L’écosystème de l’intelligence artificielle continue sa progression à un rythme soutenu.
Modélisation bayésienne de bout en bout du mix marketing avec Google Meridian : mesure des médias, analyse du retour sur investissement et optimisation budgétaire
Dans ce tutoriel, nous mettons en place un workflow complet de modélisation bayésienne du mix marketing à l’aide de GoogleMeridian. Nous commençons par installer les bibliothèques nécessaires, vérifier la disponibilité du GPU et explorer un ensemble de informations marketing à l’échelle géographique comprenant les impressions médiatiques, les dépenses, les informations de contrôle, les promotions, les conversions, la population et le chiffre d’affaires. Nous mappons ensuite les colonnes brutes au schéma de données de Meridian, définissons des a priori interprétables basés sur le ROI, puis configurons le système avant de le faire fonctionner avec un échantillonnage NUTS a priori et a posteriori. Après l’entraînement, nous évaluons la convergence et la précision prédictive, examinons les contributions par canal, les ROI, les ROI marginaux, l’efficacité, l’adstock, la saturation et les courbes de réponse, puis utilisons l’API Analyzer pour extraire des métriques a posteriori personnalisées. Nous clôturons le processus en optimisant à la fois les budgets fixes et les budgets flexibles, en générant des rapports HTML partageables et en enregistrant le système ajusté en vue de sa réutilisation.
Nous installons Google Meridian avec la prise en charge de TensorFlow sur GPU et importons les bibliothèques nécessaires à la modélisation, à la visualisation et à l’analyse. Nous vérifions l’environnement d’exécution, détectons les GPU disponibles et chargeons l’ensemble de éléments simulé de Meridian sur le marketing au niveau géographique. Nous effectuons également une première analyse exploratoire en examinant les dimensions des données, la couverture chronologique, la répartition des dépenses et les tendances nationales en matière de conversion.
Nous mappons les colonnes de l’ensemble de informations brutes au schéma attendu par Meridian à l’aide de la fonction CoordToColumns. Nous définissons les champs relatifs aux médias payants, aux dépenses, aux canaux organiques, aux groupes témoins, aux traitements, à la population, aux indicateurs clés de performance (KPI) et au chiffre d’affaires avant de charger les éléments d’entrée structurées. Nous configurons ensuite les a priori basés sur le retour sur investissement (ROI), créons la spécification du modèle d’IA et initialisons le système Meridian.
Nous effectuons un échantillonnage à partir de la distribution a priori et ajustons le modèle bayésien à l’aide d’un échantillonnage NUTS a posteriori sur plusieurs chaînes. Nous évaluons la convergence à l’aide des diagnostics R-hat, comparons les distributions a priori et a posteriori, et évaluons l’adéquation du modèle d’IA par rapport aux résultats observés. Nous analysons également la précision prédictive, les contributions des canaux, le retour sur investissement (ROI), le ROI marginal et l’efficacité des médias.
Nous examinons les courbes de réponse des canaux, la décroissance des stocks publicitaires et le comportement de saturation de Hill afin de comprendre les rendements décroissants et les effets de report. Nous utilisons l’API Analyzer pour extraire les échantillons a posteriori des zones d’intérêt (ROI) et calculer les moyennes au niveau des canaux ainsi que les intervalles de crédibilité. Nous effectuons en outre des comparaisons probabilistes entre canaux, examinons les indicateurs récapitulatifs et obtenons des estimations incrémentielles des résultats.
Dans le même temps, nous optimisons les dépenses marketing aussi bien dans le cadre d’un budget fixe que dans celui d’un retour sur investissement (ROI) cible. Nous présentons sous forme graphique les répartitions recommandées, les ajustements des dépenses, les gains attendus en termes de retombées, ainsi que les positions optimisées sur les courbes de réponse. Nous générons ensuite des rapports HTML, enregistrons puis rechargeons le modèle ajusté, et vérifions que le modèle restauré reproduit les mêmes estimations de la région d’intérêt (ROI).
En conclusion, nous avons développé un cadre complet permettant de mesurer la performance des médias et de traduire les estimations du modèle d’IA bayésien en décisions marketing concrètes. Nous avons validé le système à l’aide de diagnostics de convergence et d’indicateurs prédictifs avant d’interpréter les résultats au niveau des canaux, ce qui nous a permis d’éviter de nous fier à des estimations instables ou trompeuses. Nous avons évalué chaque canal en fonction de sa contribution, de son retour sur investissement (ROI), de son ROI marginal, de son efficacité, de son effet de répercussion et de son niveau de saturation, et nous avons eu recours à des tirages a posteriori pour quantifier l’incertitude et comparer les canaux de manière probabiliste. Nous avons ensuite traduit ces conclusions en répartitions budgétaires optimisées dans le cadre de scénarios à budget fixe et à ROI cible. Enfin, nous avons exporté les résultats et enregistré le système ajusté, ce qui nous a permis de répéter l’analyse, de tester de nouveaux scénarios et d’adapter le flux de travail à des données métier réelles sans avoir à réexécuter les étapes les plus gourmandes en ressources de calcul.
Les prochaines semaines permettront d’en mesurer la portée réelle.
Pour aller plus loin :
Via MarkTechPost : MarkTechPost