Meridian od Google: jak działa otwarty model MMM i jak go wdrożyć

Czym jest Meridian i jak się rozwijał

Meridian to biblioteka w Pythonie, która buduje model marketing mix modeling, czyli szacuje wkład każdego kanału w sprzedaż na podstawie danych zagregowanych. Google opisuje go jako otwarty model MMM, który ma umożliwić pomiar odporny na zmiany w prywatności. Kod jest publiczny, a metodologia opisana w dokumentacji i publikacjach. Jeśli MMM to dla Ciebie nowy temat, zacznij od naszego przewodnika Marketing mix modeling: czym jest i kiedy się opłaca.

Wcześniej Google udostępniał prostszy model LightweightMMM. Według FAQ Meridiana nowe narzędzie dodaje modelowanie zasięgu i częstotliwości, kalibrację eksperymentami i dane o wolumenie wyszukiwań w Google. Najważniejsze daty zebraliśmy w tabeli.

Na stronie projektu Google pokazuje logotypy marek korzystających z Meridiana, m.in. Shopify, ASOS i polskiej marki Reserved.

Jak działa model Meridian

Meridian to model bayesowski i hierarchiczny. Bayesowski, bo łączy dane z wiedzą wprowadzoną wcześniej w postaci rozkładów a priori. Hierarchiczny, bo szacuje efekty dla wielu regionów jednocześnie i pozwala im się różnić, ale „pożycza” informację między nimi. Dokumentacja wyjaśnia, że model krajowy jest dla Meridiana przypadkiem szczególnym: regionalnym z jednym regionem.

Model regionalny ma przewagę, bo w każdym tygodniu daje wiele obserwacji zamiast jednej. Lepiej szacuje też trend i sezonowość. Według FAQ hierarchiczna struktura Meridiana jest zaprojektowana właśnie pod dane regionalne. W polskich warunkach oznacza to zwykle sprzedaż w podziale na województwa, regiony handlowe albo obszary dostaw.

Adstock i nasycenie

Każdy kanał przechodzi przez dwie transformacje. Adstock rozkłada działanie reklamy na kolejne tygodnie; Meridian oferuje kształt geometryczny i dwumianowy, a efekt liczy jako znormalizowaną, ważoną sumę bieżących i opóźnionych wydatków. Funkcja Hilla opisuje malejące zwroty. Domyślnie Meridian stosuje najpierw adstock, a potem nasycenie. Szczegółowe wyliczenia adstocku pokazujemy w tekście o długoterminowym efekcie reklamy.

Rozkłady a priori

Dla mediów płatnych Meridian domyślnie ustawia rozkład a priori na zwrot z inwestycji (ROI), a nie na współczynnik regresji. Domyślny rozkład to LogNormal(0,2; 0,9), którego mediana wynosi około 1,22. Dla mediów organicznych i zmiennych pozamediowych domyślny jest rozkład na udział w wyniku. Dokumentacja zaleca ustawiać założenia na tej mierze, o której wiesz najwięcej, np. na ROI z eksperymentu. Rozkłady na współczynniki zespół Meridiana rekomenduje rzadko, bo trudno je interpretować.

Jakich danych potrzebuje Meridian

Meridian wymaga dwóch głównych tablic: wskaźnika wynikowego (KPI) i mediów płatnych. Konieczna jest też liczba ludności w każdym regionie, bo model skaluje przez nią KPI i media, żeby regiony były porównywalne. Pozostałe dane są opcjonalne, ale poprawiają wyniki.

Dokumentacja nie zaleca modelowania na poziomie pojedynczych kampanii. Kampanie z wyraźnym startem i końcem zaburzają pamięć adstocku, dlatego Meridian pracuje na kanałach. Ile tygodni danych zebrać i jak je sprawdzić, opisujemy w tekście Dane do MMM.

Wymagania techniczne i instalacja

Meridian instaluje się jak każdy pakiet Pythona. Repozytorium zaleca świeże środowisko wirtualne.

• Python: wersje 3.11–3.13.
• Instalacja na komputerze bez GPU lub na macOS: pip install --upgrade google-meridian.
• Instalacja na Linuksie z GPU: pip install --upgrade google-meridian[and-cuda]; wymaga zgodnej karty i sterowników CUDA.
• Sprzęt: zalecana co najmniej jedna karta graficzna; projekt testowano na karcie T4 z 16 GB pamięci. macOS nie ma oficjalnego wsparcia GPU.
• Licencja: Apache 2.0, co pozwala używać kodu komercyjnie i go modyfikować.

Najprostszy start to notatnik „Get started with MMM” podlinkowany na stronie projektu. Działa w przeglądarce, więc nie trzeba konfigurować własnego serwera.

Wdrożenie Meridiana krok po kroku

1. Zdefiniuj pytanie i KPI. Np. przychód tygodniowy w podziale na regiony i plan budżetu na kolejny rok.
2. Przygotuj dane. KPI, populację, media, wydatki, zmienne kontrolne. Zamów dane Google przez MMM Data Platform, jeśli ich potrzebujesz.
3. Zrób analizę eksploracyjną. Sprawdź luki, wartości odstające, kanały mocno skorelowane i liczbę obserwacji na parametr.
4. Skonfiguruj model. Ustal okno opóźnienia adstocku, kształt zaniku, liczbę węzłów trendu i rozkłady a priori dla ROI.
5. Uruchom estymację. Na karcie graficznej trwa krócej, dlatego repozytorium zaleca pracę na GPU.
6. Sprawdź zdrowie modelu. Dokumentacja przewiduje kontrole zdrowia modelu, ocenę dopasowania i ocenę sprzedaży bazowej. Porównaj też rozkłady a priori i a posteriori: jeśli się nie różnią, dane niewiele powiedziały o kanale.
7. Analizuj wyniki. ROI, krańcowy ROI, udział kanałów w wyniku i krzywe odpowiedzi.
8. Optymalizuj i planuj. Użyj optymalizacji budżetu, a wyniki udostępnij zespołowi w Scenario Plannerze.

Firmy bez własnego zespołu analitycznego znajdą wskazówki, jak podzielić tę pracę, w tekście MMM bez działu data science.

Kalibracja eksperymentami i Meridian GeoX

Największa przewaga Meridiana nad prostą regresją to możliwość wprowadzenia wyników eksperymentów jako rozkładów a priori. Jeśli test pokazał, że kampania wideo dała zwrot w określonym przedziale, możesz ustawić rozkład ROI dla tego kanału wokół tego wyniku. Dokumentacja podaje przykład, w którym średnie ROI ustawiono na 1,7 i 2,5, by zgadzały się z badaniami lift.

Do prowadzenia takich testów Google przygotował Meridian GeoX. To otwarte narzędzie do eksperymentów geograficznych, niezależne od wydawcy, którego wyniki można zamienić na rozkłady a priori dla Meridiana. GeoX zapowiedziano 5 maja 2026 r., a globalnie udostępniono 9–10 września 2026 r. Wymaga danych dziennych, co najmniej 10 jednostek geograficznych w najprostszym układzie (zalecane 50 lub więcej) i Pythona 3.11 lub nowszego. Google twierdzi, że eksperymenty z GeoX są o 31% tańsze, ale to deklaracja producenta.

Dla firm w Polsce wymóg 50 jednostek oznacza, że podział na województwa nie wystarczy. Trzeba pracować na mniejszych obszarach, np. powiatach lub strefach kodów pocztowych, o ile dane sprzedażowe da się do nich przypisać. Jak zaplanować taki test i jak połączyć go z modelem, opisujemy w tekstach o testach inkrementalności i łączeniu MMM, atrybucji i eksperymentów.

Co nowego w Meridianie w 2026 roku

• Scenario Planner (luty 2026 r.). Bezkodowe symulacje budżetu na wynikach modelu. Według repozytorium planowanie scenariuszy działa w Colab i Data Studio.
• Sygnały marki (wrzesień 2026 r.). Model może uwzględniać m.in. wolumen wyszukiwań brandowych, żeby lepiej oceniać wpływ telewizji, wideo i outdooru na popyt na markę.
• Funkcje agentowe (wrzesień 2026 r.). Pomoc w audycie jakości danych, rozwiązywaniu błędów i prowadzeniu budowy modelu.
• Integracja z Google Analytics 360. Zapowiedziana 20 maja 2026 r.; w zapowiedzi nie podano terminu dostępności dla wszystkich klientów.
• Meridian Studio. Zapowiedziane w maju 2026 r. narzędzie do zarządzania wieloma modelami w Google Cloud, przeznaczone dla dużych organizacji.

Sygnały marki są ważne dla firm, które inwestują w wideo i telewizję. O pomiarze tych kanałów piszemy w tekstach o pomiarze reklamy wideo i pomiarze reklamy w telewizji połączonej.

Meridian, Robyn czy PyMC-Marketing: kiedy wybrać Meridiana

Meridian nie jest jedynym otwartym narzędziem do MMM. Wybór zależy od kompetencji zespołu, miksu mediów i tego, ile kontroli nad modelem potrzebujesz.

Meridian ma sens, gdy masz dane regionalne, inwestujesz w wideo i wyszukiwarkę, a zespół pracuje w Pythonie. Robyn bywa wygodniejszy dla zespołów pracujących w R. PyMC-Marketing wybierają ci, którzy chcą zbudować model niestandardowy i mają do tego kompetencje statystyczne.

Ograniczenia, o których warto wiedzieć

• Model krajowy wymaga dużo danych. Dokumentacja pokazuje, że 104 tygodnie przy 26 parametrach to około 4 obserwacje na parametr, czyli za mało.
• Wymaga kompetencji. Konfiguracja rozkładów a priori i diagnostyka to zadania dla analityka, nawet z pomocą funkcji agentowych.
• Producent narzędzia sprzedaje media. Kod jest otwarty, więc każdy może sprawdzić, jak liczy, ale rozkłady a priori i dane wejściowe warto ustalać niezależnie od dostawcy reklam.
• Prywatność danych. Według FAQ Google nie ma dostępu do Twoich danych, modeli ani wyników, chyba że sam je udostępnisz.
• Kampanie Google też trzeba modelować uczciwie. Kampanie automatyczne, takie jak Performance Max, łączą wiele formatów, więc warto ustalić, jak rozdzielić je na kanały w modelu. Ich mechanikę opisujemy w tekście o kontroli nad Performance Max.