Google Meridian en Meta Robyn zijn allebei gratis, open-source pakketten voor marketing mix modeling (MMM), maar ze passen bij verschillende teams. Meridian is het Bayesiaanse model van Google in Python, gebouwd voor data op geoniveau en kalibratie met experimenten; versie 2.2.0 verscheen op 5 november 2026. Robyn is het R-pakket van Meta dat ridge-regressies fit en die met een evolutionaire zoektocht afstemt; de nieuwste CRAN-release, 3.12.1, dateert van juli 2025.
Een gehoste MMM-tool is een betaalde dienst die een model als deze voor je draait, met dataconnectors, een gebruikersinterface en support. De keuze hangt minder af van het algoritme dan van wie het model gaat beheren: een Python-datawetenschapper, een R-analist of niemand in je team.
Deze gids vergelijkt Meridian, Robyn en PyMC-Marketing, de derde serieuze open-sourceoptie, met vijf gehoste tools, waaronder onze eigen. Elk feit over een tool is in november 2026 gecontroleerd op de eigen pagina’s van het project of de aanbieder. Voor wat MMM is en hoe het werkt, begin met onze gids over marketing mix modeling.
Belangrijkste punten
- Google Meridian is een open-source Bayesiaanse MMM in Python onder Apache 2.0. Het is sinds 29 januari 2025 algemeen beschikbaar en bereikte op 5 november 2026 versie 2.2.0.
- Meta Robyn is een open-source MMM in R onder de MIT-licentie. Het gebruikt ridge-regressie met de evolutionaire hyperparameterzoektocht van Nevergrad en geeft een reeks Pareto-optimale kandidaatmodellen terug, volgens de documentatie.
- De laatste getagde GitHub-release van Robyn is v3.12.0 van december 2024, en de README labelt het pakket nog steeds als “experimental”. Meridian en PyMC-Marketing brachten allebei in november 2026 releases uit.
- De Meridian-documentatie van Google raadt minstens twee jaar wekelijkse data aan voor modellen op geoniveau en drie jaar voor nationale modellen.
- De pakketten zijn gratis; de kosten zitten in mensen en rekenkracht. De README van Meridian raadt minstens één GPU aan, en de documentatie van Robyn raadt minstens 2.000 iteraties en 5 trials per run aan.
- Gehoste tools ruilen controle voor snelheid. Per november 2026 lopen gepubliceerde prijzen van €500 per maand (Cassandra Starter) tot $8.500 per maand (Sellforte Enterprise), en verschillende aanbieders publiceren helemaal geen prijzen.
Meridian, Robyn en PyMC-Marketing vergeleken
De drie open-source MMM-pakketten verschillen het meest in methode en taal. Meridian en PyMC-Marketing zijn Bayesiaanse Python-bibliotheken die volledige onzekerheid teruggeven en modellen op geoniveau ondersteunen. Robyn is een R-pakket op basis van ridge-regressie dat op nationaal niveau een snel, geautomatiseerd eerste model geeft. Alle drie kunnen experimentresultaten gebruiken en bevatten een budgetoptimalisator.
| Google Meridian | Meta Robyn | PyMC-Marketing | |
|---|---|---|---|
| Beheerder | Meta Marketing Science | PyMC Labs | |
| Taal | Python (README noemt 3.11 tot 3.13) | R, plus een Python-API in bèta die R nodig heeft | Python (3.12 of nieuwer) |
| Licentie | Apache 2.0 | MIT | Apache 2.0 |
| Methode | Bayesiaanse causale inferentie met priors | Ridge-regressie, evolutionaire hyperparameterzoektocht met Nevergrad, Prophet voor trend en seizoen | Bayesiaans (PyMC) |
| Wat je terugkrijgt | Posterior-verdelingen, geloofwaardigheidsintervallen | Een reeks Pareto-optimale kandidaatmodellen, geclusterd; jij kiest er één | Posterior-verdelingen |
| Geomodel | Ja, en aanbevolen | Geen hiërarchisch geomodel | Ja, hiërarchisch |
| Bereik en frequentie | Ja | Curve calibrator in bèta; allocator is een prototype | Niet genoemd op de vergelijkingspagina |
| Kalibratie met experimenten | Ja, experimenten als ROI-priors | Ja, lift- en geotests als doelfunctie (MAPE.LIFT) | Ja, lifttestkalibratie |
| Budgetoptimalisator | Ja, plus scenarioplanning | Ja, maximale respons of doel-ROAS/CPA | Ja |
| Laatste release (nov 2026) | 2.2.0, 5 november 2026 | v3.12.0 op GitHub (dec 2024), 3.12.1 op CRAN (jul 2025) | 1.4.0, 9 november 2026 |
| Het best voor | Python-teams met geodata en lifttests | R-teams die snel een nationale eerste indruk willen | Python-teams die een eigen model nodig hebben |
Bronnen: de README van Meridian en documentatie, de README van Robyn en featuredocumentatie, en de eigen vergelijkingspagina van PyMC-Marketing, gecontroleerd op 17 november 2026.

Google Meridian
Google Meridian is een open-source Bayesiaans marketing mix model dat het causale effect van elk mediakanaal op een KPI zoals verkoop schat. Het draait in Python, werkt het best met data op geoniveau, accepteert bereik- en frequentie-invoer en lifttestresultaten als priors en bevat budgetoptimalisatie. Het is gratis en vraagt een datawetenschapper om het te draaien.
Meridian volgt de eerdere bibliotheek LightweightMMM van Google op, en de README linkt naar een migratiegids. Google maakte het op 29 januari 2025 voor iedereen beschikbaar, met een partnerprogramma van “meer dan 20 meetpartners die getraind en gecertificeerd zijn op Meridian.”
Wat het onderscheidt:
- Priors en experimenten. Je kunt wat je al weet coderen als priors. De documentatie van Google noemt incrementaliteitsexperimenten
“misschien de sterkste basis” voor een ROI-prior, en een
CalibrationBuilderhelpt ze te vertalen. - Modelleren op geoniveau. Google raadt aan data per regio te verzamelen; een nationaal model is de terugvaloptie wanneer geodata ontbreekt.
- Bereik en frequentie. Voor videokanalen kan Meridian bereik en frequentie modelleren, niet alleen vertoningen.
- Zoekvraag als controle. De introductie stelt Google Query Volume voor als controle voor organische merkinteresse.
- Planningstools. Google voegde op 19 februari 2026 een no-code Scenario Planner toe om budgetscenario’s te testen, en het MMM Data Platform levert mediadata van Google (vertoningen, klikken, kosten).
Wat het van je vraagt: Python, vaardigheden in Bayesiaans modelleren om priors te zetten en convergentiediagnostiek te lezen, en hardware. De README zegt dat Meridian is getest op een T4-GPU met 16 GB RAM en raadt minstens één GPU aan. De lat voor data ligt ook hoog: minstens twee jaar wekelijkse data voor geomodellen en drie voor nationale.
Eén eerlijke kanttekening: Google verkoopt advertenties en bouwde het model dat ze meet. De code is open, dus je kunt elke aanname inspecteren, en dat is de belangrijkste waarborg.
Meta Robyn
Meta Robyn is een open-source, semi-geautomatiseerd pakket voor marketing mix modeling in R van Meta Marketing Science. Het fit ridge-regressies, zoekt adstock- en verzadigingshyperparameters met het evolutionaire algoritme van Nevergrad en geeft een reeks Pareto-optimale modellen terug in plaats van één antwoord. Het past bij digitale, directe-respons-adverteerders met nationale wekelijkse data.
De featuredocumentatie van Robyn beschrijft de werking:
- Modelzoektocht. Ridge-regressie (L2), afgestemd met TwoPointsDE uit Nevergrad. Prophet ontleedt trend, seizoen en feestdagen.
- Drie doelstellingen. Elke kandidaat wordt gescoord op voorspelfout (NRMSE), een zakelijke plausibiliteitsfout (DECOMP.RSSD) en, als je experimenten hebt, kalibratiefout (MAPE.LIFT). K-means-clustering groepeert vergelijkbare kandidaten zodat je kunt kiezen.
- Kalibratie. Conversion-lift- en geo-experimenten kunnen het model naar causale resultaten sturen.
- Budget-allocator. Twee modi: maximale respons voor een gegeven budget, of een doelefficiëntie zoals ROAS of CPA.
- Bereik en frequentie. Een curve calibrator voor bereik- en frequentiedata is in bèta; de allocator voor bereik en frequentie is “een prototype en nog niet beschikbaar.”
Wat het van je vraagt: R, plus de Python-bibliotheek Nevergrad, en geduld met rekenkracht. De documentatie raadt minstens 2.000 iteraties en 5 trials aan. De gids voor analisten van Robyn vraagt minstens twee jaar wekelijkse data en ongeveer 10 waarnemingen per variabele. Er bestaat een Python-API (bèta), maar die is een wrapper die het R-pakket geïnstalleerd nodig heeft.
De vraag naar de status telt. De README van Robyn beschrijft het nog steeds als een “experimenteel” pakket. De laatste getagde GitHub-release is v3.12.0 van december 2024 en de nieuwste versie op CRAN is 3.12.1 van juli 2025. Dat betekent niet dat het kapot is, maar een team dat nu begint moet tragere updates afwegen tegen Meridian en PyMC-Marketing, die allebei in november 2026 een release hadden.
PyMC-Marketing
PyMC-Marketing is een open-source Python-bibliotheek van PyMC Labs voor Bayesiaanse marketing mix modellen en customer lifetime value-modellen. Het is de meest flexibele van de drie: de documentatie noemt hiërarchische geomodellen, lifttestkalibratie, een budgetoptimalisator, tijdsvariërende intercepts en coëfficiënten, eigen priors en eigen modeltermen.
De PyMC-Marketing-repository heeft een Apache 2.0-licentie, en versie 1.4.0 verscheen op 9 november 2026. De vergelijkingspagina raadt Robyn aan voor R-teams die een eenvoudigere aanpak willen, Meridian voor een eenvoudigere API met banden met het Google-ecosysteem en PyMC-Marketing voor maximale flexibiliteit.
Dezelfde pagina meldt snellere sampling en een lagere fout dan Meridian in een benchmark die PyMC Labs zelf uitvoerde. Zie dat als een claim van de maker: we vonden geen onafhankelijke replicatie. Kies PyMC-Marketing wanneer je team Python schrijft, Bayesiaans modelleren kent en een modelstructuur nodig heeft die de andere twee niet bieden.
Welke is nauwkeuriger?
Er bestaat, voor zover we vonden, geen onafhankelijke directe vergelijking van Meridian, Robyn en PyMC-Marketing op dezelfde echte data. De enige gepubliceerde vergelijking door een maker is die van PyMC Labs zelf. Nauwkeurigheid hangt meer af van je data, priors en validatie dan van het pakket.
Test dus elk model op dezelfde manier, welk je ook kiest:
- Holdout-fit. Train op het grootste deel van je weken en controleer hoe goed het model de weken voorspelt die het niet zag.
- Plausibiliteit. Kanaalbijdragen en ROI horen in een geloofwaardig bereik te liggen. Een model dat zoeken op merknaam het grootste deel van je verkoop toeschrijft, heeft meestal bestaande vraag niet van uitgaven gescheiden.
- Experimenten. Voer een lift- of geo-holdouttest uit op je grootste kanaal en vergelijk. Ons artikel over of Google Ads het organische verkeer verhoogt loopt een pauzetestopzet door.
- Stabiliteit. Fit opnieuw met nieuwe weken of andere priors. Schattingen die wild schommelen zijn niet klaar voor budgetbeslissingen.
Gehoste MMM-tools
Een gehoste tool voor marketing mix modeling draait het model voor je: hij verbindt je databronnen, fit en ververst het model en toont bijdragen en budgetscenario’s in een interface. Je betaalt een abonnement en geeft wat controle over het model op. De onderstaande tools zijn gecontroleerd op hun eigen websites; feiten en prijzen zijn van november 2026.
| Tool | Model, volgens de aanbieder | Experimenten | Wie draait het | Gepubliceerde prijs |
|---|---|---|---|---|
| Recast | Propriëtaire Bayesiaanse MMM | GeoLift-tests die terugvloeien in de MMM | Het team van Recast of een gecertificeerde Operator-partner | Geen gevonden op de site |
| Sellforte | “Always-on Causal Bayesian MMM” met dagelijkse incrementele ROAS per campagne en advertentieset | Geo Lift, Conversion Lift en A/B-tests | Platform van de aanbieder met een customer success manager | $1.900 tot $8.500 per maand; Full-Funnel MMM $4.500, bij $300.000 gemiddelde maandelijkse mediabestedingen |
| Haus | Incrementaliteitsexperimenten plus een “Causal MMM” | Het kernproduct | Meetstrategen en datawetenschappers, per niveau | Niet gepubliceerd; Causal MMM zit in de niveaus Plus en Enterprise |
| Cassandra | MMM plus incrementaliteitstesten, gebruikt via een AI-assistent in Slack, Teams of Google Chat | Product voor incrementaliteitstesten | Van self-serve tot beheerde niveaus | Starter €500 per maand voor tot €1M jaarlijkse advertentie-uitgaven; Self-serve vanaf €3.000 |
| AmICited (ons product) | Google Meridian, gedraaid en gehost | Geen lifttest-invoer | Self-serve in de app of via MCP-tools | Abonnementen Premium en Enterprise, plus een kost voor het modelpakket; zie prijzen |
AI-antwoorden op deze vraag noemen ook Measured, Lifesight, Mutinex en Analytic Partners. We hebben die aanbieders niet voor dit artikel gecontroleerd, dus ze staan niet in de tabel.
Vraag voordat je bij een gehoste aanbieder tekent drie dingen. Is het model van henzelf of een beheerde Meridian of Robyn? Kun je de data en modeluitvoer exporteren als je vertrekt? Hoe valideert het model tegen lifttests?
Waar AmICited past
AmICited is ons product, dus lees dit deel met dat in gedachten. De Media Marketing Mix (MMM) fit een Bayesiaans model met Google Meridian en host het: je kiest in de app een uitkomst (winkelomzet of orders, GA4-aankopen of een willekeurige GA4-conversie) en kanalen, en het rapporteert de bijdrage van elk kanaal met 90%-geloofwaardigheidsintervallen, responscurves van 0× tot 3× van de uitgaven, een beste verdeling van het huidige budget en convergentiediagnostiek. Uitgaven en vertoningen komen uit de vijf advertentieplatformen in onze advertentie-integraties, plus eigen kosten voor offline kanalen.
Wat anders is dan een generieke gehoste MMM: een betaald-naar-organisch-modus die de uitkomst instelt op klikken uit Search Console, klikken uit Bing of GA4 organische sessies en schat of betaald zoeken je organische verkeer vergroot of afneemt. Je zou hetzelfde zelf kunnen bouwen in Meridian of PyMC-Marketing met organische klikken als KPI; AmICited verpakt het kant-en-klaar.
De beperkingen, onomwonden:
- Abonnement en kosten. Alleen in de abonnementen Premium en Enterprise. Een terugkerende kost voor het modelpakket start bij de eerste bevestigde trainingsrun, en gereedheidscontroles en training gebruiken gemeten credits.
- Historie. Een standaardmodel heeft 164 volledige weken nodig (156 weken uitkomst plus een carryover-vertraging van 8 weken). Een modus met beperkte historie start bij 24 weken, maar kan jaarlijkse seizoenspatronen niet betrouwbaar leren en de aanbevelingen zijn als alleen indicatief gelabeld. Google Ads bewaart ongeveer 13 maanden historie, dus de meeste nieuwe accounts starten in de modus met beperkte historie.
- Omzet, geen winst. ROI is omzet per eenheid uitgaven. Voor rendement met marge gebruik je Winst-echte ROAS of onze uitleg over echte ROAS.
- Smaller dan kale Meridian. De app modelleert één wekelijkse reeks voor de hele site of winkel. Het biedt per november 2026 geen geomodel, geen bereik- en frequentie-invoer en geen lifttestkalibratie-invoer.
Welke moet je kiezen?
Kies op basis van wie het model gaat beheren en welke data je hebt, niet op welk bedrijf de code bouwde. Open-sourcepakketten passen bij teams met een analist die data kan voorbereiden, priors kan zetten en resultaten kan valideren. Gehoste tools passen bij teams zonder die persoon, tegen een maandelijkse prijs. Met minder dan twee jaar schone wekelijkse data repareer je eerst de data of voer je eerst een test uit.
| Je situatie | Beste keuze | Waarom |
|---|---|---|
| Python-datawetenschapper, regionale verkoopdata, lifttests gepland | Google Meridian | Bayesiaans model op geoniveau, experimenten als priors, actieve ontwikkeling |
| R-analist, nationale wekelijkse data, snel een eerste indruk nodig | Meta Robyn | Geautomatiseerde hyperparameterzoektocht en een kant-en-klare budget-allocator; let op het tragere releasetempo |
| Python-team dat tijdsvariërende effecten of eigen modeltermen nodig heeft | PyMC-Marketing | De meest flexibele van de drie, en de meest veeleisende |
| Niemand om een model te beheren; e-commerce met offline- of marktplaatsverkoop | Een gehoste aanbieder zoals Sellforte, Recast of Haus | Dataconnectors, verversingen en support inbegrepen |
| Meridian zonder code willen; winkel- of GA4-data en advertentieaccounts al gekoppeld | AmICited | Gehoste Meridian, plus een betaald-naar-organisch-modus; alleen wekelijks model op accountniveau |
| Willen weten of Google Ads organische zoekklikken verandert | Een betaald-naar-organisch-model | Stel organische klikken in als uitkomst, in AmICited of je eigen Meridian-build |
| Minder dan twee jaar schone wekelijkse data | Eerst de data repareren, of een holdouttest doen | Elke MMM leunt op zijn priors als de historie kort is |
| Klein budget, één of twee kanalen | MMM voorlopig overslaan | Een pauze- of geotest beantwoordt de vraag goedkoper |
Wat je nodig hebt om het te draaien
Elke optie heeft dezelfde grondstof nodig: wekelijkse uitkomstdata (verkoop, conversies of organische klikken), wekelijkse uitgaven en vertoningen per kanaal, en controles zoals acties, prijzen en seizoenspatronen. Wat verandert is wie het werk doet en hoeveel vaardigheid en rekenkracht het kost.
| Vereiste | Meridian | Robyn | PyMC-Marketing | Gehoste tool |
|---|---|---|---|---|
| Vaardigheden | Python, Bayesiaans modelleren | R, regressie, kandidaatmodellen beoordelen | Python, Bayesiaans modelleren | Marketinganalist om de uitvoer te beoordelen |
| Rekenkracht | GPU aanbevolen | CPU; 2.000+ iteraties × 5 trials | CPU of GPU | Van de aanbieder |
| Datavoorbereiding | Je bouwt de dataset | Je bouwt de dataset | Je bouwt de dataset | Connectors, verschilt per aanbieder |
| Variatie in uitgaven | Nodig in elk kanaal | Nodig in elk kanaal | Nodig in elk kanaal | Nodig in elk kanaal |
De laatste rij is degene die mensen missen. Een model kan het effect van een kanaal alleen leren als de uitgaven voor dat kanaal in de tijd echt bewogen. Een kanaal dat twee jaar lang elke week evenveel uitgaf, geeft elke MMM, open source of gehost, bijna niets om van te leren.
Open source vs gehost
Open-source MMM is gratis in licentie en houdt je data in je eigen omgeving, maar je betaalt voor analisttijd, rekenkracht en onderhoud. Gehoste MMM kost een abonnement en betekent verkoop- en uitgavendata delen met een aanbieder, in ruil voor connectors, verversingen en support. De afweging is mensen en controle tegenover geld en snelheid.
Qua beveiliging wint open source standaard: er verlaat niets je infrastructuur. Vraag bij een gehoste aanbieder naar de beveiligingscertificeringen (Recast zegt bijvoorbeeld SOC 2-compliant te zijn), waar data wordt opgeslagen en of je die kunt verwijderen.
Is gehoste MMM de moeite waard met een klein budget? Meestal niet als eerste stap. Als je aan één of twee kanalen uitgeeft, vertelt een holdouttest op het grootste je meer voor minder. MMM loont zodra je over meerdere kanalen uitgeeft en het budget daartussen moet verdelen.
Hoe je begint
- Schrijf de beslissing op. “Moeten we budget van Meta naar Google Ads verschuiven?” vraagt een verkoopmodel. “Cannibaliseert zoeken op merknaam organische klikken?” vraagt een betaald-naar-organisch-model.
- Controleer je historie. Tel de volledige weken uitkomst en uitgaven per kanaal. Onder twee jaar plan je een beperkt model of eerst een test.
- Controleer de variatie in uitgaven. Maak een lijst van kanalen waarvan de uitgaven nauwelijks bewogen; groepeer ze of laat ze weg.
- Kies de eigenaar. Een Python-datawetenschapper wijst naar Meridian of PyMC-Marketing, een R-analist naar Robyn, niemand naar een gehoste tool zoals de MMM van AmICited.
- Valideer voordat je handelt. Controleer de holdout-fit en plausibiliteit en voer één lifttest uit op je grootste kanaal.
- Vergelijk met platformcijfers. Zet de schattingen van het model naast wat advertentieplatformen rapporteren; ons Meta-attributierapport laat zien hoe ver door platforms geclaimde aankopen van echte orders afwijken.
- Fit op schema opnieuw. Fit opnieuw als er nieuwe weken binnenkomen en behandel een grote schommeling tussen versies als waarschuwing, niet als nieuwe waarheid.
De conclusie
Meridian, Robyn en PyMC-Marketing zijn alle drie geloofwaardige, gratis MMM-engines, en de methodeverschillen tellen minder zwaar dan het team dat ze draait. Kies Meridian voor Python-teams met geodata, Robyn voor R-teams die een snel nationaal model willen en tragere updates accepteren, PyMC-Marketing wanneer je een eigen model nodig hebt en een gehoste tool wanneer niemand het werk kan beheren. Wat je ook kiest, een MMM geeft schattingen met onzekerheid, geen bewijs, dus controleer het tegen een experiment voordat je echt budget verschuift.

