Paieška
← Visi įrašai

Meta Robyn MMM: pagrindinė silpnoji vieta ir sprendimas

„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.

Komentarai (0)

Komentarų dar nėra. Būkite pirmas.

Pirmą kartą komentuojant atsiųsime nuorodą el. paštu – ją paspaudus komentaras bus paskelbtas. Jokių slaptažodžių.

Prenumerata

Nauji įrašai – tiesiai į el. paštą.