Phân Tích Sự Khác Biệt Giữa Google Meridian Và Meta Robyn Trong Mô Hình Marketing Mix Modeling

Tóm tắt

Trong bối cảnh các quy định về quyền riêng tư dữ liệu ngày càng thắt chặt và việc loại bỏ cookie bên thứ ba, mô hình Marketing Mix Modeling (MMM) đã trở lại thành giải pháp ưu tiên trong đo lường hiệu quả tiếp thị. Trong số các khung mã nguồn mở phổ biến hiện nay, Meta Robyn và Google Meridian đại diện cho hai triết lý phương pháp luận khác biệt: tối ưu hóa đa mục tiêu bằng thuật toán tiến hóa kết hợp hồi quy Ridge so với suy luận Bayesian phân cấp với lấy mẫu MCMC. Mặc dù được sử dụng rộng rãi trong ngành, các nghiên cứu so sánh định lượng độc lập về hai khung này vẫn còn hạn chế. Nghiên cứu này thực hiện một phân tích so sánh có hệ thống trên bộ dữ liệu công khai dt_simulated_weekly (208 quan sát, 12 biến), triển khai song song hai khung trong điều kiện chuẩn hóa: cùng tập biến đầu vào, cùng khoảng thời gian mô hình hóa, và 3 lần chạy độc lập với các seed khác nhau. Chúng tôi đánh giá hai khung theo bốn tiêu chí: (1) độ chính xác dự báo qua NRMSE và R², (2) độ ổn định tham số qua độ lệch chuẩn của ước lượng ROI giữa các lần chạy, (3) chẩn đoán hội tụ, và (4) kiểm định ý nghĩa thống kê của sự khác biệt giữa hai khung qua kiểm định Wilcoxon signed-rank. Kết quả cho thấy Meridian đạt độ ổn định hội tụ cao hơn nhờ các phân phối tiền nghiệm Bayesian, trong khi Robyn cho ra các ước lượng ROI cân bằng hơn nhờ tối ưu hóa đa mục tiêu Pareto. Nghiên cứu cũng chỉ ra một xem xét phương pháp luận quan trọng: hiệu năng của framework nhạy cảm với mức độ phù hợp giữa cấu trúc dữ liệu và giả định mô hình hóa. Nghiên cứu đóng góp một khung tham chiếu có khả năng tái lập, giúp các nhà phân tích và nhà ra quyết định lựa chọn công cụ MMM phù hợp với đặc thù dữ liệu và bối cảnh ra quyết định của doanh nghiệp.