrisiko.
- 04
Mehrere glaubwürdige Priors und eine experimentelle Kalibrierung werden verglichen.
Grenzen
Was diese Analyse nicht belegt.
- Ein präziser Prior kann wenig informative Daten dominieren.
- Numerische Konvergenz garantiert weder Kausalität noch korrekte Spezifikation.
- Die Posteriors bleiben bedingt durch die gewählten Variablen, Transformationen und Daten.
Quellenangaben
Zitierte Literatur.
- Gelman, A. et al. (2013), Bayesian Data Analysis, 3rd ed.
- Jin, Y. et al. (2017), „Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects“, Google Research.
- Vehtari, A., Gelman, A. & Gabry, J. (2017), „Practical Bayesian Model Evaluation Using Leave-One-Out Cross-Validation“, Statistics and Computing.