Meridian w Analytics 360 i GeoX: modelowanie mixu z przedziałami i eksperymenty geograficzne

Meridian i GeoX pomagają odpowiedzieć na ważne pytanie pomiarowe: jak reklama zmienia wyniki biznesowe względem scenariusza porównawczego? Meridian szacuje wpływ kanałów na podstawie danych zagregowanych. GeoX wspiera planowane zmiany w wybranych regionach i ocenę wyników. Oba podejścia dostarczają oszacowań wraz z niepewnością; wiarygodna interpretacja przyczynowa wymaga odpowiednich założeń.

Google zapowiedziało integrację Meridian z Analytics 360 20 maja 2026 r. Aktualna dokumentacja Analytics opisuje planowanie budżetu oparte na Meridian jako ograniczoną wersję alfa dla wybranych klientów Analytics 360. Nie oznacza to ogólnej dostępności dla każdego płatnego konta. Otwarty framework Meridian i biblioteka GeoX mogą działać niezależnie od tego interfejsu.

Co zapewnia integracja z Analytics 360

Zintegrowane planowanie budżetu łączy historyczną łączną liczbę konwersji i koszty kanałów reklamowych. Według Google wyniki atrybucji nie są danymi wejściowymi. Wykorzystywane są połączone produkty i importowane dane kampanii; wyniki budżetowania obejmują kanały płatne. Prognozy i scenariusze pokazują możliwe skutki innego podziału wydatków. Narzędzia planistyczne nie zmieniają automatycznie budżetów na połączonych kontach reklamowych.

Wersja alfa wymaga między innymi połączenia z Google Ads, skonfigurowanych konwersji oraz co najmniej dwóch lat historii kosztów, konwersji i przychodów. Aktualna instrukcja wymienia także oszacowania z badań Conversion Lift i benchmarków branżowych jako podstawę modelu. Własny model Meridian, zintegrowana alfa i odrębne budżetowanie oparte na DDA to zatem różne rozwiązania. Nie każda funkcja otwartego frameworka musi być dostępna w interfejsie.

Co oznacza przedział

Oszacowanie punktowe podsumowuje wynik jedną liczbą. Przedział uzupełnia informację o niepewności przy przyjętych założeniach. Rozkład a priori opisuje założenia przed uwzględnieniem obserwowanych danych. Rozkład a posteriori to rozkład zaktualizowany po uwzględnieniu tych danych. Meridian stosuje bayesowskie przedziały wiarygodności: przedział 90-procentowy obejmuje 90 procent odpowiedniego rozkładu a posteriori, warunkowo względem danych, modelu i rozkładów a priori. Nie gwarantuje to ochrony przed pominiętymi czynnikami lub niewłaściwym modelem.

Szerokie przedziały mogą utrudniać decyzję budżetową. Wąskie przedziały nie potwierdzają jednak automatycznie poprawności wyniku. Silny rozkład a priori może utrzymywać wąskie oszacowanie, nawet gdy dane wnoszą mało nowej informacji. Kontrola powinna obejmować zbieżność, dopasowanie modelu, wiarygodny poziom bazowy oraz porównanie rozkładu a priori z wynikiem a posteriori.

Mała niezależna zmienność utrudnia rozdzielenie wpływu kanałów. Stałe łączne wydatki nie muszą jednak oznaczać stałej ekspozycji: znaczenie mogą mieć różnice regionalne, zasięg, częstotliwość i ceny reklam. Z drugiej strony dłuższa historia niewiele rozdzieli, jeśli kilka kanałów zawsze rośnie i spada jednocześnie. Reguła „stały budżet zawsze daje szeroki przedział” byłaby błędna.

Atrybucja i poziom bazowy odpowiadają na różne pytania

Atrybucja dzieli udział w zarejestrowanych konwersjach między kwalifikujące się kontakty według modelu i okna czasowego. Model marketing mix szacuje zmianę wyniku względem określonych warunków kontrfaktycznych. Wspólna oś procentowa nie czyni tych wielkości bezpośrednio porównywalnymi. Raport atrybucji również może zawierać wartości modelowane; pojedyncza liczba nie dowodzi dokładnego ani przyczynowego pomiaru.

Poziom bazowy, czyli baseline, oznacza w modelu mixu oczekiwany wynik po ustawieniu badanych działań na określone wartości bazowe. W Meridian dla mediów płatnych i organicznych wartości te wynoszą zero; dla innych działań obowiązują wartości skonfigurowane. Poziom bazowy nie jest listą zakupów bez kontaktu z reklamą ani synonimem ruchu Direct lub Organic. Zakup poprzedzony reklamą mógłby wystąpić również w scenariuszu bez tej reklamy. Wielkość udziału bazowego zależy od biznesu i modelu.

Co rzeczywiście porównuje GeoX

GeoX wspiera wybór regionów testowych i kontrolnych, planowanie badania oraz analizę. W udokumentowanej regresji czasowej relacja między grupami jest najpierw wyznaczana na danych sprzed testu. Podczas testu grupa kontrolna pomaga przewidzieć wynik regionów testowych bez interwencji. Szacowany efekt stanowi różnicę względem tej prognozy kontrfaktycznej, a nie surową różnicę między regionami o różnej wielkości.

Efekt heavy-up dotyczy dodatkowego wydatku względem dotychczasowego poziomu. To inne pytanie niż wpływ całego kanału względem zerowych wydatków. Planowana interwencja wzmacnia interpretację przyczynową, lecz nie usuwa problemów z nieodpowiednią kontrolą, równoczesnymi zmianami, błędami pomiaru czy przenikaniem ekspozycji między regionami. GeoX również korzysta z modelu statystycznego i podaje oszacowanie wraz z przedziałem ufności.

Kilka grup testowych może korzystać ze wspólnej kontroli. To może usprawnić organizację, ale zachowanie mocy statystycznej wymaga większej liczby regionów i większego budżetu. Aktualna dokumentacja GeoX zaleca pojedynczą grupę testową dla pojedynczego pytania. Każda aktywna grupa jest oceniana względem wspólnej kontroli; nie powstaje przez to automatycznie bezpośredni test istotności różnicy między aktywnymi grupami.

Jak eksperyment pomaga określić rozkład a priori

Eksperyment może dostarczyć informacji do rozkładu a priori konkretnego kanału. Metryka, zakres kampanii, regiony, okres i wydatki muszą odpowiadać pytaniu modelu mixu. Starsze lub krótsze eksperymenty wnoszą dodatkową niepewność przeniesienia. CalibrationBuilder w Meridian uwzględnia między innymi różnice wydatków, aktualności i czasu trwania; automatyzacja nie zastępuje oceny merytorycznej.

Aktualna instrukcja zaleca ten mechanizm dla eksperymentów z kontrfaktycznym scenariuszem zerowych wydatków. Wynik heavy-up mierzy natomiast wzrost względem istniejących wydatków i nie powinien bez kontroli trafiać do modelu jako ten sam rozkład ROI. Odpowiedni eksperyment może zawęzić przedziały lub przesunąć oszacowania. Zawężenie dokładnie jednego kanału nie jest gwarantowane ani nie stanowi jedynego kryterium jakości.

Inne metryki z zapowiedzi Google

Qualified Future Conversions to sygnały prognostyczne. Google opisuje połączenie wczesnych działań, takich jak wyszukiwanie marki, z oczekiwanymi późniejszymi konwersjami przy użyciu AI. Prognozowane zakupy nie są zakupami już zaobserwowanymi. Interpretacja zależy od definicji metryki, horyzontu prognozy i dostępności na konkretnym koncie.

Campaign Type Attribution przypisuje udział w konwersji wewnątrz danego rodzaju kampanii; aktualna pomoc Google wymienia Demand Gen. Większy raportowany udział nie oznacza więc dodatkowej sprzedaży wykazanej eksperymentalnie. Attributed Branded Searches, opisywane także jako Branded Searches, przypisuje wyszukiwania marki wcześniejszym kwalifikującym się kontaktom z reklamą. Jest to bieżąca metryka atrybucji, a nie eksperyment Search Lift. Porównanie wymaga zgodnych definicji, okien czasowych i zakresu raportowania.

Kiedy dane i nakład pracy pasują do decyzji

Dla własnego modelu Meridian Google podaje orientacyjnie co najmniej dwa lata tygodniowych danych regionalnych lub trzy lata danych krajowych. Rzeczywiste potrzeby zależą od liczby kanałów, zmienności, czynników zakłócających i złożoności modelu. Szczegółowe wymagania zintegrowanej wersji alfa trzeba sprawdzić osobno.

Eksperyment geograficzny również nie staje się automatycznie miarodajny przy małym budżecie. Plan powinien wykazać, czy wystarczy porównywalnych regionów i sygnału do wykrycia efektu ważnego biznesowo. Minimalny wykrywalny efekt, czyli MDE, i docelowa moc statystyczna wymagają ustalenia przed testem. Przykładowo badanie może być zaplanowane tak, aby rzeczywisty wzrost o pięć procent został wykryty z prawdopodobieństwem 80 procent przy przyjętych założeniach planowania. Nierozstrzygający wynik nie dowodzi braku działania reklamy.