AIで広告効果を分析し最適化

このチュートリアルでは、Google Meridian を使用して、完全なEnd-to-End Bayesian marketing mix modelingワークフローを構築します。まず、必要なライブラリをインストールし、GPUの利用可能性を確認し、メディアインプレッション、支出、コントロール、プロモーション、コンバージョン、人口、収益を含む地域レベルのマーケティングデータセットを探索します。次に、生の列をMeridianのデータスキーマにマッピングし、解釈可能なROIベースのpriorを定義し、priorおよびposterior NUTS samplingでモデルを適合させる前にモデルを設定します。トレーニング後、収束と予測精度を評価し、チャネル貢献度、ROI、限界ROI、effectiveness、adstock、saturation、およびresponse curvesなどを調べ、Analyzer APIを使用してカスタムposterior metricsを抽出します。ワークフローの最後に、固定予算と柔軟な予算の両方を最適化し、共有可能なHTMLレポートを生成し、適合したモデルを再利用のために保存します。Copy Code Copied Use a different Browser !pip install --upgrade -q "google-meridian[and-cuda]" import numpy as np import pandas as pd import altair as alt import tensorflow as tf import tensorflow_probability as tfp from IPython.display import display, HTML from meridian import constants from meridian.data import load from meridian.model import model from meridian.model import spec from meridian.model import prior_distribution from meridian.analysis import analyzer from meridian.analysis import visualizer from meridian.analysis import optimizer from meridian.analysis import summarizer def show(chart_or_obj, title=None): if title: display(HTML(f"<h3 style='font-family:sans-serif'>{title}</h3>")) display(chart_or_obj) print("TensorFlow:", tf.__version__) gpus = tf.config.experimental.list_physical_devices("GPU") print("GPUs detected:", gpus if gpus else "NONE — sampling will be slow on CPU!") CSV_URL = ( "https://raw.githubusercontent.com/google/meridian/refs/heads/main/" "meridian/data/simulated_data/csv/geo_all_channels.csv" ) df = pd.read_csv(CSV_URL) print("\nShape:", df.shape) print("Geos:", df["geo"].