Google Meridian: een eerlijke gids voor datateams
Wat Google Meridian is, in gewone woorden
Meridian is Googles open-source marketingmixmodel, geschreven in Python en gebaseerd op Bayesiaanse inferentie. Het werkt met geaggregeerde weekgegevens per markt, doorgaans uitgaven, impressies, verkoop en een reeks externe factoren, in plaats van individuele gebruikers te volgen. Die opzet verklaart een groot deel van de aantrekkingskracht. Privacyregels worden strenger en signalen op gebruikersniveau minder betrouwbaar, terwijl een geaggregeerd model van geen van beide afhankelijk is.
Het Bayesiaanse aspect verdient even aandacht voor u begint. U legt vast wat u al over een kanaal denkt in een prior, waarna het model die overtuiging bijwerkt op basis van de data. Teams met echte commerciële kennis kunnen die zo in het model verwerken. Teams zonder die kennis verdedigen tijdens de bespreking cijfers die iemand heeft ingevuld omdat de notebook een waarde nodig had.
Google leverde ook wat open-sourceprojecten doorgaans achterwege laten: documentatie die het actueel houdt, een Python-API om modellen opnieuw te trainen en resultaten te genereren, en een netwerk van ongeveer 30 gecertificeerde partners voor teams die liever niet alles zelf bouwen.
Waarom marketingmixmodellering toegankelijker werd
Meridian neemt steeds meer werk over dat vroeger rond het model zat, in plaats van erin. Het verwerkt niet-mediavariabelen zoals prijzen en promoties, wat belangrijker is dan het klinkt. Vroege MMM-modellen schreven een stijging geregeld toe aan een mediacampagne terwijl ze door een prijsverlaging kwam. Op basis daarvan werden echte budgetten verschoven. U kunt ook per kanaal priors voor de bijdrage instellen en kiezen hoe het adstock-effect afneemt, zodat de modelspecificatie aansluit bij wat u over uw eigen media weet.
Rond het model voegde Google een Scenario Planner toe voor mensen die geen Python schrijven. Daarna integreerde het Meridian in Google Analytics 360, in dezelfde interface als de campagnerapportering. Wat u ook van die strategie vindt: marketingmixmodellering komt zo uit het hoekje van de data scientists en bij de mensen die het budget beheren.
Een model draaien is het eenvoudige deel geworden. Een CFO overtuigen om op basis daarvan uitgaven te verschuiven, vraagt nog altijd hetzelfde gesprek. Geen enkele tool maakt dat korter.
Waar Meridian sterk in is
Meridian behandelt digitale media zoals mediaplanners dat doen: met bereik en frequentie in plaats van ruwe impressies. Frequentie-effecten bestaan echt en zijn zelden lineair. Een model dat alleen impressies ziet, vlakt ze af tot een gemiddelde dat niemand beschrijft. Het haalt ook Googles eigen media- en zoekopdrachtgegevens op, wat voorbereidingstijd bespaart als uw media sterk op Google steunen.
Geografie is de andere sterkte, en voor Belgische adverteerders de interessantste. Meridian is ontworpen voor modellering op geografisch niveau. Zo kunt u Vlaanderen en Wallonië apart bekijken in plaats van ze samen te voegen tot één nationaal cijfer dat bij geen van beide past. Google breidde dit uit met GeoX, dat resultaten van geografische experimenten in het model invoert. De experimenten leveren daarbij het causale bewijs; het model plaatst ze in hun context.
Meridian of Robyn?
Meta's Robyn is het voor de hand liggende alternatief. De twee zijn meer naar elkaar toegegroeid dan de eerste vergelijkingen deden vermoeden.
Meridian is de kortste weg naar een eerste model, zeker met een overwegend digitale mediamix en mediadata die al in Googles platformen zitten. De standaardinstellingen zijn verstandig en u bereikt sneller een verdedigbaar resultaat. Elke standaardinstelling houdt ook een keuze in. Dat is prima zolang u weet welke keuzes u hebt overgenomen.
Robyn beloont teams die alles zelf willen specificeren en ongebruikelijke economische verbanden modelleren. Daarvoor is intern iemand nodig die graag dat soort werk doet. Teams zonder zo iemand lopen erop vast.
In de praktijk draait de keuze om drie vragen:
Hoeveel van uw media zitten al in Googles platformen?
Wie beheert dit model en bouwt het over zes maanden opnieuw op?
Hoe ongebruikelijk is uw bedrijf op het vlak van prijzen, seizoenspatronen of kanalenmix?
We hebben met beide tools modellen gebouwd. Telkens waren de kwaliteit van de invoergegevens en een vooraf afgesproken beslissingsvraag doorslaggevend: welke beslissing moest het model helpen nemen?
Wat Meridian niet oplost
Een model dat convergeert, is niet noodzakelijk een correct model. Iemand moet beoordelen of de priors verdedigbaar zijn, of de fit echt is of het model ruis heeft gememoriseerd, en of het bedrijf de voorgestelde budgetverschuiving in de volgende planningscyclus kan uitvoeren. Dat oordeel is het dure deel van MMM, en het is niet goedkoper geworden.
De ingebouwde integratie met Googles platformen bespaart weken werk aan datapipelines, maar brengt u vervolgens terug bij de vragen die echt tijd kosten. Is het bestand met offline verkoopgegevens schoon? Is dat gat in de uitgavendata een nul of een ontbrekende waarde? Datavoorbereiding blijft het meeste werk vragen en de meeste risico's inhouden.
Neutraliteit verdient bijzondere aandacht. Open source biedt transparantie, geen onafhankelijkheid. Hoe eenvoudiger het wordt om een marketingmixmodel te draaien in Googles omgeving, met Googles data, hoe bewuster u moet kiezen wat erin gaat en welke conclusies u zonder tweede bron aanvaardt.
Attributie verdient een aparte alinea, want beide worden vaak verward. Een marketingmixmodel vergelijkt kanalen op geaggregeerd niveau over meerdere maanden. Verkoopattributie volgt individuele klanttrajecten en contactmomenten. Teams die beide gebruiken, krijgen een beeld dat geen van beide afzonderlijk oplevert.
Hoe dit eruitziet met een echt budget
Voor een energieleverancier modelleerden we het verband tussen tv, radio, pers, search en social en de B2C-verkoop. De rangschikking van kanalen bleek de minst bruikbare uitkomst. De klant gebruikte vooral de curves: verschillende kanalen werkten nog weken door nadat de uitgaven stopten, terwijl andere het punt hadden bereikt waarop elke extra euro steeds minder opbracht. De simulaties wezen op een verkoopstijging van meer dan 5% door het bestaande budget te herschikken, zonder extra uitgaven. Het volledige verhaal staat in onze klantcase over marketingmixmodellering.
Dat model bouwden we met Robyn, en dat illustreert net het punt. De waarde kwam voort uit de vragen die we vóór de modellering met de klant vastlegden: welke kanalen verzadigen, hoe een realistisch na-ijleffect eruitziet en welk deel van het budget volgend kwartaal echt kan verschuiven.
Verandert Google Meridian dan alles?
Voor de toegang: ja. Een team met schone data en een concrete beslissingsvraag kan een geloofwaardig marketingmixmodel bouwen zonder aankoopprocedure. Er bestonden al gratis MMM-bibliotheken vóór Meridian, waaronder Robyn. Maar Meridian maakte van die route de vanzelfsprekende keuze in plaats van de avontuurlijke.
Voor alles wat na het model komt: nee. Meridian vertelt u niet of uw priors eerlijk zijn, of de voorgestelde budgetverschuiving standhoudt in de commerciële praktijk. Daarvoor zijn mensen nodig die die vragen al eerder hebben beantwoord. Zij bepalen of een MMM-project in gebruik wordt genomen of in een notebook blijft steken.
Overweegt u het? Begin dan kleiner dan u zou willen. Eén markt, één beslissing, twee tot drie jaar weekgegevens en iemand aan tafel die de uitkomsten kritisch bevraagt. Schaal daarna op.
Vragen die we vaak krijgen
Is Meridian gratis?
De code is open source, dus de licentie kost niets. Uw budget gaat naar de infrastructuur om het te draaien, de datavoorbereiding en de expertise om priors vast te leggen en de uitkomsten te valideren. Meridian gebruiken via Google Analytics 360 is een ander verhaal, want 360 is een betalend product voor grote organisaties.
Is Meridian alleen zinvol als de meeste van onze media bij Google zitten?
Nee. Meridian modelleert elk kanaal waarvoor u gegevens hebt, ook tv, radio, print en andere platformen. Google zegt uitdrukkelijk dat het kanaaloverschrijdend bedoeld is. De Google-integraties besparen voorbereidingswerk, maar bepalen niet of de tool geschikt is.
Hoeveel data heeft een marketingmixmodel nodig?
Twee tot drie jaar weekgegevens per markt is een redelijke vuistregel. Denk aan media-uitgaven, impressies waar beschikbaar, verkoop en externe factoren die uw categorie beïnvloeden: prijzen, promoties, seizoenspatronen en het weer.
Kunnen we dit zonder data-scienceteam gebruiken?
Een eerste model wel, met de Scenario Planner of een gecertificeerde partner. Het blijven gebruiken is moeilijker, want het model moet opnieuw worden opgebouwd wanneer uw mix, prijzen en markt veranderen. Dat is doorgaans het moment waarop datagedreven marketingbeslissingen een gewoonte worden of ophouden.