„Meta“ duomenų mokslo komanda sukūrė Robyn – atvirojo kodo Marketing Mix Modeling (MMM) sistemą, parašytą R kalba. Šis įrankis išsiskiria trimis bruožais:

1. kelių klaidų dimensijų minimizavimu,
2. lankstiu reklamos efektų (adstock) modeliavimu naudojant Geometric ir Weibull paskirstymus,
3. ir siekiu sumažinti žmogaus šališkumą parametrų įvertinime.

Robyn naudoja Ridge Regression vietoje Bayes metodų – taip eliminuoja subjektyvius priorus, tačiau sukuria sisteminį šališkumą link nulinių koeficientų, kai duomenų nepakanka. Tai tampa kritiška trijose situacijose:

1. Endogeniškumas (nekauzalinis koreliavimas) – pavyzdžiui, branded paid search, kai aukštas koreliacijos lygis neatspindi priežastinio ryšio.
2. Nauji medijos kanalai – mažai istorinių duomenų → Ridge regresijos tendencija nuvertinti ROI iki nulio.
3. Didinamas duomenų detalumas – kanalo padalinimas į subkategorijas be pakankamos istorijos → neadekvatūs įverčiai.

Šie atvejai lemia klaidingą biudžetų paskirstymą, efektyvių kanalų mažinimą ir MMM sprendimų patikimumo praradimą.

Galimas sprendimas

Robyn leidžia kalibruoti modelį pagal nepriklausomus A/B testus, kurie veikia kaip empiriniai priorai. Toks kalibravimas sumažina „link nulio“ šališkumą ir padidina parametrų stabilumą ten, kur duomenų signalas silpnas.