Warum Kuwalyst auf PyMC-Marketing statt Meridian setzt

Drei Open-Source-MMM-Bibliotheken, eine Tabelle

Google Meridian, Robyn von Meta und PyMC-Marketing, gepflegt von PyMC Labs und seiner Community, sind die drei Open-Source-Bibliotheken, die eine Marketing Scientist heute für Marketing Mix Modeling in die engere Wahl nimmt. Gesucht werden sie unter mehreren Schreibweisen, Google Meridian oder Meridian Google, PyMC-Marketing oder PyMC Marketing, und die Frage ist meist dieselbe: welche Bibliothek, und warum. Kuwalyst setzt auf PyMC-Marketing. Diese Seite sagt, warum, mit den Abwägungen, und sie ist von jemandem geschrieben, der alle drei benutzt hat.

	PyMC-Marketing	Google Meridian	Meta Robyn
Betreuer	PyMC Labs und die PyMC-Community	Google	Meta
Sprache und Basis	Python, auf PyMC	Python; seit 2.0 standardmäßig JAX, Verteilungen aus TensorFlow Probability	R, mit einer Python-Version in der Betaphase
Schätzung	Bayesianisch, MCMC-Sampling	Bayesianisch, MCMC-Sampling	Regularisierte Regression, evolutionäre Hyperparametersuche
Wo die Priors sitzen	Auf den Strukturparametern: Adstock, Sättigung, Koeffizienten	Standardmäßig auf dem ROI je Kanal; Priors auf marginalem ROI, Beitrag oder Koeffizienten konfigurierbar, Strukturpriors dahinter	Keine bayesianischen Priors; Hyperparameterbereiche, Regularisierung und Auswahlkriterien
Unsicherheit	Posterior-Verteilung für jeden Parameter	Posterior-Verteilung für jeden Parameter	Kandidatenmodelle; Bootstrap-Intervalle für ROAS oder CPA innerhalb von Clustern; kein Posterior
Kalibrierung mit Experimenten	Lift-Test-Beobachtungen gehen in die Likelihood ein	ROI-Priors aus Experimenten gesetzt, mit Kalibrierungsfenstern	Kalibrierungsfehler als Zielgröße der Modellsuche
Datengranularität	National oder Panel (Regionen oder Produkte)	Für Regionsdaten gebaut, national möglich	Eine Zeitreihe; keine hierarchische Schätzung über Regionen
Modellstruktur	Ein PyMC-Modell, das Ihr Team lesen, erweitern und ändern kann	Konfigurierbare Spezifikation, einschließlich eines Full-Funnel-Ansatzes mit Mediatoren	Feste Struktur mit Konfiguration
Lizenz	Apache 2.0	Apache 2.0	MIT

Lesen Sie die Tabelle als eine Reihe von Entscheidungen, nicht als Rangliste. Jede Bibliothek entscheidet anders darüber, wo die Annahmen liegen und wie viel vom Modell der Nutzer anfassen soll.

Warum wir uns für PyMC-Marketing entschieden haben

Der Media Planner braucht drei Dinge von seinem Modell: Annahmen, die das Team eines Kunden prüfen kann, einen Weg, außerhalb der Plattform gebaute Modelle zu laden, und einen Weg, experimentelle Belege in die nächste Anpassung zurückzuspeisen. PyMC-Marketing liefert dafür ein bayesianisches Media-Mix-Modell, geschrieben als gewöhnliches PyMC-Modell, und Kuwalyst baut den Planungsprozess darum herum.

Die Priors sind explizit. In PyMC-Marketing ist der Prior auf den Adstock-Abklang eines Kanals, auf seinen Halbsättigungspunkt und auf seinen Koeffizienten eine Verteilung, die das Team im Code schreibt und nachlesen kann. Das Blatt zur bayesianischen Media-Mix-Modellierung beschreibt die drei Stufen, die der Planner nutzt: starke Priors auf den Adstock-Abklang, moderate auf die Sättigung, schwache positive auf die Koeffizienten. Informative Priors auf den Abklang verringern die Mehrdeutigkeit zwischen Nachwirkung, Sättigung und Koeffizient auf zwei oder drei Jahren Wochendaten; sie beseitigen sie nicht, weshalb der Planner die Prior-Sensitivität prüft und Spannen ausweist.

Die Kalibrierung hat ihren Platz im Modell. PyMC-Marketing kann Lift-Test-Beobachtungen in die Likelihood aufnehmen, wobei ihre Unsicherheit bestimmt, wie stark sie die Anpassung bewegen. Die eigene Schleife des Media Planners ist einfacher und steht auf jeder Seite dieser Website: Der von einem Geo-Lift-Experiment gemessene Ertrag wird zum Prior für den Koeffizienten des Kanals in der nächsten Anpassung, und weichen die Schätzung des Modells und der gemessene Ertrag um mehr als ein Drittel voneinander ab, weist der Plan ein Identifikationsproblem auf diesem Kanal aus.

Das Modell ist prüfbar. Model Card, Priors, Wirkungskurven und Anpassungsdiagnostik werden als Artefakte gespeichert, die das Team öffnen kann, und die Vertrauensseite sagt, wo sie gehostet sind. Hajime Takeda, Mitgründer von Kuwalyst, hat zur Dokumentation der Bibliothek beigetragen, und die Methoden, die der Planner ausführt, sind die aus Marketing Science in Python, Kapitel für Kapitel.

Was Google Meridian gut kann, und wo es einschränkt

Meridian ist eine ernst zu nehmende Bibliothek, und für manche Teams die richtige. Es ist für Daten auf Regionsebene gebaut: ein hierarchisches Modell, das Regionen gemeinsam anpasst und aus denselben Wochen mehr Information zieht, wenn die Ausgaben je Region variieren. Es kann jeden Kanal mit geeigneten Reichweiten- und Frequenzdaten modellieren, aus der Nettoreichweite und der durchschnittlichen Kontaktfrequenz je Periode statt allein aus den Ausgaben. Seine Priors für bezahlte Medien sind standardmäßig auf dem ROI formuliert, der Sprache, die ein Marketingteam bereits spricht, und lassen sich auf marginalen ROI, Beitrag oder Koeffizienten umstellen; Kalibrierung aus Experimenten heißt, diese ROI-Priors aus gemessenen Werten zu setzen, mit Kalibrierungsfenstern, die sagen, welchen Zeitraum das Experiment abdeckt. Seine Spezifikation ist konfigurierbar, einschließlich eines Full-Funnel-Ansatzes mit Mediatoren wie dem Suchvolumen. Die Google Meridian Dokumentation beschreibt die Modellannahmen, die Konfiguration und die Diagnostik im Detail, und ein Google Meridian Partnerprogramm zertifiziert Agenturen für den Betrieb.

Die Einschränkungen folgen aus denselben Entscheidungen. Ein Experiment, das auf einem Ausgabenniveau in einem Zeitraum gemessen wurde, in einen Prior auf eine ganze Wirkungskurve zu übersetzen, ist in jeder Bibliothek eine Modellentscheidung; in Meridian läuft sie über die ROI-Parametrisierung und ihre Kalibrierungseinstellungen, was Teams entgegenkommt, die in ROI denken, und Teams einschränkt, die den Beleg direkt auf die Strukturparameter legen wollen. Regionsdaten sind das Designzentrum: nationale Anpassungen werden unterstützt, aber eine Marke mit einer nationalen Reihe und Offline-Kanälen bekommt weniger von dem, was Meridian auszeichnet. Das Modell wird konfiguriert, nicht geschrieben: Was die Konfiguration nicht freigibt, verlangt eine Änderung der Bibliotheksimplementierung statt des Modells. Und Meridian open source läuft auf einer Basis aus JAX und TensorFlow Probability, was zählt, wenn Code, Tests und Gewohnheiten des Teams in PyMC liegen.

Nichts davon ist ein Mangel. Es sind die Gründe, aus denen ein Team Meridian wählt. Kuwalyst hat PyMC-Marketing wegen des direkten Zugriffs auf das PyMC-Modell und seine Parametrisierung gewählt; das Laden externer Modelle, der Rhythmus der Neukalibrierung und die Prüfprotokolle sind Anwendungscode des Media Planners, der um jede Bibliothek herum gebaut werden müsste.

Robyn, kurz

Robyn ist das Open-Source-MMM-Paket von Meta, in R geschrieben, mit einer Python-Version, die sich derzeit in der Betaphase befindet. Es zieht keine Stichproben aus einem Posterior. Es passt eine Ridge-Regression an, und die Adstock- und Sättigungshyperparameter werden durch eine evolutionäre Suche über Tausende Kandidatenmodelle gewählt, bewertet nach dem Vorhersagefehler und nach dem Abstand zwischen dem Wirkungsanteil jedes Kanals und seinem Ausgabenanteil. Liegen Experimente vor, bestraft eine dritte Zielgröße die Lücke zwischen der modellierten und der gemessenen inkrementellen Wirkung. Das Ergebnis ist eine Menge von Kandidatenmodellen auf einer Pareto-Front; die Analystin wählt eines, und der Clustering-Schritt von Robyn liefert Bootstrap-Intervalle für ROAS oder CPA innerhalb eines Clusters von Kandidaten.

Das macht Robyn zugänglich für Teams ohne bayesianischen Arbeitsablauf: keine expliziten Priors zu schreiben, auch wenn Hyperparameterbereiche, Regularisierung und Auswahlkriterien eigene Annahmen kodieren. Es macht Unsicherheit aber zu einem anderen Objekt: Ein Bootstrap-Intervall über Kandidatenmodelle ist kein Posterior auf einem Parameter, und ein Plan auf einem gewählten Modell trägt nicht die Posterior-Spanne, die die beiden bayesianischen Bibliotheken liefern. Für Meridian vs Robyn lautet die kurze Fassung: ein Unterschied im Ergebnis, Kandidatenmodelle und Bootstrap-Intervalle bei Robyn, Posterior-Verteilungen bei Meridian.

Was das für Sie ändert: Prüfbarkeit, Portabilität, Kalibrierung

Prüfbarkeit. Um eine Schätzung zu beurteilen, etwa die Sättigung von Fernsehen, kann das Team die gespeicherten Priors, Wirkungskurven und die Anpassungsdiagnostik öffnen, und die Kennzeichnungen gemessen, projiziert und Benchmark sagen, woher jede Zahl im Plan stammt. Eine projizierte Zahl bleibt eine Modellausgabe; der Unterschied ist, dass sich die Annahmen dahinter lesen lassen.

Portabilität. Der Media Planner kann Modelle laden, die Ihr Team oder ein Partner gebaut hat, sodass ein Plan auf einem vorhandenen Modell laufen kann, statt eine neue Anpassung in der Plattform zu verlangen. Der Plan sagt, welche Zahlen aus welchem Modell stammen.

Kalibrierung. Der Planner schlägt vom ersten Plan an Geo-Lift-Experimente vor und nutzt ihre gemessenen Erträge, um den Prior des Kanalkoeffizienten in der nächsten Anpassung zu informieren. Der Leitfaden zu Marketing Mix Modeling erklärt, wie Modellschätzungen und experimentelle Belege in einem Plan zusammenspielen.

Was die Bibliothek nicht ändert: die Daten, die Sie brauchen, die Disziplin der Experimente oder das Lesen der Spannen. Alle drei Bibliotheken verlangen vertretbare Annahmen, geeignete Daten und Validierung; ihre Schätz- und Kalibrierungsmethoden unterscheiden sich, und diese Website dokumentiert die Methode, die der Planner ausführt.

Ein Beispiel

Das Beispiel ist fiktiv, und seine Zahlen sind zur Veranschaulichung angenommen. Ein Händler schaltet Paid Search, Paid Social, Online-Video und Fernsehen, mit zweieinhalb Jahren Wochendaten. Angenommen, das Modell, angepasst mit den Standard-Priors des Planners, schätzt den durchschnittlichen inkrementellen Ertrag von Fernsehen über eine Änderung, die dem geplanten Test entspricht, auf 1,6× mit einem 90-%-Kredibilitätsintervall von 0,7× bis 2,9×: zu breit, um Budget zu verschieben. Das Team führt einen sechswöchigen Geo-Holdout durch, Fernsehen in einer Gruppe von Regionen pausiert, mit einer synthetischen Kontrolle aus den unbehandelten Regionen.

Angenommen, der Test schätzt 2,1× inkrementellen Umsatz je Euro entfernter Fernsehausgaben, mit einem 90-%-Konfidenzintervall von 1,5× bis 2,8×, über das Testfenster. Im Media Planner informiert dieser gemessene Ertrag den Prior des Fernsehkoeffizienten in der nächsten Anpassung; angenommen, das neu angepasste Modell setzt dieselbe Größe dann auf 2,0× mit einem Intervall von 1,5× bis 2,6×, eine angenommene Ausgabe und kein aus den obigen Intervallen berechneter Wert. Der Plan zeigt die 2,0× als projiziert neben den 2,1× als gemessen, mit ihren Intervallen und Bedingungen, und liest den marginalen Ertrag bei den vorgeschlagenen Ausgaben an der neu angepassten Kurve ab, bevor Budget bewegt wird.

Jede Bibliothek würde das Experiment anders aufnehmen: PyMC-Marketing kann es auch als Lift-Test-Beobachtung in der Likelihood tragen, Meridian würde es in einen ROI-Prior für Fernsehen im Kalibrierungsfenster übersetzen, und Robyn würde es der Kalibrierungsfehler-Zielgröße seiner Modellsuche hinzufügen. Alle drei nutzen den Beleg; jede verlangt von der Analystin die Prüfung, dass Experiment und modellierte Wirkung dieselbe Ausgabenänderung, denselben Zeitraum und dieselbe Population beschreiben.