L’idea
Si mettono in relazione nel tempo le vendite con la spesa per canale, di solito con un’estensione della regressione lineare, tenendo conto di due fenomeni: l’effetto di un investimento si protrae nel tempo (carryover o adstock) e i rendimenti diminuiscono oltre un certo livello di spesa (saturazione). Poiché usa dati aggregati, non richiede di tracciare i singoli utenti: è uno dei motivi del suo ritorno, rispetto ai modelli di attribuzione, con le restrizioni sulla privacy. Jin et al. (2017, Google) hanno descritto un approccio di inferenza bayesiana con effetti di carryover e di forma; esistono librerie open source come Robyn (Meta) e Meridian (Google). Limiti: i dati sono pochi rispetto ai parametri e i canali sono spesso correlati tra loro, quindi le stime conviene validarle con esperimenti di incrementalità.
Da dove viene
- Jin, Wang, Sun, Chan, Koehler (2017), «Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects», Google. research.google