Un MMM bayesiano combina distribuzione prior, informazione dei dati e verosimiglianza per produrre distribuzione post…
Un MMM bayesiano combina distribuzione prior, informazione dei dati e verosimiglianza per produrre distribuzione posteriore. Il suo interesse non è rendere soggettivo un modello, ma esporre ipotesi, stabilizzare parametri poco identificabili ed esprimere direttamente probabilità di decisione. Un prior non deve mai imporre risultato atteso: rappresenta conoscenza documentata, vincolo plausibile o regolarizzazione, e la sua influenza viene testata.
Decisione e metodo.
Usate distribuzioni posteriori per scegliere allocazioni la cui probabilità di superare soglia economica resti sufficiente sotto più prior e calibrazioni. Specificate risultato, controlli, trend, stagione, adstock, saturazione, interazioni e livello gerarchico, collegando ogni componente a ipotesi business testabile. Convertite esperimenti interni, studi, benchmark comparabili e vincoli in distribuzioni; pubblicate quantili plausibili e mantenete prior debole. Controllate convergenza, dimensione effettiva, autocorrelazione, divergenze e previsione posteriore; testate recupero su simulati e periodi esclusi. Confrontate posteriori con esperimenti, variate prior e simulate decisioni.
Esempio calcolato.
Dati settimanali danno al video ROAS instabile 4,1 ± 3,0 perché spesa segue stagionalità. Esperimento comparabile: 1,8 ± 0,5. Prior: 1,9 ± 0,8. Approssimazione normale: precisione prior 1/0,8² = 1,5625, dati 1/3² = 0,1111. Media posteriore: (1,9 × 1,5625 + 4,1 × 0,1111) ÷ 1,6736 = 2,05. Deviazione: √(1/1,6736) = 0,77. Probabilità ROAS sopra 1,6: 72%. Non estendete al massimo: 72% è sotto gate 80%. Finanziate esperimento geografico.
Controlli e limiti.
Documentate fonti, scale e trasporto dei prior; verificate convergenza, previsione e recupero parametri; usate probabilità soglia e rischio perdita; confrontate più prior credibili e calibrazione sperimentale. Un prior preciso può dominare dati deboli; convergenza numerica non garantisce causalità né buona specificazione; i posteriori restano condizionali a variabili, trasformazioni e dati scelti.
Risorse e fonti.
Scaricare il modello MMM bayesiano illustrativo. Correlato: validare MMM, calibrare con esperimenti, decidere sotto incertezza. Fonti: Gelman et al. (2013); Jin et al. (2017); Vehtari, Gelman & Gabry (2017).