Google Meridian a Meta Robyn jsou oba bezplatné open-source balíčky pro marketing mix modeling (MMM), ale hodí se pro různé týmy. Meridian je bayesovský model od Googlu v Pythonu, určený pro data na úrovni geografických oblastí a kalibraci experimenty; verze 2.2.0 vyšla 5. listopadu 2026. Robyn je balíček pro R od Meta, který přizpůsobuje ridge regrese a ladí je evolučním vyhledáváním; jeho nejnovější vydání na CRAN, 3.12.1, pochází z července 2025.
Hostovaný nástroj MMM je placená služba, která takový model provozuje za vás, s datovými konektory, uživatelským rozhraním a podporou. Volba závisí méně na algoritmu než na tom, kdo bude model vlastnit: datový vědec v Pythonu, analytik v R, nebo nikdo ve vašem týmu.
Tento průvodce srovnává Meridian, Robyn a PyMC-Marketing, třetí vážnou open-source možnost, s pěti hostovanými nástroji včetně našeho. Každý fakt o nástrojích byl v listopadu 2026 ověřen na stránkách projektu nebo dodavatele. Co je MMM a jak funguje, najdete v našem průvodci marketing mix modelingem.
Klíčové poznatky
- Google Meridian je open-source bayesovský MMM v Pythonu pod licencí Apache 2.0. Je obecně dostupný od 29. ledna 2025 a 5. listopadu 2026 dosáhl verze 2.2.0.
- Meta Robyn je open-source MMM v R pod licencí MIT. Používá ridge regresi s evolučním hledáním hyperparametrů z knihovny Nevergrad a vrací sadu paretovsky optimálních kandidátních modelů, podle své dokumentace.
- Poslední označené vydání Robynu na GitHubu je v3.12.0 z prosince 2024 a jeho README balíček stále označuje jako „experimentální“. Meridian i PyMC-Marketing vydaly verze v listopadu 2026.
- Dokumentace Google Meridian doporučuje nejméně dva roky týdenních dat pro modely na geo úrovni a tři roky pro národní.
- Balíčky jsou zdarma; náklady jsou lidé a výpočetní výkon. README Meridianu doporučuje alespoň jedno GPU a dokumentace Robynu doporučuje nejméně 2 000 iterací a 5 pokusů na běh.
- Hostované nástroje vyměňují kontrolu za rychlost. K listopadu 2026 se zveřejněné ceny pohybují od 500 € měsíčně (Cassandra Starter) do 8 500 USD měsíčně (Sellforte Enterprise) a několik dodavatelů ceny nezveřejňuje vůbec.
Srovnání Meridian, Robyn a PyMC-Marketing
Tři open-source balíčky MMM se nejvíce liší metodou a jazykem. Meridian a PyMC-Marketing jsou bayesovské knihovny v Pythonu, které vracejí plnou nejistotu a podporují geo modely. Robyn je balíček pro R postavený na ridge regresi, který dává rychlý automatizovaný první model na národní úrovni. Všechny tři umí přijmout výsledky experimentů a obsahují optimalizátor rozpočtu.
| Google Meridian | Meta Robyn | PyMC-Marketing | |
|---|---|---|---|
| Správce | Meta Marketing Science | PyMC Labs | |
| Jazyk | Python (README uvádí 3.11 až 3.13) | R, plus Python API v betě, které vyžaduje R | Python (3.12 nebo novější) |
| Licence | Apache 2.0 | MIT | Apache 2.0 |
| Metoda | Bayesovská kauzální inference s priory | Ridge regrese, evoluční hledání hyperparametrů Nevergrad, Prophet pro trend a sezónu | Bayesovská (PyMC) |
| Co dostanete | Posteriorní rozdělení, intervaly věrohodnosti | Sadu paretovsky optimálních kandidátních modelů, shlukovaných; jeden vyberete | Posteriorní rozdělení |
| Model na geo úrovni | Ano, a doporučený | Žádný hierarchický geo model | Ano, hierarchický |
| Dosah a frekvence | Ano | Kalibrátor křivek v betě; alokátor je prototyp | Není uvedeno na jeho srovnávací stránce |
| Kalibrace experimenty | Ano, experimenty jako priory ROI | Ano, lift a geo testy jako cíl (MAPE.LIFT) | Ano, kalibrace lift testy |
| Optimalizátor rozpočtu | Ano, plus plánování scénářů | Ano, maximální odezva nebo cílové ROAS/CPA | Ano |
| Poslední vydání (list. 2026) | 2.2.0, 5. listopadu 2026 | v3.12.0 na GitHubu (pros. 2024), 3.12.1 na CRAN (čvc. 2025) | 1.4.0, 9. listopadu 2026 |
| Nejlepší pro | Týmy v Pythonu s geo daty a lift testy | Týmy v R, které chtějí rychlý národní první pohled | Týmy v Pythonu, které potřebují vlastní model |
Zdroje: README Meridianu a dokumentace, README Robynu a dokumentace funkcí a vlastní srovnávací stránka PyMC-Marketing, ověřeno 17. listopadu 2026.

Google Meridian
Google Meridian je open-source bayesovský marketing mix model, který odhaduje kauzální efekt každého mediálního kanálu na KPI, například tržby. Běží v Pythonu, funguje nejlépe s daty na úrovni geografických oblastí, přijímá dosah, frekvenci a výsledky lift testů jako priory a obsahuje optimalizaci rozpočtu. Je zdarma a k provozu potřebuje datového vědce.
Meridian nahrazuje dřívější knihovnu Googlu LightweightMMM a README odkazuje na průvodce migrací. Google ho zpřístupnil všem 29. ledna 2025 spolu s partnerským programem „více než 20 měřicích partnerů vyškolených a certifikovaných na Meridianu“.
Čím se odlišuje:
- Priory a experimenty. To, co už víte, můžete zakódovat jako priory. Dokumentace Googlu označuje experimenty inkrementality za
„možná nejsilnější základ“ pro prior ROI a
CalibrationBuilderpomáhá je převést. - Modelování na geo úrovni. Google doporučuje sbírat data podle regionů; národní model je záložní možnost, když geo data nejsou k dispozici.
- Dosah a frekvence. U video kanálů umí Meridian modelovat dosah a frekvenci, nejen zobrazení.
- Poptávka ve vyhledávání jako kontrola. Úvod navrhuje použít Google Query Volume jako kontrolu organického zájmu o značku.
- Plánovací nástroje. Google 19. února 2026 přidal no-code Scenario Planner pro testování rozpočtových scénářů a MMM Data Platform dodává mediální data Googlu (zobrazení, kliknutí, náklady).
Co po vás chce: Python, dovednosti bayesovského modelování k nastavení priorů a čtení diagnostiky konvergence a hardware. README uvádí, že Meridian byl testován na GPU T4 s 16 GB RAM a doporučuje alespoň jedno GPU. Nároky na data jsou také vysoké: nejméně dva roky týdenních dat pro geo modely a tři pro národní.
Jedno poctivé upozornění: Google prodává reklamu a postavil model, který ji měří. Kód je otevřený, takže můžete zkontrolovat každý předpoklad, což je hlavní pojistka.
Meta Robyn
Meta Robyn je open-source, poloautomatizovaný balíček pro marketing mix modeling v R od Meta Marketing Science. Přizpůsobuje ridge regrese, hledá hyperparametry adstocku a saturace evolučním algoritmem Nevergrad a místo jedné odpovědi vrací sadu paretovsky optimálních modelů. Hodí se pro digitální inzerenty zaměřené na přímou odezvu s národními týdenními daty.
Dokumentace funkcí Robynu popisuje mechaniku:
- Hledání modelu. Ridge (L2) regrese ladená algoritmem TwoPointsDE z Nevergradu. Prophet rozkládá trend, sezónu a svátky.
- Tři cíle. Každý kandidát je hodnocen podle chyby predikce (NRMSE), chyby obchodní věrohodnosti (DECOMP.RSSD) a, pokud máte experimenty, chyby kalibrace (MAPE.LIFT). Shlukování K-means seskupí podobné kandidáty, abyste mohli vybírat.
- Kalibrace. Conversion lift a geo experimenty lze použít k nasměrování modelu ke kauzálním výsledkům.
- Alokátor rozpočtu. Dva režimy: maximální odezva pro daný rozpočet nebo cílová efektivita, například ROAS nebo CPA.
- Dosah a frekvence. Kalibrátor křivek pro data o dosahu a frekvenci je v betě; alokátor dosahu a frekvence je „prototyp a zatím není dostupný“.
Co po vás chce: R plus knihovnu Pythonu Nevergrad a trpělivost s výpočty. Dokumentace doporučuje alespoň 2 000 iterací a 5 pokusů. Průvodce pro analytiky Robynu žádá nejméně dva roky týdenních dat a zhruba 10 pozorování na proměnnou. Python API (beta) existuje, ale je to obal, který vyžaduje nainstalovaný balíček pro R.
Otázka stavu je důležitá. README Robynu ho stále popisuje jako „experimentální“ balíček. Poslední označené vydání na GitHubu je v3.12.0 z prosince 2024 a nejnovější verze na CRAN je 3.12.1 z července 2025. To neznamená, že je rozbitý, ale tým, který dnes začíná, by měl zvážit pomalejší aktualizace oproti Meridianu a PyMC-Marketing, které obě vyšly v listopadu 2026.
PyMC-Marketing
PyMC-Marketing je open-source knihovna v Pythonu od PyMC Labs pro bayesovské marketing mix modely a modely celoživotní hodnoty zákazníka. Je nejflexibilnější ze tří: její dokumentace uvádí hierarchické geo modely, kalibraci lift testy, optimalizátor rozpočtu, časově proměnné konstanty a koeficienty, vlastní priory a vlastní členy modelu.
Repozitář PyMC-Marketing má licenci Apache 2.0 a verze 1.4.0 vyšla 9. listopadu 2026. Jeho srovnávací stránka doporučuje Robyn pro týmy v R, které chtějí jednodušší přístup, Meridian pro jednodušší API s vazbou na ekosystém Googlu a PyMC-Marketing pro maximální flexibilitu.
Stejná stránka uvádí rychlejší vzorkování a nižší chybu než Meridian v benchmarku, který si PyMC Labs provedlo samo. Berte to jako tvrzení výrobce: nenašli jsme, že by ho někdo nezávisle zopakoval. PyMC-Marketing zvolte, když váš tým píše v Pythonu, zná bayesovské modelování a potřebuje strukturu modelu, kterou další dva nenabízejí.
Který je přesnější?
Nenašli jsme žádný nezávislý přímý benchmark Meridianu, Robynu a PyMC-Marketing na stejných reálných datech. Jediné zveřejněné srovnání od výrobce je vlastní srovnání PyMC Labs. Přesnost závisí víc na vašich datech, priorech a validaci než na balíčku.
Každý model proto otestujte stejně, ať zvolíte cokoli:
- Shoda na zadržených datech. Natrénujte na většině týdnů a zkontrolujte, jak dobře model předpovídá týdny, které neviděl.
- Věrohodnost. Příspěvky kanálů a ROI by měly být v uvěřitelném rozsahu. Model, který brandovému vyhledávání přisuzuje většinu vašich tržeb, obvykle neoddělil existující poptávku od výdajů.
- Experimenty. Proveďte lift nebo geo holdout test na největším kanálu a porovnejte. Náš článek o tom, zda Google Ads zvyšuje organický provoz, popisuje návrh testu s pozastavením.
- Stabilita. Přepočítejte s novými týdny nebo jinými priory. Odhady, které se prudce mění, nejsou připravené pro rozpočtová rozhodnutí.
Hostované nástroje MMM
Hostovaný nástroj pro marketing mix modeling model provozuje za vás: připojí vaše zdroje dat, trénuje a obnovuje model a zobrazuje příspěvky a rozpočtové scénáře v uživatelském rozhraní. Platíte předplatné a vzdáváte se části kontroly nad modelem. Níže uvedené nástroje byly ověřeny na jejich vlastních webech; fakta a ceny jsou k listopadu 2026.
| Nástroj | Model podle dodavatele | Experimenty | Kdo ho provozuje | Zveřejněná cena |
|---|---|---|---|---|
| Recast | Proprietární bayesovský MMM | Testy GeoLift, které se vracejí do MMM | Tým Recast nebo certifikovaný partner Operator | Na jeho webu nenalezena |
| Sellforte | „Always-on Causal Bayesian MMM“ s denním inkrementálním ROAS podle kampaně a sady reklam | Geo Lift, Conversion Lift a A/B testy | Platforma dodavatele s customer success managerem | 1 900 až 8 500 USD měsíčně; Full-Funnel MMM 4 500 USD, při průměrných měsíčních výdajích na média 300 000 USD |
| Haus | Experimenty inkrementality plus „Causal MMM“ | Jádro produktu | Měřicí stratégové a datoví vědci podle úrovně | Nezveřejněno; Causal MMM je v úrovních Plus a Enterprise |
| Cassandra | MMM plus testování inkrementality, používané přes AI asistenta ve Slacku, Teams nebo Google Chat | Produkt pro testování inkrementality | Od samoobsluhy po spravované úrovně | Starter 500 € měsíčně pro roční výdaje na reklamu do 1 M€; Self-serve od 3 000 € |
| AmICited (naše) | Google Meridian, provozovaný a hostovaný | Bez vstupu lift testů | Samoobsluha v aplikaci nebo přes nástroje MCP | Plány Premium a Enterprise plus poplatek za balíček modelu; viz ceník |
AI odpovědi na tuto otázku jmenují také Measured, Lifesight, Mutinex a Analytic Partners. Tyto dodavatele jsme pro tento článek neověřovali, proto v tabulce nejsou.
Než podepíšete s jakýmkoli hostovaným dodavatelem, zeptejte se na tři věci. Je model jeho vlastní, nebo spravovaný Meridian či Robyn? Můžete při odchodu exportovat data a výstupy modelu? Jak model validuje proti lift testům?
Kde zapadá AmICited
AmICited je náš produkt, takže tuto část čtěte s tímto vědomím. Jeho Media Marketing Mix (MMM) trénuje bayesovský model pomocí Google Meridian a hostuje ho: v aplikaci zvolíte výsledek (tržby nebo objednávky obchodu, nákupy v GA4 nebo libovolnou konverzi GA4) a kanály a on uvádí příspěvek každého kanálu s 90% intervaly věrohodnosti, křivky odezvy od 0× do 3× výdajů, nejlepší rozdělení dnešního rozpočtu a diagnostiku konvergence. Výdaje a zobrazení pocházejí z pěti reklamních platforem v našich reklamních integracích, plus vlastní náklady pro offline kanály.
Čím se liší od obecného hostovaného MMM: režimem placené a organické návštěvnosti, který nastaví výsledek na kliknutí ze Search Console, kliknutí z Bingu nebo organické relace GA4 a odhaduje, zda placené vyhledávání organický provoz přidává, nebo ubírá. Totéž byste si mohli postavit sami v Meridianu nebo PyMC-Marketing s organickými kliknutími jako KPI; AmICited to zabalí.
Jeho limity, řečeno otevřeně:
- Plány a cena. Pouze plány Premium a Enterprise. Opakovaný poplatek za balíček modelu začíná prvním potvrzeným trénovacím během a kontroly připravenosti i trénování využívají měřené kredity.
- Historie. Standardní model potřebuje 164 úplných týdnů (156 týdnů výsledku plus 8týdenní zpoždění přenosu). Režim omezené historie začíná na 24 týdnech, ale nedokáže spolehlivě zachytit roční sezónnost a jeho doporučení jsou označena jako pouze orientační. Google Ads uchovává asi 13 měsíců historie, takže většina nových účtů začíná v režimu omezené historie.
- Tržby, ne zisk. ROI jsou tržby na jednotku výdajů. Pro návratnost zohledňující marži použijte profit-true ROAS nebo náš výklad true ROAS.
- Užší než samotný Meridian. Aplikace modeluje jednu týdenní řadu pro celý web nebo obchod. K listopadu 2026 nenabízí model na geo úrovni, vstupy dosahu a frekvence ani vstup pro kalibraci lift testy.
Co zvolit?
Volte podle toho, kdo bude model vlastnit a jaká máte data, ne podle toho, která firma kód postavila. Open-source balíčky se hodí pro týmy s analytikem, který umí připravit data, nastavit priory a ověřit výsledky. Hostované nástroje se hodí pro týmy bez takového člověka, za měsíční poplatek. S méně než dvěma lety čistých týdenních dat nejdřív opravte data nebo proveďte test.
| Vaše situace | Nejlepší volba | Proč |
|---|---|---|
| Datový vědec v Pythonu, regionální data prodejů, plánované lift testy | Google Meridian | Bayesovský model na geo úrovni, experimenty jako priory, aktivní vývoj |
| Analytik v R, národní týdenní data, potřeba rychlého prvního pohledu | Meta Robyn | Automatické hledání hyperparametrů a hotový alokátor rozpočtu; zvažte pomalejší tempo vydání |
| Tým v Pythonu, který potřebuje časově proměnné efekty nebo vlastní členy modelu | PyMC-Marketing | Nejflexibilnější ze tří a nejnáročnější |
| Nikdo, kdo by model vlastnil; e-shop s offline prodeji nebo prodeji na marketplace | Hostovaný dodavatel, například Sellforte, Recast nebo Haus | Datové konektory, obnovy a podpora v ceně |
| Chcete Meridian bez kódu; data obchodu nebo GA4 a reklamní účty už připojené | AmICited | Hostovaný Meridian plus režim placené a organické návštěvnosti; pouze týdenní model na úrovni účtu |
| Potřebujete vědět, zda Google Ads mění organická kliknutí z vyhledávání | Model placené a organické návštěvnosti | Nastavte organická kliknutí jako výsledek, v AmICited nebo ve vlastním sestavení Meridianu |
| Méně než dva roky čistých týdenních dat | Nejdřív opravte data nebo proveďte holdout test | Jakýkoli MMM se při krátké historii opírá o priory |
| Malý rozpočet, jeden nebo dva kanály | MMM zatím přeskočte | Test s pozastavením nebo geo test odpoví levněji |
Co potřebujete k provozu
Každá možnost potřebuje stejný surový materiál: týdenní data o výsledku (prodeje, konverze nebo organická kliknutí), týdenní výdaje a zobrazení podle kanálu a kontroly, jako jsou akce, ceny a sezónnost. Mění se to, kdo práci udělá a kolik dovedností a výpočetního výkonu vyžaduje.
| Požadavek | Meridian | Robyn | PyMC-Marketing | Hostovaný nástroj |
|---|---|---|---|---|
| Dovednosti | Python, bayesovské modelování | R, regrese, posuzování kandidátních modelů | Python, bayesovské modelování | Marketingový analytik pro kontrolu výstupu |
| Výpočetní výkon | Doporučeno GPU | CPU; 2 000+ iterací × 5 pokusů | CPU nebo GPU | Dodavatele |
| Příprava dat | Dataset sestavíte vy | Dataset sestavíte vy | Dataset sestavíte vy | Konektory, liší se podle dodavatele |
| Variabilita výdajů | Potřeba u každého kanálu | Potřeba u každého kanálu | Potřeba u každého kanálu | Potřeba u každého kanálu |
Poslední řádek lidé přehlížejí. Model se může naučit efekt kanálu jen tehdy, pokud se výdaje na něj v čase skutečně měnily. Kanál, který dva roky utrácel každý týden stejně, dává jakémukoli MMM, open source i hostovanému, téměř nic, z čeho by se mohl učit.
Open source vs hostované
Open-source MMM je zdarma k licencování a drží vaše data ve vašem prostředí, ale platíte za čas analytika, výpočetní výkon a údržbu. Hostovaný MMM stojí předplatné a znamená sdílení dat o prodejích a výdajích s dodavatelem výměnou za konektory, obnovy a podporu. Kompromis je lidé a kontrola proti penězům a rychlosti.
V bezpečnosti vítězí ve výchozím stavu open source: nic neopouští vaši infrastrukturu. U hostovaného dodavatele se zeptejte na bezpečnostní certifikace (Recast například uvádí, že splňuje SOC 2), kde se data ukládají a zda je lze smazat.
Vyplatí se hostovaný MMM při malém rozpočtu? Obvykle ne jako první krok. Pokud utrácíte na jednom či dvou kanálech, holdout test na větším z nich vám řekne víc za méně. MMM se vyplatí, jakmile utrácíte napříč několika kanály a potřebujete mezi ně rozdělit rozpočet.
Jak začít
- Zapište si rozhodnutí. „Máme přesunout rozpočet z Meta do Google Ads?“ potřebuje model prodejů. „Kanibalizuje brandové vyhledávání organická kliknutí?“ potřebuje model placené a organické návštěvnosti.
- Zauditujte historii. Spočítejte úplné týdny výsledku a výdajů u každého kanálu. Méně než dva roky znamenají plánovat omezený model nebo nejdřív test.
- Zkontrolujte variabilitu výdajů. Vypište kanály, jejichž výdaje se sotva změnily; seskupte je nebo vynechte.
- Vyberte vlastníka. Datový vědec v Pythonu míří na Meridian nebo PyMC-Marketing, analytik v R na Robyn, nikdo na hostovaný nástroj, například MMM v AmICited.
- Validujte, než začnete jednat. Zkontrolujte shodu na zadržených datech a věrohodnost a proveďte jeden lift test na největším kanálu.
- Porovnejte s čísly platforem. Postavte odhady modelu vedle toho, co hlásí reklamní platformy; náš přehled atribuce Meta ukazuje, jak daleko se nákupy tvrzené platformami rozcházejí se skutečnými objednávkami.
- Přepočítávejte pravidelně. Přepočítejte s přibývajícími týdny a velký výkyv mezi verzemi berte jako varování, ne jako novou pravdu.
Shrnutí
Meridian, Robyn i PyMC-Marketing jsou důvěryhodné, bezplatné enginy MMM a rozdíly v metodách jsou méně důležité než tým, který je provozuje. Meridian zvolte pro týmy v Pythonu s geo daty, Robyn pro týmy v R, které chtějí rychlý národní model a přijmou pomalejší aktualizace, PyMC-Marketing, když potřebujete vlastní model, a hostovaný nástroj, když práci nemůže nikdo vlastnit. Ať zvolíte cokoli, MMM dává odhady s nejistotou, ne důkaz, takže před přesunem skutečného rozpočtu ho ověřte experimentem.

