گوگل با مدل‌سازی بیزی بازدهی تبلیغات را از حدس و گمان خارج کرد

بودجه‌های بازاریابی را به‌جای یک معادله خطی ساده، به عنوان یک سیستم احتمالی ببینید. در حالی که بسیاری از این سرمایه‌گذاری‌ها در سیاهچاله‌ی «نسبت‌های مبهم» گم می‌شوند، گوگل مریدین (Google Meridian) این حدس و گمان‌ها را به یک علم دقیق بیزی تبدیل می‌کند تا برندها بدانند دقیقاً هر دلار اضافی در کدام کانال، بیشترین بازدهی افزایشی (Incremental Return) را خواهد داشت.

اندازه‌گیری بازاریابی مدرن با مرگ کوکی‌های شخص ثالث و افزایش سخت‌گیری‌های حریم خصوصی در ردیابی کاربران به بن‌بست رسیده بود. این تغییر، صنعت را به بازگشت به مدل‌سازی ترکیب بازاریابی (Marketing Mix Modeling یا MMM) سوق داد؛ روشی که به‌جای ردیابی تک‌تک کاربران، از داده‌های تجمیعی (Aggregate Data) استفاده می‌کند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی پیشتازی گوگل در حوزه‌ی هوش مصنوعی و حلقه‌های اکتشافی که توسط چهره‌هایی چون جف دین (Jeff Dean) ترویج شده است اشاره کردیم، مریدین در واقع کاربرد عملی اهداف پژوهشی سطح بالای گوگل در دنیای کسب‌وکار و تبلیغات است.

گردش‌کار بیزی

به نقل از آموزش‌های منتشر شده در Marktechpost در اوایل سال ۲۰۲۵، گردش‌کار مریدین با یک طرح داده‌ای ساختاریافته آغاز می‌شود. کاربران ستون‌های خام — شامل تعداد بازدیدها (Impressions)، هزینه‌ها، جمعیت و درآمد — را به یک مجموعه‌داده در سطح جغرافیایی (Geo-level dataset) منتقل می‌کنند. این ساختار به مدل اجازه می‌دهد تفاوت‌های منطقه‌ای در اثربخشی رسانه‌ها را به دقت در نظر بگیرد.

برای راه‌اندازی این محیط، نصب بسته google-meridian[and-cuda] و فراخوانی کتابخانه‌هایی مثل تنسورفلو (TensorFlow)، تنسورفلو پروبابیلیتی (TFP) و Altair برای بصری‌سازی ضروری است. یک گام حیاتی، تأیید دسترسی به واحد پردازش گرافیکی (GPU) از طریق دستور tf.config.experimental.list_physical_devices("GPU") است؛ زیرا فرآیند نمونه‌گیری روی CPU به‌شدت کند است و سرعت پردازش را به شدت کاهش می‌دهد.

نقشه‌برداری داده‌ها و طرح کلی

مریدین از سیستمی به نام CoordToColumns برای سازماندهی داده‌های خام استفاده می‌کند. در نمونه‌های عملی ارائه شده در آموزش‌ها، این مجموعه‌داده‌ها شامل موارد زیر است:

• شاخص‌های کلیدی (KPIs): نرخ تبدیل‌ها (Conversions) و درآمد به ازای هر تبدیل.
• رسانه‌ها: پنج کانال پرداخت‌شده مجزا (Channel 0-4) که بر اساس تعداد بازدید و هزینه ردیابی می‌شوند.
• کنترل‌ها: عوامل خارجی اثرگذار مانند competitor_sales_control (فروش رقبا) و sentiment_score_control (امتیاز تحلیل احساسات مشتریان).
• متغیرهای دیگر: داده‌های جمعیتی، بازدیدهای ارگانیک و درمان‌های غیررسانه‌ای مانند «پروموشن‌ها» (Promo).

برخلاف مدل‌های سنتی، مریدین از پیشین‌های بیزی (Bayesian Priors) استفاده می‌کند. بازاریابان می‌توانند پیشین‌های قابل تفسیری مبتنی بر ROI تعریف کنند؛ برای مثال، با استفاده از یک توزیع LogNormal، مقدار roi_mu را ۰.۲ و roi_sigma را ۰.۹ قرار دهند. سپس مدل با استفاده از نمونه‌گیر NUTS (No-U-Turn Sampler) در مرحله پسین (Posterior)، این اعداد را اصلاح می‌کند. این فرآیند تضمین می‌کند که مدل صرفاً یک برازش ریاضی پیدا نکند، بلکه نتیجه‌ای به دست آورد که با واقعیت‌های شناخته‌شده‌ی تجاری هم‌سو باشد.

اندازه‌گیری اثربخشی رسانه‌ها

پس از برازش مدل — با پیکربندی ۷ زنجیره (Chains)، ۵۰۰ گام تطبیق (Adaptation steps)، ۵۰۰ گام Burn-in و ۱۰۰۰ نمونه نهایی (Kept samples) — مجموعه‌ای از ابزارهای تشخیصی برای تأیید اعتبار ارائه می‌شود. معیار حیاتی در اینجا بررسی همگرایی R-hat است؛ مقادیر زیر ۱.۰۵ نشان می‌دهند که مدل به پایداری رسیده و نتایج قابل اعتماد هستند.

مریدین نتایج را به چهار بخش کلیدی تجزیه می‌کند:

• خط پایه (Baseline): حجم فروش‌هایی که حتی در صورت نبود هیچ‌گونه تبلیغات پرداخت‌شده، رخ می‌دادند.
• سهم کانال (Channel Contribution): حجم دقیق تبدیل‌هایی که به هر کانال رسانه‌ای اختصاص می‌یابد که از طریق نمودارهای ناحیه‌ای (Area charts) و نمودارهای دایره‌ای بصری‌سازی می‌شود.
• زوال ادستاک (Adstock Decay): بررسی اینکه اثر یک تبلیغ پس از اولین بازدید تا چه زمانی باقی می‌ماند؛ این مورد به بازاریابان کمک می‌کند تا اثرات تداومی (Carryover effects) را درک کنند.
• اشباع هیل (Hill Saturation): شناسایی نقطه‌ای از بازده نزولی که در آن هزینه بیشتر، دیگر منجر به رشد متناسب در فروش نمی‌شود. این وضعیت از طریق منحنی‌های هیل (Hill curves) نمایش داده می‌شود.

تحلیل عمیق و استخراج داده

فراتر از سهم‌های ساده، این چارچوب اجازه می‌دهد تا از طریق API تحلیل‌گر (Analyzer API)، تحلیل‌های دقیق‌تری روی توزیع‌های پسین انجام شود. این قابلیت استخراج نمونه‌های خام ROI را برای محاسبه میانگین‌های دقیق و فواصل معتبر (Credible Intervals) مانند p05 و p95 فراهم می‌کند.

بازاریابان می‌توانند مقایسه‌های احتمالی بین کانال‌ها انجام دهند؛ مثلاً محاسبه احتمال اینکه ROI یک کانال خاص بیشتر از کانال دیگر باشد (مانند P(ROI Channel_1 > ROI Channel_0)). این رویکرد، تحلیل را از میانگین‌های ساده به درکی کمی از «عدم قطعیت» منتقل می‌کند.

از تحلیل تا بودجه‌بندی

مریدین بین ROI متوسط و ROI حاشیه‌ای (mROI) تفاوت قائل می‌شود. در حالی که ROI متوسط می‌گوید یک کانال در گذشته چگونه عمل کرده است، mROI پیش‌بینی می‌کند که اگر امروز بودجه را افزایش دهید، چه اتفاقی می‌افتد. این تمایز، موتور محرک «بهینه‌ساز بودجه» (Budget Optimizer) در این ابزار است.

کاربران می‌توانند دو سناریوی اصلی بهینه‌سازی را اجرا کنند:

• تخصیص بودجه ثابت (Fixed-Budget Allocation): توزیع مجدد مبلغی مشخص برای رسیدن به حداکثر نتایج کلی. در این حالت، یک «دلتای هزینه» (Spend delta) ارائه می‌شود تا تغییرات پیشنهادی برای هر کانال مشخص گردد.
• سناریوی بودجه منعطف (Flexible-Budget Scenario): پیشنهاد کل مبلغ مورد نیاز برای رسیدن به یک هدف ROI مشخص (مثلاً هدف ۱.۵).

این بهینه‌سازی‌ها از طریق منحنی‌های پاسخ (Response curves) بصری‌سازی می‌شوند که نقاط هزینه فعلی را در مقابل نقاط هزینه بهینه ترسیم کرده و نتایج افزایشی حاصل از بازتخصیص بودجه را نشان می‌دهند.

عملیاتی کردن مدل

برای جلوگیری از نیاز به بازآموزی‌های computationally expensive (پرهزینه از نظر محاسباتی)، مریدین اجازه می‌دهد مدل برازش‌شده به صورت یک فایل .pkl با استفاده از دستور model.save_mmm ذخیره شود. این یعنی بازاریابان می‌توانند سناریوهای مختلف «چه می‌شود اگر...» را بدون اجرای مجدد فرآیند نمونه‌گیری، فوراً تست کنند. پس از بارگذاری مجدد، می‌توان با بررسی تطابق میانگین‌های ROI بازیابی شده با تخمین‌های اصلی، از صحت مدل اطمینان حاصل کرد.

در نهایت، سامانه گزارش‌های HTML قابل اشتراکی را از طریق کلاس‌های Summarizer و BudgetOptimizer تولید می‌کند. این خلاصه‌ها، مانند model_results_summary.html و budget_optimization_summary.html پیچیدگی‌های توزیع‌های پسین را به منحنی‌های پاسخ بصری و نمودارهای دلتای هزینه تبدیل می‌کنند تا داده‌ها برای ذینفعانی که دانشمند داده نیستند نیز قابل فهم باشد.

این چرخش به سمت MMM بیزی، فرض بنیادین بازاریابی را از «کدام کانال بهتر است؟» به «کجا ظرفیت رشد دست‌نخورده وجود دارد؟» تغییر می‌دهد و صنعت را از توهم «نسبت دادن به آخرین کلیک» (Last-click attribution fallacy) دور کرده و به سمت دیدگاهی جامع از سفر مشتری سوق می‌دهد.

برای متخصصان، این به معنای پایان تقسیمات دلخواه بودجه است. به‌جای تخصیص ۲۰٪ به شبکه‌های اجتماعی و ۳۰٪ به جستجو بر اساس سنت‌ها، بودجه‌ها اکنون توسط شیب ریاضی منحنی پاسخ هدایت می‌شوند. برای پیاده‌سازی این سیستم، شما به محیطی با پشتیبانی از GPU برای مدیریت نمونه‌گیری TensorFlow Probability نیاز دارید، زیرا نمونه‌گیری مبتنی بر CPU به‌طور قابل توجهی کندتر است.

گام بعدی شما

• اگر از مدل‌های رگرسیون خطی برای تحلیل بودجه استفاده می‌کنید، مفاهیم توزیع LogNormal و نمونه‌گیر NUTS را مطالعه کنید.
• برای پیاده‌سازی مریدین، حتماً محیطی با پشتیبانی از GPU آماده کنید تا زمان استنتاج مدل کاهش یابد.
• گزارش‌های خروجی مریدین را با داده‌های واقعی فروش ماهانه خود تطبیق دهید تا میزان خطای مدل را بسنجید.

اما زیرساخت سخت‌افزاری برای اجرای این مدل‌های احتمالی حتی پیچیده‌تر است — به تحلیل ما درباره تراشه‌های Blackwell و بهینه‌سازی‌های تنسورفلو مراجعه کنید. در همین راستا، گوگل برای افزایش کارایی مدل‌های تولیدی خود نیز گام‌های بزرگی برداشته است؛ برای مثال، مدل DiffusionGemma توانسته است سرعت تولید متن را به ۱۰۰۰ توکن در ثانیه برساند که نشان‌دهنده تمرکز شدید این شرکت بر بهینه‌سازی‌های محاسباتی در تمامی لایه‌هاست.