Google Meridian og Meta Robyn er begge gratis open source-pakker til marketing mix modeling (MMM), men de passer til forskellige teams. Meridian er Googles bayesianske model i Python, bygget til data på geoniveau og kalibrering med eksperimenter. Version 2.2.0 udkom den 5. november 2026. Robyn er Metas R-pakke, der tilpasser ridge-regressioner og finjusterer dem med en evolutionær søgning. Dens seneste CRAN-udgivelse, 3.12.1, stammer fra juli 2025.
Et hostet MMM-værktøj er en betalt tjeneste, der kører en model som disse for dig, med dataconnectors, en brugerflade og support. Valget afhænger mindre af algoritmen end af, hvem der skal eje modellen: en Python-data scientist, en R-analytiker eller ingen på dit team.
Denne guide sammenligner Meridian, Robyn og PyMC-Marketing, den tredje seriøse open source-mulighed, med fem hostede værktøjer, heriblandt vores eget. Hvert faktum om værktøjerne er kontrolleret på projektets eller leverandørens egne sider i november 2026. For hvad MMM er, og hvordan det virker, så start med vores guide til marketing mix modeling.
Vigtigste pointer
- Google Meridian er en open source bayesiansk MMM i Python under Apache 2.0. Den har været generelt tilgængelig siden 29. januar 2025 og nåede version 2.2.0 den 5. november 2026.
- Meta Robyn er en open source MMM i R under MIT-licensen. Den bruger ridge-regression med Nevergrads evolutionære søgning efter hyperparametre og returnerer et sæt Pareto-optimale kandidatmodeller, ifølge dens dokumentation.
- Robyns seneste mærkede GitHub-udgivelse er v3.12.0 fra december 2024, og dens README mærker stadig pakken „experimental“. Meridian og PyMC-Marketing udgav begge versioner i november 2026.
- Googles Meridian-dokumentation anbefaler mindst to års ugentlige data til modeller på geoniveau og tre år til nationale.
- Pakkerne er gratis. Prisen er mennesker og regnekraft. Meridians README anbefaler mindst én GPU, og Robyns dokumentation anbefaler mindst 2.000 iterationer og 5 forsøg pr. kørsel.
- Hostede værktøjer bytter kontrol for hastighed. Pr. november 2026 løber offentliggjorte priser fra 500 € om måneden (Cassandra Starter) til 8.500 $ om måneden (Sellforte Enterprise), og flere leverandører offentliggør slet ikke priser.
Meridian, Robyn og PyMC-Marketing sammenlignet
De tre open source MMM-pakker adskiller sig mest i metode og sprog. Meridian og PyMC-Marketing er bayesianske Python-biblioteker, der returnerer fuld usikkerhed og understøtter modeller på geoniveau. Robyn er en R-pakke bygget på ridge-regression, der giver en hurtig, automatiseret første model på nationalt niveau. Alle tre kan tage eksperimentresultater og indeholder en budgetoptimerer.
| Google Meridian | Meta Robyn | PyMC-Marketing | |
|---|---|---|---|
| Vedligeholder | Meta Marketing Science | PyMC Labs | |
| Sprog | Python (README oplister 3.11 til 3.13) | R, plus en Python-API i beta, der kræver R | Python (3.12 eller nyere) |
| Licens | Apache 2.0 | MIT | Apache 2.0 |
| Metode | Bayesiansk kausal inferens med priors | Ridge-regression, Nevergrads evolutionære søgning efter hyperparametre, Prophet til trend og sæson | Bayesiansk (PyMC) |
| Hvad du får tilbage | Posteriorfordelinger, troværdighedsintervaller | Et sæt Pareto-optimale kandidatmodeller, klyngeinddelt. Du vælger én | Posteriorfordelinger |
| Model på geoniveau | Ja, og anbefalet | Ingen hierarkisk geomodel | Ja, hierarkisk |
| Rækkevidde og frekvens | Ja | Kurvekalibrator i beta. Allokatoren er en prototype | Ikke oplistet på dens sammenligningsside |
| Kalibrering med eksperimenter | Ja, eksperimenter som ROI-priors | Ja, lift- og geotests som mål (MAPE.LIFT) | Ja, lift-testkalibrering |
| Budgetoptimerer | Ja, plus scenarieplanlægning | Ja, maks. respons eller mål-ROAS/CPA | Ja |
| Seneste udgivelse (nov. 2026) | 2.2.0, 5. november 2026 | v3.12.0 på GitHub (dec. 2024), 3.12.1 på CRAN (jul. 2025) | 1.4.0, 9. november 2026 |
| Bedst til | Python-teams med geodata og lift-tests | R-teams, der vil have en hurtig national førstevurdering | Python-teams, der har brug for en skræddersyet model |
Kilder: Meridians README og dokumentation, Robyns README og funktionsdokumentation samt PyMC-Marketings egen sammenligningsside, kontrolleret den 17. november 2026.

Google Meridian
Google Meridian er en open source bayesiansk marketing mix-model, der estimerer den kausale effekt af hver mediekanal på en KPI som salg. Den kører i Python, fungerer bedst med data på geoniveau, accepterer input om rækkevidde og frekvens samt lift-testresultater som priors og indeholder budgetoptimering. Den er gratis, og den kræver en data scientist at køre.
Meridian afløser Googles tidligere bibliotek LightweightMMM, og README linker til en migreringsguide. Google gjorde den tilgængelig for alle den 29. januar 2025 med et partnerprogram med „over 20 målepartnere uddannet og certificeret i Meridian“.
Det, der adskiller den:
- Priors og eksperimenter. Du kan kode det, du allerede ved, som priors. Googles dokumentation kalder incrementality-eksperimenter
„måske det stærkeste grundlag“ for en ROI-prior, og en
CalibrationBuilderhjælper med at oversætte dem. - Modellering på geoniveau. Google anbefaler at indsamle data pr. region. En national model er den fallback, når geodata ikke er tilgængelige.
- Rækkevidde og frekvens. For videokanaler kan Meridian modellere rækkevidde og frekvens, ikke kun visninger.
- Søgeefterspørgsel som kontrol. Introduktionen foreslår Google Query Volume som kontrol for organisk brandinteresse.
- Planlægningsværktøjer. Google tilføjede en no-code Scenario Planner den 19. februar 2026 til test af budgetscenarier, og MMM Data Platform leverer Googles mediedata (visninger, klik, omkostning).
Hvad den kræver af dig: Python, bayesiansk modelleringskompetence til at sætte priors og læse konvergensdiagnostik samt hardware. README siger, at Meridian blev testet på en T4-GPU med 16 GB RAM, og anbefaler mindst én GPU. Datakravet er også højt: mindst to års ugentlige data til geomodeller og tre til nationale.
Ét ærligt forbehold: Google sælger annoncer og byggede den model, der måler dem. Koden er åben, så du kan inspicere hver antagelse, og det er den vigtigste sikring.
Meta Robyn
Meta Robyn er en open source, delvist automatiseret pakke til marketing mix modeling i R fra Meta Marketing Science. Den tilpasser ridge-regressioner, søger efter hyperparametre for adstock og mætning med Nevergrads evolutionære algoritme og returnerer et sæt Pareto-optimale modeller i stedet for ét svar. Den passer til digitale annoncører med direct response-fokus og nationale ugentlige data.
Robyns funktionsdokumentation beskriver mekanikken:
- Modelsøgning. Ridge-regression (L2), finjusteret med TwoPointsDE fra Nevergrad. Prophet opdeler trend, sæson og helligdage.
- Tre mål. Hver kandidat scores på prædiktionsfejl (NRMSE), en fejl for forretningsmæssig plausibilitet (DECOMP.RSSD) og, hvis du har eksperimenter, kalibreringsfejl (MAPE.LIFT). K-means-klyngeinddeling grupperer lignende kandidater, så du kan vælge.
- Kalibrering. Conversion Lift- og geoeksperimenter kan bruges til at styre modellen mod kausale resultater.
- Budgetallokator. To tilstande: maksimal respons for et givet budget eller en målt effektivitet som ROAS eller CPA.
- Rækkevidde og frekvens. En kurvekalibrator til data om rækkevidde og frekvens er i beta. Allokatoren for rækkevidde og frekvens er „en prototype og endnu ikke tilgængelig“.
Hvad den kræver af dig: R plus Python-biblioteket Nevergrad og tålmodighed med regnekraft. Dokumentationen anbefaler mindst 2.000 iterationer og 5 forsøg. Robyns analytikerguide beder om mindst to års ugentlige data og cirka 10 observationer pr. variabel. Der findes en Python-API (beta), men den er en wrapper, der kræver, at R-pakken er installeret.
Statusspørgsmålet betyder noget. Robyns README beskriver den stadig som en „experimental“ pakke. Den seneste mærkede GitHub-udgivelse er v3.12.0 fra december 2024, og CRAN’s seneste version er 3.12.1 fra juli 2025. Det betyder ikke, at den er ødelagt, men et team, der starter i dag, bør veje langsommere opdateringer op mod Meridian og PyMC-Marketing, som begge udkom i november 2026.
PyMC-Marketing
PyMC-Marketing er et open source Python-bibliotek fra PyMC Labs til bayesianske marketing mix-modeller og modeller for kundens livstidsværdi. Det er det mest fleksible af de tre: Dets dokumentation oplister hierarkiske geomodeller, lift-testkalibrering, en budgetoptimerer, tidsvarierende konstantled og koefficienter, egne priors og egne modelled.
PyMC-Marketing-repositoriet er licenseret under Apache 2.0, og version 1.4.0 udkom den 9. november 2026. Dets sammenligningsside anbefaler Robyn til R-teams, der vil have en enklere tilgang, Meridian til en enklere API med tilknytning til Googles økosystem og PyMC-Marketing til maksimal fleksibilitet.
Samme side rapporterer hurtigere sampling og lavere fejl end Meridian i en benchmark, PyMC Labs selv kørte. Se det som en producents påstand: Den er ikke blevet uafhængigt replikeret i noget, vi fandt. Vælg PyMC-Marketing, når dit team skriver Python, kender bayesiansk modellering og har brug for en modelstruktur, de to andre ikke tilbyder.
Hvilken er mest nøjagtig?
Der findes, så vidt vi kunne finde, ingen uafhængig sammenligning af Meridian, Robyn og PyMC-Marketing på de samme rigtige data. Den eneste offentliggjorte sammenligning fra en producent er PyMC Labs’ egen. Nøjagtighed afhænger mere af dine data, priors og validering end af pakken.
Test derfor enhver model på samme måde, uanset hvilken du vælger:
- Holdout-tilpasning. Træn på de fleste af dine uger, og tjek, hvor godt modellen forudsiger de uger, den ikke så.
- Plausibilitet. Kanalbidrag og ROI bør ligge i et troværdigt interval. En model, der krediterer brandsøgning for det meste af dit salg, har som regel ikke adskilt eksisterende efterspørgsel fra forbrug.
- Eksperimenter. Kør en lift- eller geo-holdout-test på din største kanal, og sammenlign. Vores indlæg om hvorvidt Google Ads øger organisk trafik gennemgår et pausetestdesign.
- Stabilitet. Tilpas igen med nye uger eller andre priors. Estimater, der svinger vildt, er ikke klar til budgetbeslutninger.
Hostede MMM-værktøjer
Et hostet marketing mix modeling-værktøj kører modellen for dig: Det forbinder dine datakilder, tilpasser og opdaterer modellen og viser bidrag og budgetscenarier i en brugerflade. Du betaler et abonnement og opgiver noget kontrol over modellen. Værktøjerne nedenfor blev kontrolleret på deres egne websites. Fakta og priser er pr. november 2026.
| Værktøj | Model ifølge leverandøren | Eksperimenter | Hvem kører det | Offentliggjort pris |
|---|---|---|---|---|
| Recast | Proprietær bayesiansk MMM | GeoLift-tests, der føres tilbage til MMM’en | Recasts team eller en certificeret Operator-partner | Ingen fundet på dets site |
| Sellforte | „Always-on Causal Bayesian MMM“ med daglig inkrementel ROAS pr. kampagne og annoncesæt | Geo Lift, Conversion Lift og A/B-tests | Leverandørens platform med en customer success manager | 1.900 $ til 8.500 $ om måneden. Full-Funnel MMM 4.500 $ ved 300.000 $ i gennemsnitligt månedligt medieforbrug |
| Haus | Incrementality-eksperimenter plus en „Causal MMM“ | Kerneproduktet | Målingsstrateger og data scientists, efter niveau | Ikke offentliggjort. Causal MMM findes i niveauerne Plus og Enterprise |
| Cassandra | MMM plus incrementality-test, brugt via en AI-assistent i Slack, Teams eller Google Chat | Produkt til incrementality-test | Selvbetjening til administrerede niveauer | Starter 500 € om måneden for op til 1 mio. € i årligt annonceforbrug. Self-serve fra 3.000 € |
| AmICited (vores) | Google Meridian, kørt og hostet | Intet input til lift-test | Selvbetjening i appen eller via MCP-værktøjer | Abonnementerne Premium og Enterprise plus et gebyr for modelpakken. Se priser |
AI-svar på dette spørgsmål nævner også Measured, Lifesight, Mutinex og Analytic Partners. Vi har ikke verificeret disse leverandører til denne artikel, så de er ikke i tabellen.
Før du skriver under hos en hostet leverandør, så spørg om tre ting. Er modellen leverandørens egen eller en administreret Meridian eller Robyn? Kan du eksportere data og modeloutput, hvis du forlader den? Hvordan validerer den modellen mod lift-tests?
Hvor AmICited passer ind
AmICited er vores produkt, så læs dette afsnit med det in mente. Dets Media Marketing Mix (MMM) tilpasser en bayesiansk model med Google Meridian og hoster den: Du vælger et resultat (butiksomsætning eller ordrer, GA4-køb eller en hvilken som helst GA4-konvertering) og kanaler i appen, og den rapporterer hver kanals bidrag med 90 % troværdighedsintervaller, responskurver fra 0× til 3× af forbruget, en bedste fordeling af dagens budget og konvergensdiagnostik. Forbrug og visninger kommer fra de fem annonceplatforme i vores annonceintegrationer plus egne omkostninger til offlinekanaler.
Det, der er anderledes end en generisk hostet MMM: en tilstand for betalt til organisk, der sætter resultatet til klik fra Search Console, klik fra Bing eller GA4 organiske sessioner og estimerer, om betalt søgning tilføjer til eller tager fra din organiske trafik. Du kunne bygge det samme selv i Meridian eller PyMC-Marketing ved at bruge organiske klik som KPI. AmICited pakker det ind.
Dens begrænsninger, sagt ligeud:
- Abonnementsbegrænsning og pris. Kun abonnementerne Premium og Enterprise. Et tilbagevendende gebyr for modelpakken starter ved den første bekræftede træningskørsel, og beredskabstjek og træning bruger målte kreditter.
- Historik. En standardmodel kræver 164 hele uger (156 ugers resultat plus 8 ugers forsinkelse i efterdønninger). En tilstand med begrænset historik starter ved 24 uger, men den kan ikke pålideligt lære årlig sæsonvariation, og dens anbefalinger er mærket som kun vejledende. Google Ads gemmer ca. 13 måneders historik, så de fleste nye konti starter i tilstand med begrænset historik.
- Omsætning, ikke profit. ROI er omsætning pr. enhed brugt. For afkast, der tager højde for avance, brug Profit-true ROAS eller vores forklaring af ægte ROAS.
- Smallere end rå Meridian. Appen modellerer én ugentlig serie for hele sitet eller butikken. Den tilbyder ikke en model på geoniveau, input om rækkevidde og frekvens eller et input til lift-testkalibrering pr. november 2026.
Hvilken skal du vælge?
Vælg efter, hvem der skal eje modellen, og hvilke data du har, ikke efter hvilket firma der byggede koden. Open source-pakker passer til teams med en analytiker, der kan forberede data, sætte priors og validere resultater. Hostede værktøjer passer til teams uden den person, mod en månedlig pris. Med under to års rene ugentlige data skal du først rette dataene eller køre en test.
| Din situation | Bedste valg | Hvorfor |
|---|---|---|
| Python-data scientist, regionale salgsdata, lift-tests planlagt | Google Meridian | Bayesiansk model på geoniveau, eksperimenter som priors, aktiv udvikling |
| R-analytiker, nationale ugentlige data, har brug for en hurtig førstevurdering | Meta Robyn | Automatiseret søgning efter hyperparametre og en færdig budgetallokator. Tjek dens langsommere udgivelsestempo |
| Python-team, der har brug for tidsvarierende effekter eller egne modelled | PyMC-Marketing | Den mest fleksible af de tre og den mest krævende |
| Ingen til at eje en model, e-handel med offline- eller marketplace-salg | En hostet leverandør som Sellforte, Recast eller Haus | Dataconnectors, opdateringer og support inkluderet |
| Vil have Meridian uden kode, butiks- eller GA4-data og annoncekonti allerede tilsluttet | AmICited | Hostet Meridian plus en tilstand for betalt til organisk. Kun ugentlig model på kontoniveau |
| Skal vide, om Google Ads ændrer organiske søgeklik | En model for betalt til organisk | Sæt organiske klik som resultat, i AmICited eller dit eget Meridian-build |
| Under to års rene ugentlige data | Ret først dataene, eller kør en holdout-test | Enhver MMM læner sig op ad sine priors, når historikken er kort |
| Lille budget, en eller to kanaler | Spring MMM over for nu | En pause- eller geotest besvarer spørgsmålet billigere |
Hvad du skal bruge for at køre den
Alle muligheder kræver det samme råmateriale: ugentlige resultatdata (salg, konverteringer eller organiske klik), ugentligt forbrug og visninger pr. kanal og kontroller som kampagner, priser og sæsonvariation. Det, der ændrer sig, er, hvem der udfører arbejdet, og hvor mange kompetencer og hvor meget regnekraft det kræver.
| Krav | Meridian | Robyn | PyMC-Marketing | Hostet værktøj |
|---|---|---|---|---|
| Kompetencer | Python, bayesiansk modellering | R, regression, vurdering af kandidatmodeller | Python, bayesiansk modellering | Marketinganalytiker til at gennemgå output |
| Regnekraft | GPU anbefales | CPU. 2.000+ iterationer × 5 forsøg | CPU eller GPU | Leverandørens |
| Dataforberedelse | Du bygger datasættet | Du bygger datasættet | Du bygger datasættet | Connectors, varierer efter leverandør |
| Variation i forbrug | Nødvendig i hver kanal | Nødvendig i hver kanal | Nødvendig i hver kanal | Nødvendig i hver kanal |
Den sidste række er den, folk overser. En model kan kun lære en kanals effekt, hvis forbruget i den kanal rent faktisk bevægede sig over tid. En kanal, der brugte det samme beløb hver uge i to år, giver enhver MMM, open source eller hostet, næsten intet at lære af.
Open source vs. hostet
Open source-MMM er gratis at licensere og holder dine data i dit eget miljø, men du betaler for analytikertid, regnekraft og vedligeholdelse. Hostet MMM koster et abonnement og betyder, at du deler salgs- og forbrugsdata med en leverandør, til gengæld for connectors, opdateringer og support. Afvejningen er mennesker og kontrol over for penge og hastighed.
Hvad angår sikkerhed vinder open source som udgangspunkt: Intet forlader din infrastruktur. Hos en hostet leverandør skal du bede om dens sikkerhedscertificeringer (Recast oplyser for eksempel, at den er SOC 2-kompatibel), hvor data lagres, og om du kan slette dem.
Er hostet MMM umagen værd på et lille budget? Som regel ikke som første skridt. Hvis du bruger penge på en eller to kanaler, fortæller en holdout-test på den største dig mere for mindre. MMM betaler sig, når du bruger penge på flere kanaler og skal fordele budgettet mellem dem.
Sådan kommer du i gang
- Skriv beslutningen ned. „Skal vi flytte budget fra Meta til Google Ads?“ kræver en salgsmodel. „Kannibaliserer brandsøgning organiske klik?“ kræver en for betalt til organisk.
- Gennemgå din historik. Tæl hele uger med resultat og forbrug pr. kanal. Under to år: planlæg en begrænset model eller en test først.
- Tjek variationen i forbruget. List kanaler, hvis forbrug næsten ikke bevægede sig. Gruppér dem eller udelad dem.
- Vælg ejeren. En Python-data scientist peger mod Meridian eller PyMC-Marketing, en R-analytiker mod Robyn, ingen mod et hostet værktøj som AmICiteds MMM.
- Validér, før du handler. Tjek holdout-tilpasning og plausibilitet, og kør én lift-test på din største kanal.
- Sammenlign med platformstal. Stil modellens estimater op mod det, annonceplatformene rapporterer. Vores Meta-attributionsrapport viser, hvor langt platformspåståede køb afviger fra rigtige ordrer.
- Tilpas igen efter en plan. Tilpas igen, når nye uger kommer, og behandl et stort spring mellem versioner som en advarsel, ikke en ny sandhed.
Pointen
Meridian, Robyn og PyMC-Marketing er alle troværdige, gratis MMM-motorer, og metodeforskellene betyder mindre end det team, der kører dem. Vælg Meridian til Python-teams med geodata, Robyn til R-teams, der vil have en hurtig national model og accepterer langsommere opdateringer, PyMC-Marketing, når du har brug for en skræddersyet model, og et hostet værktøj, når ingen kan eje arbejdet. Uanset hvad du vælger, giver en MMM estimater med usikkerhed, ikke bevis, så kontrollér den mod et eksperiment, før du flytter rigtige budgetter.

