Un MMM bayesiano combina distribución previa, información de datos y verosimilitud para producir distribución posterior.
Un MMM bayesiano combina distribución previa, información de datos y verosimilitud para producir distribución posterior. Su interés no es hacer subjetivo un modelo, sino exponer hipótesis, estabilizar parámetros poco identificables y expresar directamente probabilidad de decisión. Un prior nunca debe imponer resultado esperado: representa conocimiento documentado, restricción plausible o regularización, y se prueba su influencia.
Decisión y método.
Use posteriores para elegir asignaciones cuya probabilidad de superar umbral económico siga siendo suficiente bajo varios priors y calibraciones. Especifique resultado, controles, tendencia, estacionalidad, adstock, saturación, interacciones y nivel jerárquico, uniendo cada uno a hipótesis negocio comprobable. Convierta experimentos internos, estudios, benchmarks comparables y restricciones en distribuciones; publique cuantiles plausibles y mantenga prior débil. Controle convergencia, tamaño efectivo, autocorrelación, divergencias y predicción posterior; pruebe recuperación con simulados y periodos reservados. Compare posteriores con experimentos, varíe priors y simule decisiones; permita asignación solo si sigue aceptable en variantes creíbles.
Ejemplo calculado.
Datos semanales dan a vídeo ROAS inestable 4,1 ± 3,0 porque gasto sigue estacionalidad. Experimento comparable estima 1,8 ± 0,5. Prior retenido: 1,9 ± 0,8. Aproximación normal: precisión prior 1/0,8² = 1,5625, datos 1/3² = 0,1111. Media posterior: (1,9 × 1,5625 + 4,1 × 0,1111) ÷ 1,6736 = 2,05. Desviación posterior: √(1/1,6736) = 0,77. Probabilidad ROAS sobre 1,6: 72%. No amplíe al máximo: 72% queda bajo puerta 80%. Financie experimento geográfico.
Controles y límites.
Documente fuentes, escalas y transporte de priors; verifique convergencia, predicción y recuperación; use probabilidades de umbral y riesgo de pérdida; compare varios priors creíbles y calibración experimental. Prior preciso puede dominar datos débiles; convergencia numérica no garantiza causalidad ni especificación correcta; posteriores son condicionales a variables, transformaciones y datos elegidos.
Recursos y fuentes.
Descargar modelo MMM bayesiano ilustrativo. Relacionado: validar MMM, calibrar con experimentos, decidir bajo incertidumbre. Fuentes: Gelman et al. (2013); Jin et al. (2017); Vehtari, Gelman y Gabry (2017).