Modelová situace: firma utrácí za několik reklamních kanálů a součet konverzí, které hlásí jednotlivé platformy, je vyšší než skutečný počet objednávek. Každá platforma si připisuje zásluhy po svém a firma neví, kam dát další korunu. Na tuhle otázku odpovídá marketing mix model, který pracuje s agregovanými čísly, tedy týdenními výdaji a výsledky, a ne se sledováním jednotlivých lidí přes cookies.

Meridian je takový model, který zveřejnil Google jako open-source projekt s licencí Apache-2.0. Poslední verze 2.2.1 byla podle PyPI nahrána 19. 11. 2026. Google ho navíc zavádí do Google Analytics 360, ale podle jeho nápovědy zatím jen pro vybrané zákazníky.

Článek vychází z dokumentace a repozitáře projektu a z nápovědy Analytics ke stavu z 20. 11. 2026. Odpovídá na tři věci: kolik dat Meridian potřebuje, kdo ho musí obsluhovat a kdy firmě stačí jednodušší inkrementální test.

Co je Meridian a co z něj firma dostane?

Meridian odhaduje, jak velký podíl na cílovém ukazateli, třeba tržbách, připadá na jednotlivé placené kanály. Dokumentace uvádí tři výstupy: historický ROI a přínos každého kanálu, křivky odezvy (jak se přínos mění s výší výdajů) a návrh rozdělení budoucího rozpočtu. Model počítá se zpožděným účinkem reklamy a s nasycením, kdy další výdaje už přinášejí méně.

Je to bayesovský model, jeho výsledkem není jedno číslo, ale rozdělení pravděpodobnosti, ze kterého vycházejí intervaly věrohodnosti. Umí pracovat s daty po regionech i s údaji o zásahu a frekvenci a dovoluje doplnit vlastní předpoklady (apriorní hodnoty). Repozitář uvádí, že marketing mix model je z hlediska soukromí bezpečný a nepoužívá cookies ani údaje o jednotlivých uživatelích.

Projekt je zdarma a kód je otevřený. Instaluje se z PyPI příkazem pip install google-meridian a repozitář obsahuje také složku scenarioplanner, která souvisí s plánováním budoucích rozpočtů.

Kolik dat Meridian potřebuje?

Dokumentace žádá hlavně dlouhou a pravidelnou historii. Pro model po regionech uvádí aspoň dva roky týdenních dat, tedy zhruba 104 týdnů. Pro model jen na národní úrovni, nebo když máte jen měsíční data, uvádí aspoň tři roky.

Za nejlepší postup označuje týdenní data. Denní data fungují, ale model se počítá mnohem déle. Měsíční data mohou vést k tomu, že se model nestabilizuje, nebo k velmi širokým intervalům nejistoty.

  • Cílový ukazatel (KPI): tržby, kusy nebo konverze. Musí jít sčítat přes regiony i čas, proto u poměrů jako CTR modelujte kliky, ne samotnou míru.
  • Za každý placený kanál: výdaje a jeden údaj o expozici (zobrazení, kliky) nebo zásah a frekvence. Výdaje samotné jsou jen nouzová náhrada a při kolísání cen mohou zavádět.
  • Kontrolní proměnné: věci, které ovlivňují zároveň marketing i výsledky, například konkurence nebo objem hledání na Googlu. Sezónnost model řeší sám.
  • Chybějící hodnoty: u médií se doplní nula, protože chybějící údaj obvykle znamená, že kanál neběžel. U KPI a kontrolních proměnných nuly nepoužívejte, dokumentace doporučuje například lineární interpolaci nebo předchozí či historický průměr.
  • Počet kanálů: dokumentace maximum neuvádí, ale každý další kanál zvyšuje počet parametrů, které musí model odhadnout. Kanály s nízkými výdaji se doporučuje sloučit s jinými a příliš jemné časové členění jednoho kanálu dělá problémy s odlišením vlivů a se stabilizací modelu.

Kdo a na čem model spustí?

Dokumentace nestanovuje, kolik lidí nebo jaké znalosti potřebujete, takže jde o odhad z popisu práce: je potřeba někdo, kdo umí Python, připraví data a výsledek vyloží. Dokumentace dělí práci na tři fáze: příprava a čištění dat, vlastní modelování a vyhodnocení výsledků s rozhodnutím.

Repozitář uvádí Python 3.11 až 3.13 a doporučuje aspoň jednu grafickou kartu. Projekt byl testován na kartě T4 a 16 GB paměti RAM. Metadata balíčku na PyPI připouštějí Python už od verze 3.10, ale řiďte se údajem z repozitáře.

Scénářový plánovač rozpočtů není zkratka kolem modelu. Podle dokumentace potřebuje natrénovaný model uložený na Google Drive nebo v Cloud Storage a běží přes Google Colab. Výsledky se zobrazují v dashboardu v Data Studiu a notebook nese v názvu označení Beta.

Co se děje s Meridianem v Google Analytics 360?

Meridian se do Analytics 360 teprve dostává a zatím je to omezená zkouška. Blog Googlu z 20. 5. 2026 oznamuje, že model přijde do Analytics 360 a umožní spojit data z více kanálů, změřit kauzální dopad a spustit predikční scénáře. Funkce uvádí jako dostupné brzy a nejmenuje termín ani zákazníky.

Nápověda Analytics je konkrétnější. Rozpočtové plány napříč kanály používají podle ní buď model založený na datově řízené atribuci, který je ve stavu beta, nebo u vybraných zákazníků Analytics 360 model Meridian, který je ve stavu alfa a je dostupný jen jim.

Podmínky podle nápovědy: datově řízená atribuce v property, propojený Google Ads s nastavenými konverzemi a plán, který začíná v budoucnosti. Doporučení jsou statická a odpovídají parametrům plánu v době jeho vytvoření, pro nové doporučení je třeba založit nový plán. Testování rozpočtu v nástroji skutečné výdaje nemění. Ostatní firmy mohou Meridian zatím používat jen jako open-source knihovnu.

Kdy stačí jednodušší inkrementální test?

Když je otázka konkrétní, například zda jedna kampaň přináší prodeje navíc, může stačit inkrementální test. Ten porovná skupinu, která reklamu viděla, se skupinou, která ji neviděla, a rozdíl ukáže přínos navíc. Je to úvaha podle povahy obou metod, dokumentace Meridianu nestanovuje, od jakého rozsahu kterou volit.

Model i test se doplňují. Dokumentace Meridianu popisuje marketing mix model jako pozorovací metodu, která se opírá o předpoklady, a experimenty uvádí jako zdroj kauzálních apriorních hodnot. K převodu výsledků experimentů na apriorní hodnoty ROI slouží nástroj CalibrationBuilder.

Starší experimenty mají v modelu menší váhu: příručka používá poločas 52 týdnů. Experiment kratší než zpoždění účinku reklamy zachytí jen část dlouhodobého efektu a nástroj jeho odhad škáluje a přidává nejistotu. Test tedy i po zavedení modelu zůstává užitečný.

Experiment, nebo model? Postup rozhodnutí

Jaká je otázka?
Jedna kampaň nebo kanál a jasná otázka: začněte inkrementálním testem.
Řešíte rozpočet napříč kanály?
Pak se hodí model, který odhaduje přínos všech kanálů zároveň.
Máte dost historie?
Dva roky týdenních dat po regionech, nebo tři roky na národní úrovni.
Máte data v pořádku?
KPI, výdaje a expozice u každého kanálu, kontrolní proměnné a ošetřené chybějící hodnoty.
Má model kdo obsluhovat?
Potřebujete Python, grafickou kartu a někoho, kdo výsledek vyloží.
Použijte testy jako vstup
Výsledky experimentů zadejte modelu jako apriorní hodnoty ROI.
Zjednodušený postup, který z požadavků dokumentace Meridianu vychází; kroky jsou naše shrnutí, ne předpis Googlu.

Zdroje a stav informací

Stav informací k 20. 11. 2026. Údaje jsou ověřené u těchto zdrojů:

Jak články vznikají a ověřují: redakční zásady blogu.

ZKUSTE TO V PRAXI

Nejdřív spočítejte, jak dlouhou týdenní historii výdajů a výsledků po regionech máte. Pokud je kratší než dva roky nebo nemáte, kdo model postaví, začněte inkrementálním testem jedné kampaně. Model přidejte, až budete řešit rozdělení rozpočtu mezi více kanálů a výsledky testů použijte jako vstup.

Nejasný pojem?Nahlédněte do slovníku ↗