Google Meridian: тест-драйв нового інструменту для Marketing Mix Modeling (MMM)
Привіт! Я Дар’я Маліхатко — Data Science Director у Publicis Groupe Ukraine. І я вже більше 10 років розвиваю практику бізнес-аналітики, автоматизації та досліджень для комунікаційних стратегій і комунікацій великих брендів в Україні.
А якщо раптом у вас виникло питання, чому ви бачите на DOU технічну статтю щодо рекламної сфери, то хочу сказати, що рекламні стратегії брендів вже давно стали data-driven і досить часто потребують технічниих знань та скілів в Python, SQL, R та інших мов програмування. Про один з таких data-driven підходів і поговоримо.
В січні 2025 року Google оголосив про запуск Meridian — open-source настроюваного фреймворку для маркетинг-міксмоделювання, що базується на методології Баєсівської регресії.
Але насправді бета-тестування коду почалось ще у 2024 році. Тож у цій статті я хочу поділитись висновками з досвіду користування. А також порівняти цей інструмент з іншими підходами, які успішно використовувала для побудови маркетинг-міксмоделей клієнтів групи за останні 10 років.
Але спершу зробімо крок назад і пригадаймо, що таке взагалі маркетинг-міксмоделювання. У своїй основі це статистичний інструмент, який допомагає зрозуміти вплив маркетингових активностей на бізнес-показники, і знайти обґрунтовані даними відповіді на такі (і не тільки) питання:
- Який внесок реклами, ціноутворення, дистрибуції, дій конкурентів тощо? Наприклад, скільки саме проданих упаковок / гривень / трафіку на сайт приніс запуск реклами в META, а скільки — тиждень 10% знижок у мережах.
- Які маркетингові інструменти мають більшу ефективність? Порахувати, скільки гривень принесла кожна гривня інвестицій в онлайн-рекламу, телебачення чи інтеграцію з блогером. І порівняти їх між собою, щоб обрати найефективніші.
- Якими будуть майбутні продажі та вплив обраних маркетингових сценаріїв? Побудована модель — це свого роду математичний опис реальності. Або іншими словами формула, яку ми можемо екстраполювати на майбутні періоди, закладаючи різні значення незалежних змінних (факторів впливу на бізнес-показник). Наприклад, порівняти між собою 2 сценарії онлайн-підтримки за однакових інвестицій: 6 місяців підтримки при нижчому тижневому бюджеті та концентровану підтримку з високими інвестиціями протягом місяця.
- Скільки потрібно інвестувати в кожен медіаканал, щоб максимізувати віддачу? Ну і, звісно, маючи формулу залежності бізнес-показника, ми можемо запустити процес оптимізації — визначити, які значення факторів мають бути, щоб ми вийшли на певне значення незалежної змінної.
На цьому етапі ви могли припустити, що цей матеріал — про якийсь вже давно відомий і не дуже актуальний інструмент, адже сам по собі підхід існує ще з
То що змінилось за останні кілька років, що кількість пошукових запитів «Marketing Mix Modeling» у світі зросла втричі, а Google, META та Amazon запускають свої рішення в цьому напрямку?
- Почну з найбільш актуального для спільноти DOU — розвиток технологій та машинного навчання, які пришвидшують та полегшують процес побудови моделі. Наразі існують не лише black-box інструменти, які продають великі компанії, але й відкриті коди в R та Python, які можна завантажити та дописати під свої задачі.
- Конфіденційність даних. GDPR та інші політики захисту даних користувачів підштовхують Google до змін: обмеження використання кук третіх сторін, переходу від індивідуального до когортного аналізу даних, заміни традиційного атрибуційного моделювання в GA4 на переосмислене маркетинг-міксмоделювання.
- Зростання варіативності як медіаінструментів, так і шляху прийняття рішення споживачем. Перш ніж купити товар, ми можемо побачити його у блогера, у ТВ-рекламі, почути про нього по радіо по дорозі на роботу. А потім зайти в пошук, перейти на сайт, щоб перевірити наявність і ціну, але придбати в офлайн-магазині, бо хочемо спочатку потримати його в руках. І як тут звичайними методами зрозуміти, що найбільше вплинуло на рішення про покупку?
Тож повернемось до Meridian і розглянемо, що саме розробив Google.
Я вже згадувала, що це open-source код. Тож знайти його, як і всі інструкції до нього, можна на GitHub. Код можна запускати безпосередньо там або ж вивантажити собі локально.
На відміну від Robyn META, який написаний на мові програмування R, Google обрав Python для створення свого коду. Як і попередній продукт Google для моделювання (Lightweight MMM), Meridian базується на методології баєсівської регресії та інтегрує 3 інновації:
1. Покращення точності коштом калібровки. Meridian ґрунтується на теорії причинного висновку, інтегруючи експерименти з інкрементальністю, бізнес-логіку, як попередні знання для калібровки та покращення точності MMM.
Наведений нижче код ілюструє, як задати пріори ROI та вказати період калібрування для коригування ROI в Meridian. Ця комбінація дозволяє моделі враховувати як попередні переконання, так і експериментальні дані для моделювання маркетингового міксу.
2. Покращення оцінки ефективності перформанс-інструментів завдяки даним Google Query Volume — уточнення оцінки впливу платного пошуку за рахунок інтеграції даних органічного пошуку, які можна отримати через платформу даних МММ (Google).
3. Оцінка на базі Reach&Frequency. Класичними параметрами, які закладаються в МММ, є кількість контактів або бюджет. Але 1000 контактів не дорівнює 1000 користувачів — це може бути 10 людей, кожен з яких побачив вашу рекламу 100 разів, або 100, що проконтактували з
Наведений нижче код ілюструє, як задати Reach & Frequency для окремих медіаканалів та інтегрувати це у модель. Використовуючи першу частину кода, щоб зазначити медіаканали та окремо канали, для яких є reach та frequency. А після цього необхідно завантажити дані, щоб інтегрувати в модель — як показано у другій частині коду на скріні.
Щодо можливості підключення до платформи МММ, є окремий гайд від Meridian, доступний за посиланням: Use MMM Data Platform | Meridian | Google for Developers.
Отже, на що варто звернути увагу при роботі з кодом Meridian?
Крок 0. Ознайомлення з інструкціями, доступними на GitHub
Крок 1. Збір та підготовка даних
На GitHub є темплейт та приклади даних. Фактичний перелік для вашої задачі буде варіюватись від обраного бізнес-показника, конкретної категорії та специфіки бізнесу. Необхідний період та кількість точок залежить від сезонності та необхідної деталізації по інструментах.
На цьому етапі вам може знадобитись попередній аналіз, оцінка та кластеризація даних. Адже одним з обмежень поточного коду Meridian є неможливість роботи з великим спектром параметрів (наприклад, якщо є кілька інструментів, в які ви інвестували
Крок 2. Моделювання та калібрування
Введення Priors, обмежень, підключення додаткових даних (наприклад, GQV) та безпосередньо запуск коду Meridian. Код працює на платформі Google Cloud або локально на комп’ютерах з одним графічним процесором. Проблеми з продуктивністю можуть виникати зі складними медіаканалами та великими гранулярними даними.
Наведений нижче код ілюструє початок процесу тренування моделі.
Є ряд факторів, що безпосередньо впливають на час виконання моделі. Перш за все, це розмір даних, кількість медіаканалів та контрольних змінних, складність моделі (наприклад параметри адстоку, криві насичення, взаємодії, пріори), кількість ітерацій MCMC, а також такі базові речі, як обчислювальна потужність (CPU, GPU, RAM).
Насправді важко оцінити час, необхідний на тренування моделі. Але якщо спробувати порівняти дві платформи Meridian та Robyn від META, то Meridian зазвичай потребує більше часу, особливо при великій кількості ітерацій MCMC, необхідних для збіжності.
Крок 3. Діагностика моделей
Meridian генерує кілька варіантів результуючої моделі, надаючи аналіз їх параметрів та якості.
На цьому етапі знадобиться розуміння статистики та базових принципів МММ, щоб зробити технічно правильний вибір.
Крок 4. Генерація результатів моделювання
За усіма обраними моделями Meridian генерує набір файлів з результуючими графіками та таблицями, включаючи:
- Розрахунок вкладу факторів. Одне з обмежень коду, з яким ми зіштовхнулись, — це фокусування на медійних факторах і виведення Baseline як єдиного фактора без можливості виділити окремо сезонність, вплив ціни чи інші немедійні фактори при їх включенні.
- Оцінку ROI по кожному з інструментів. На жаль, наразі ефект та ROI розраховуються на повному періоді даних. Тож неможливо прослідкувати розподіл вкладу в певному періоді (кампанії) або зміну ROI між роками.
Але код Meridian є відкритим, тож не лише Google, а й користувачі можуть працювати як над його покращенням, так і над написанням додаткових блоків обробки та аналізу даних. Так, наприклад, результатом бета-тестування стало додавання кривих ефекту для результатів. А одна з міжнародних команд Publicis Groupe окремо для себе створила блок коду для аналізу динамічного ефекту та ROI (наразі не інтегрований в загальнодоступний код Meridian).
Я рекомендую вивантажувати результати з кількох обраних моделей, щоб додатково перевірити їх на бізнес-логікута обрати ту, яка є не лише статистично значущою, а й найбільш релеватною з погляду опису економічної реальності.
Крок 5. Оптимайзер — побудова сценаріїв
Той самий крок, заради якого і розробляється модель. Але про це можна написати окрему величезну статтю, тож зазначу коротко, які є варіанти оптимізації в Meridian і чим вони відрізняються.
Варіант 1. Фіксований бюджет: Максимізація ROI або інкрементального KPI. Дає оптимальний розподіл між каналами для максимізації повернення інвестицій (ROI) або для максимального значення КPI.
Варіант 2. Гнучкий бюджет: Цільовий мінімальний ROI. При такій оптимізації ви задаєте конкретний мінімальний ROI і оптимайзер покаже, який бюджет потрібно витратити, щоб досягнути цільового значення ROI.
Варіант 3. Гнучкий бюджет: цільовий маржинальний ROI. Сценарій схожий на попередній, але ви зазначаєте цільовий маржинальний ROI для додаткових витрат. Оптимайзер покаже, який бюджет потрібно витратити, доки маржинальний ROI кожного медіаканалу не досягне цільового значення.
Незалежно від того, який сценарій ви оберете — ви отримуєте рекомендацію щодо перерозподілу бюджету та оцінку потенційного впливу впровадження цих змін.
Крок 6. Активація та застосування результатів
Цей етап відбувається вже поза GitHub та кодом. Але без нього всі попередні кроки — цікава вправа і не більше. Тому дуже важливо залучитись внутрішнім розумінням та згодою стейкхолдерів щодо того, які результати ми хочемо отримати від побудови МММ (наприклад, оптимізувати медійний бюджет чи знайти джерела для зростання частки ринку) та як і хто буде надалі їх використовувати, а також на які бізнес-рішення вони будуть впливати. Так ви отримаєте не просто набір файлів, а реальні результати. Наприклад, такі:
- +20% продажів коштом зміни періоду медіапідтримки;
- +1 відсотковий пункт частки ринку коштом зміни спліта між підтримкою різних продуктів в портфоліо бренду;
- +0,8 відсоткових пунктів частки ринку коштом оцінки ефективності та проведення додаткового промо упродовж 6 тижнів та інше.
Щоб підхід працював на повну, після кожного етапу змін та активації бажано збирати актуальні дані за новий період та оновлювати модель.
І на завершення
Під час тестування ми порівнювали результати Meridian та інших підходів (Robyn, AdHoc внутрішньої розробки) і дійшли висновку, що:
- Однозначною перевагою Meridian є швидкість оптимізації.
- Розподіл впливу факторів досить близький до інших підходів за умови, що інвестиції в окремі канали були достатніми (у Meridian поки що менша гранулярність роботи з медіаінструментами).
- Деякого функціоналу поки не вистачає (динамічна оцінка впливу та ROI, деталізація baseline), але з цим можна і треба працювати, створюючи свої блоки коду. І сам Google також планує продовжити розробку в цьому напрямку.
Я та команда, залучена до створення маркетинг-мікс моделей, додали Google Meridian до арсеналу інструментів, які використовуємо у своїй роботі для клієнтів. І однозначно готові його розвивати. Тож якщо ви цікавитесь цією темою, пропоную і вам ознайомитись з кодом Meridian та долучитись до спільної роботи над його покращеннями.
Maksym Huz
1 коментар
Додати коментар Підписатись на коментаріВідписатись від коментарів