Google Meridian w praktyce: dane wejściowe, instalacja i pierwszy model MMM

Czym jest Google Meridian i co wyróżnia go wśród narzędzi MMM

Meridian to framework, a nie gotowa aplikacja. Dostajesz bibliotekę z modelem i narzędziami do diagnostyki, raportowania oraz optymalizacji budżetu, a dane, specyfikację i interpretację zapewniasz sam albo z certyfikowanym partnerem. Jeśli dopiero oceniasz, czy firma jest gotowa na taki projekt, zacznij od tekstu o tym, od czego zacząć marketing mix modeling.

Najważniejsze cechy biblioteki:

• Podejście bayesowskie. Wynikiem nie jest jedna liczba ROI, ale rozkład z przedziałem wiarygodności. Rozkłady a priori pozwalają wprowadzić do modelu MMM wiedzę z wcześniejszych badań i eksperymentów.
• Hierarchia regionów. Każdy region ma własne parametry, ale są one powiązane wspólnym rozkładem, więc słabsze dane z mniejszych województw „pożyczają” informację od większych.
• Zasięg i częstotliwość. Dla kanałów takich jak YouTube możesz podać zasięg i średnią częstotliwość zamiast samych wyświetleń. O tym, jak zmieniały się metryki wideo w Google, piszemy w przeglądzie YouTube Ads w 2026 r.
• Zmienne pozamediowe. Ceny, rabaty i kanały nieopłacane, np. newsletter, są modelowane jako osobne dźwignie z własnym wkładem w wynik.
• Sygnały marki. Od września 2026 r. Meridian obsługuje sygnały marki, w tym wolumen zapytań o markę w Google, co ułatwia ocenę kampanii zasięgowych.

W 2026 r. wokół biblioteki powstał cały ekosystem: w lutym Scenario Planner do planowania budżetu bez kodu, a we wrześniu moduł GeoX do testów geo oraz narzędzia agentowe, które pomagają audytować dane i prowadzą przez budowę modelu.

Jakie dane wejściowe przyjmuje Google Meridian

Meridian oczekuje danych w formacie długim: jeden wiersz to jeden region i jeden okres, zwykle tydzień. Role kolumn określasz obiektem CoordToColumns, a potem mapujesz kolumny mediów i wydatków na nazwy kanałów.

Różnica między controls a non_media_treatments ma znaczenie. Zmienne kontrolne służą do skorygowania modelu o czynniki, na które nie masz wpływu, a dźwignie pozamediowe są traktowane jak działania, których efekt Meridian szacuje i pokazuje w raporcie.

Jak przygotować dane z polskich kampanii

Najtrudniejsze jest przypisanie wydatków i sprzedaży do regionów. W Polsce jednostką geo są najczęściej województwa: raporty lokalizacji w Google Ads i podział według regionu w Menedżerze reklam Meta pozwalają rozbić koszty, a adres dostawy z zamówienia przypiszesz do województwa przez tabelę mapowania kodów pocztowych.

Przykładowy fragment pliku wejściowego (dane hipotetyczne):

tydzien,wojewodztwo,populacja,przychod_netto,koszt_google,klik_google,koszt_meta,wysw_meta,koszt_youtube,wysw_youtube,rabat_proc
2026-09-07,mazowieckie,5510000,412300.50,38200.00,51200,21400.00,1850000,6100.00,920000,0
2026-09-07,slaskie,4300000,251800.10,24100.00,33800,15800.00,1320000,4300.00,640000,0
2026-09-14,mazowieckie,5510000,398750.00,36900.00,49800,22900.00,1910000,6000.00,905000,10

Przed wczytaniem sprawdź pięć rzeczy:

• Kompletność siatki. Każde województwo musi mieć wiersz dla każdego tygodnia. Tydzień bez emisji to zero, a nie pusta komórka.
• Spójność kwot. Wydatki i przychód w tej samej walucie i w tej samej konwencji, najlepiej netto bez VAT.
• Pełne tygodnie. Tydzień od poniedziałku do niedzieli, bez ucinania pierwszego i ostatniego okresu.
• Kanały ogólnopolskie. Telewizję czy radio bez danych regionalnych rozdziel proporcjonalnie do populacji lub zasięgu i pamiętaj, że model nie nauczy się wtedy różnic między regionami.
• Sumy kontrolne. Suma wydatków po regionach powinna zgadzać się z fakturami, a suma przychodu – z systemem sprzedaży.

Jeśli pobierasz raporty geograficzne automatycznie, przyda się dostęp do Google Ads API, który po zmianach z września 2026 r. wymaga projektu Google Cloud – opisujemy to w tekście o Google Ads API w 2026 r.. Tabele pośrednie trzymaj w hurtowni i pilnuj kosztów zapytań, o czym piszemy w poradniku o kosztach BigQuery.

Instalacja Meridian krok po kroku

Meridian instalujesz jak zwykły pakiet Pythona. Oficjalne wsparcie GPU jest dostępne na Linuksie z kartami NVIDIA. Na macOS biblioteka działa tylko na procesorze.

1. Wybierz środowisko. Najprościej zacząć w notatniku Colab z GPU albo na maszynie z Linuksem i kartą NVIDIA. Dokumentacja wskazuje testy na kartach V100 i T4 z 16 GB pamięci.
2. Utwórz środowisko wirtualne z Pythonem 3.11 lub 3.12.
3. Zainstaluj pakiet – z dodatkiem and-cuda na maszynie z GPU albo w wersji podstawowej na procesorze.
4. Sprawdź wersję i zapisz ją w pliku z zależnościami projektu, żeby każde odświeżenie modelu liczyć na tej samej wersji.

python3.11 -m venv .venv
source .venv/bin/activate
python3 -m pip install --upgrade 'google-meridian[and-cuda]'
python3 -c "import meridian; print(meridian.__version__)"

Na komputerze bez GPU, np. z macOS, w trzecim wierszu zainstaluj sam pakiet google-meridian, bez dodatku w nawiasie kwadratowym.

Domyślnym backendem jest JAX, a starszy backend TensorFlow ma zostać usunięty w jednej z kolejnych wersji. Jeśli korzystasz ze starszych notatników, sprawdź w dzienniku zmian, czy importy i nazwy parametrów są aktualne.

Pierwszy model: wczytanie danych, specyfikacja i próbkowanie

Pierwszy model buduj na domyślnych rozkładach a priori i małej liczbie kanałów. Najpierw sprawdzasz, czy całość działa, a dopiero potem rozbudowujesz specyfikację.

from meridian.data import load
from meridian.model import model, spec, prior_distribution

kolumny = load.CoordToColumns(
    time='tydzien',
    geo='wojewodztwo',
    population='populacja',
    kpi='przychod_netto',
    media=['klik_google', 'wysw_meta', 'wysw_youtube'],
    media_spend=['koszt_google', 'koszt_meta', 'koszt_youtube'],
    non_media_treatments=['rabat_proc'],
)

loader = load.CsvDataLoader(
    csv_path='meridian_dane.csv',
    coord_to_columns=kolumny,
    kpi_type='revenue',
    media_to_channel={'klik_google': 'google', 'wysw_meta': 'meta', 'wysw_youtube': 'youtube'},
    media_spend_to_channel={'koszt_google': 'google', 'koszt_meta': 'meta', 'koszt_youtube': 'youtube'},
)
dane = loader.load()

model_spec = spec.ModelSpec(
    prior=prior_distribution.PriorDistribution(),  # domyślne rozkłady a priori
    media_prior_type='roi',                        # priory definiowane na ROI kanałów
    max_lag=8,                                     # maksymalne przeniesienie efektu w tygodniach
)

mmm = model.Meridian(input_data=dane, model_spec=model_spec)
mmm.sample_prior(500)
mmm.sample_posterior(n_chains=7, n_adapt=1000, n_burnin=500, n_keep=1000)

Co oznaczają parametry próbkowania: n_chains to liczba łańcuchów liczonych równolegle (przy braku pamięci możesz podać listę, żeby liczyć je po kolei), n_adapt i n_burnin to próbki odrzucane na rozgrzewkę, a n_keep – próbki zachowane do analizy. Meridian korzysta z samplera NUTS. Czas obliczeń zależy od liczby regionów, tygodni i kanałów. Do szybkich iteracji dokumentacja przewiduje rozrzedzanie rozkładu a posteriori (posterior_thinning), ale wyników z takiej wersji nie należy przekazywać jako ostatecznych.

Specyfikacja pozwala też odłożyć część obserwacji do walidacji, ustawić liczbę węzłów dla efektu czasu i zmienić typ wygasania efektu. Na start zostaw wartości domyślne.

Diagnostyka: jak sprawdzić, czy model Meridian jest poprawny

Diagnostykę zaczynasz od zbieżności łańcuchów, potem sprawdzasz dopasowanie, a na końcu wiarygodność biznesową wyników. Pominięcie pierwszego kroku oznacza interpretowanie liczb, które mogą być przypadkowe.

from meridian.analysis import visualizer, summarizer

visualizer.ModelDiagnostics(mmm).plot_rhat_boxplot()
visualizer.ModelFit(mmm).plot_model_fit()

summarizer.Summarizer(mmm).output_model_results_summary(
    'meridian_raport.html', '/content/wyniki', '2024-10-07', '2026-10-19'
)

Pamiętaj, że dobre metryki dopasowania nie dowodzą, że model poprawnie oddziela przyczyny od korelacji. Tę lukę zamykają eksperymenty, które opisujemy w tekście o testach inkrementalności i Conversion Lift.

Jak czytać wyniki Meridian i co zrobić dalej

Raport podsumowujący pokazuje udział bazy i kanałów w wyniku, ROI oraz marginalny ROI z przedziałami wiarygodności, a także krzywe odpowiedzi. Moduł optymalizacji proponuje podział budżetu, który maksymalizuje wynik przy zadanych ograniczeniach.

from meridian.analysis import optimizer

wynik = optimizer.BudgetOptimizer(mmm).optimize()

Załóżmy, że model pokazuje dla Meta Ads ROI 2,4 z przedziałem 1,6–3,3, a dla YouTube 1,5 z przedziałem 0,6–2,7. Szeroki przedział YouTube nie oznacza, że kanał jest słaby – oznacza, że dane niewiele o nim mówią. To dobry kandydat do testu geo, którego wynik zawęzi przedział. Porównując wyniki z ROAS z paneli reklamowych, pamiętaj, że Meridian szacuje przychód inkrementalny, a nie przypisany.

Dalsze kroki zależą od zespołu:

• osoby bez Pythona mogą planować budżet w raporcie Meridian Scenario Planner,
• analitycy powinni zaplanować testy geo i kalibrację modelu, zaczynając od kanałów z najszerszymi przedziałami,
• jeśli zespół lepiej zna R, rozważ alternatywę opisaną w porównaniu Robyn czy Meridian,
• wnioski o sezonowym zwiększaniu wydatków przenieś do planu na Black Friday i czwarty kwartał, uwzględniając nasycenie kanałów.

Pozostałe materiały o modelowaniu znajdziesz w dziale Marketing Mix Modeling.