meridian-mmm
Marketing Mix Modeling con Google Meridian: instalación y requisitos, API Python real (InputData, ModelSpec, PriorDistribution, Meridian, Analyzer, BudgetOptimizer), diagnóstico de convergencia MCMC y
SKILL.mdskills/meridian-mmm/SKILL.md
GitHubMeridian MMM
Modela y optimiza el mix de medios con Google Meridian, la librería open-source de MMM bayesiano de Google. Cubre el ciclo completo: preparación de datos → especificación del modelo → ajuste MCMC → diagnóstico → ROI/mROI → optimización de presupuesto → actualización periódica.
Keywords: Meridian, Marketing Mix Modeling, MMM, MCMC bayesiano, ROI, mROI, curvas de respuesta, Adstock, Hill saturation, Reach & Frequency, BudgetOptimizer, PriorDistribution, health score, R-hat, geo model, national model, incrementalidad, atribución.
Entorno requerido
| Componente | Requisito |
|---|---|
| Python | 3.11 – 3.13 (3.10 eliminado desde v1.5.3) |
| Instalación | pip install google-meridian (o [jax], [and-cuda], [mlflow], [scenarioplanner,schema]) |
| TensorFlow | >=2.21,<2.22 |
| TFP | tfp-nightly==0.26.0.dev20260130 ⚠️ versión nightly, no la estable |
| NumPy | >=2.0.2,<2.4.0 |
| GPU | Prácticamente obligatoria — T4 mínimo, 16 GB RAM de GPU (MCMC en CPU puede tardar horas) |
| Versión de referencia | Meridian 1.8.0 (agosto 2026), licencia Apache 2.0 |
⚠️ Aviso crítico #1: usar la versión estable de TFP en vez de la nightly especificada causa errores en tiempo de ejecución.
⚠️ Aviso crítico #2 — API inventada: nunca generes código Meridian por plausibilidad. Métodos/clases que NO existen y aparecieron por error en documentación previa del equipo:
meridian.Model(...),model.fit(),model.get_incremental_outcome(),model.optimize_budget(),model.plot_roi(),meridian.validate_data(), parámetrosnum_chains/num_warmup/num_samples/batch_size/prior_scale,geo_column=como parámetro de constructor. Usa siempre el API real documentado enreferences/api-reference.mdy verificalo contra los ejemplos dereferences/notebooks-demos.md.
Flujo de trabajo (7 fases)
1. PREPARACIÓN (pre-modeling)
├── Recolectar datos: KPI semanal por geografía (2-3 años)
├── Preparar medios: impresiones + gasto por canal, geo, semana
├── Preparar controles: estacionalidad, eventos, GQV para SEM
├── EDA: verificar correlaciones, VIF, varianza del KPI
└── Evaluar cantidad de datos vs. número de parámetros
2. ESPECIFICACIÓN DEL MODELO
├── Elegir tipo de prior: 'roi' si hay experimentos, 'contribution' si KPI no monetario
├── Calibrar priors: lognormal_dist_from_mean_std() con valores de experimentos/benchmarks
├── Configurar knots: enable_aks=True (recomendado) o valor fijo
├── Configurar max_lag: 8 semanas (default), ajustar si el canal tiene efectos largos
└── Decidir national vs. geo model
3. AJUSTE DEL MODELO
├── mmm.sample_posterior(n_chains=4, n_adapt=1000, n_burnin=1000, n_keep=1000)
├── Verificar convergencia: R-hat < 1.2 para todos los parámetros
└── GPU recomendada (T4 mínimo)
4. DIAGNÓSTICO POST-MODELADO
├── Health Score: objetivo ≥ 90
├── PPP (posterior predictive p-value): debe ser ≥ 0.05
├── P(baseline < 0): debe ser < 0.2
├── Shift prior→posterior: verificar que el modelo aprende de los datos
└── Curvas de Hill/Adstock: prior vs. posterior coherentes
5. RESULTADOS E INTERPRETACIÓN
├── ROI por canal con intervalos creíbles al 90%
├── mROI: identificar canales sobre/bajo-invertidos (mROI<1 → sobreinvertido)
├── Curvas de respuesta: identificar puntos de saturación
└── Waterfall de contribuciones: baseline vs. canales individuales
6. OPTIMIZACIÓN DE PRESUPUESTO
├── Definir escenario: presupuesto fijo o flexible (ROI/mROI objetivo)
├── Establecer restricciones por canal (ej. ±50% del histórico)
├── Interpretar: círculo (actual) vs. cuadrado (óptimo) en curvas de respuesta
└── Para R&F: calcular frecuencia óptima primero (use_optimal_frequency=True)
7. ACTUALIZACIÓN PERIÓDICA
├── Frecuencia: trimestral o anual
├── Agregar datos nuevos al histórico (no modelar solo los nuevos)
├── Usar AKS Hybrid para consistencia de nudos entre actualizaciones
└── Documentar cambios en priors y las razones de negocio
Clases principales del API
| Clase | Módulo | Propósito |
|---|---|---|
DataFrameInputDataBuilder |
meridian.data.data_frame_input_data_builder |
Construye InputData desde DataFrames con API fluent (.with_kpi(), .with_media(), .with_controls()...) |
InputData |
meridian.data |
Contenedor de todos los tensores de entrada (KPI, media, controles, población) |
ModelSpec |
meridian.model.spec |
Configuración del modelo (nudos, lags, priors, tipo de distribución) |
PriorDistribution |
meridian.model.prior_distribution |
Distribuciones a priori para todos los parámetros del modelo |
Meridian |
meridian.model.model |
Clase principal: carga datos + spec y ejecuta sample_prior()/sample_posterior() |
Analyzer |
meridian.analysis.analyzer |
ROI, mROI, resultado incremental, curvas de respuesta |
BudgetOptimizer |
meridian.analysis.optimizer |
Optimización de presupuesto (fijo, o flexible con ROI/mROI objetivo) |
Summarizer |
meridian.analysis.summarizer |
Exporta resultados a DataFrames/HTML para reporting |
ModelDiagnostics / ModelFit |
meridian.analysis.visualizer |
Gráficos diagnósticos: prior vs. posterior, Adstock, Hill, bondad de ajuste |
ModelReviewer |
meridian.analysis.review |
Health checks automáticos y Health Score (0-100) |
When to Use
- Diseñar o revisar la especificación de un modelo Meridian (priors, nudos, Adstock/Hill, national vs. geo).
- Depurar problemas de convergencia MCMC (R-hat alto, health score bajo, baseline negativo).
- Interpretar ROI/mROI, curvas de respuesta o resultados de optimización de presupuesto.
- Adaptar uno de los notebooks/demos oficiales (Getting Started, R&F, MLflow, Full Funnel) a un caso propio.
- Aplicar Meridian a un caso de negocio real (medición de campaña, cross-channel, geo multi-país).
- Comparar Meridian con otros enfoques de atribución (ver skill
marketing-attributionpara MTA/Shapley/incrementalidad).
References
Carga la referencia que corresponda a la tarea — mantén este archivo ligero y consulta el detalle bajo demanda:
- references/api-reference.md — instalación, requisitos de versión, arquitectura del paquete, historial de cambios, y referencia detallada de
InputData,ModelSpec,PriorDistribution,Analyzer,BudgetOptimizery mensajes proto. Leer al construir o depurar código Meridian. - references/notebooks-demos.md — Getting Started (TF/JAX), demo de Reach & Frequency, simulación de datos R&F, ROI/mROI y curvas de respuesta, integración MLflow, y Full Funnel. Leer al adaptar un notebook oficial.
- references/conceptual-guides.md — guías conceptuales oficiales completas: pre-modelado, especificación matemática, nudos/priors/adstock, national vs. geo, health checks y health score, interpretación de resultados, optimización, planificación de escenarios, depuración y actualización del modelo. Leer para entender el "por qué" detrás de un parámetro o resultado.
- references/wpp-context.md — patrones de aplicación práctica (medición de campaña, optimización cross-channel, geo multi-país, troubleshooting, integración con CausalImpact/Looker Studio, best practices) con código usando el API real. Leer para trabajo aplicado a un caso de cliente.
Scope & Limitations
Esta skill cubre:
- Especificación, ajuste, diagnóstico e interpretación de modelos Meridian (bayesiano, MCMC).
- Optimización de presupuesto con y sin Reach & Frequency.
- Adaptación de los notebooks/demos oficiales del repo
google/meridian. - Casos de uso y troubleshooting aplicados a un cliente concreto.
Esta skill NO cubre:
- Modelos de atribución multi-touch (MTA), Shapley values, o tests de incrementalidad/holdout — ver skill
marketing-attribution. - Análisis de impacto causal de una intervención puntual (campaña, lanzamiento) sobre una serie temporal — ver skill
causal-impact. - Analítica de eventos/atribución en GA4, Google Ads o Meta Ads a nivel de plataforma — ver skills
ga4-analyst,google-ads-analyst,meta-ads-analyst.
Integration Points
| Skill | Integración | Flujo de datos |
|---|---|---|
marketing-attribution |
Alternativa/complemento: MTA para optimización táctica, MMM (Meridian) para asignación estratégica de presupuesto | Resultados de ROI/mROI de Meridian pueden contrastarse con iROAS de incrementalidad |
causal-impact |
Complementario: CausalImpact para medir el efecto de una campaña puntual; Meridian para el mix completo de medios en el tiempo | Un lift medido con CausalImpact puede usarse como prior informativo (roi_m) en Meridian |
data-analyst / data-scientist |
Preparación de datos (EDA, VIF, limpieza) previa a construir InputData |
Datasets validados alimentan DataFrameInputDataBuilder |
Nota de origen: el contenido técnico de esta skill proviene de una investigación exhaustiva (repo GitHub, referencia proto, notebooks oficiales, y toda la documentación
developers.google.com/meridian/docs/) realizada en septiembre de 2026, con verificación cruzada del API real contra ejemplos de código fuente y notebooks — no se generó ningún fragmento de código por plausibilidad.