Google Meridian og Meta Robyn er begge gratis marketing mix modeling-pakker (MMM) med åpen kildekode, men de passer ulike team. Meridian er Googles bayesianske modell i Python, bygget for data på geonivå og kalibrering med eksperimenter; versjon 2.2.0 kom 5. november 2026. Robyn er Metas R-pakke som tilpasser ridge-regresjoner og finjusterer dem med et evolusjonært søk; den siste CRAN-utgivelsen, 3.12.1, er fra juli 2025.
Et hostet MMM-verktøy er en betalt tjeneste som kjører en modell som disse for deg, med datakoblinger, et brukergrensesnitt og support. Valget avhenger mindre av algoritmen enn av hvem som skal eie modellen: en Python-dataforsker, en R-analytiker eller ingen på teamet ditt.
Denne guiden sammenligner Meridian, Robyn og PyMC-Marketing, det tredje seriøse åpen kildekode-alternativet, med fem hostede verktøy, inkludert vårt eget. Alle verktøyfakta ble kontrollert på prosjektets eller leverandørens egne sider i november 2026. For hva MMM er og hvordan det fungerer, start med vår guide til marketing mix modeling.
Viktige punkter
- Google Meridian er en bayesiansk MMM med åpen kildekode i Python under Apache 2.0. Den har vært allment tilgjengelig siden 29. januar 2025 og nådde versjon 2.2.0 den 5. november 2026.
- Meta Robyn er en MMM med åpen kildekode i R under MIT-lisensen. Den bruker ridge-regresjon med Nevergrads evolusjonære søk etter hyperparametere og gir et sett Pareto-optimale kandidatmodeller, ifølge dokumentasjonen.
- Robyns siste taggede GitHub-utgivelse er v3.12.0 fra desember 2024, og README-en merker fortsatt pakken som «experimental». Meridian og PyMC-Marketing ga begge ut nye versjoner i november 2026.
- Googles Meridian-dokumentasjon anbefaler minst to års ukentlige data for modeller på geonivå og tre år for nasjonale.
- Pakkene er gratis; kostnaden er folk og regnekraft. Meridians README anbefaler minst én GPU, og Robyns dokumentasjon anbefaler minst 2 000 iterasjoner og 5 forsøk per kjøring.
- Hostede verktøy bytter kontroll mot fart. Per november 2026 varierer publiserte priser fra 500 € i måneden (Cassandra Starter) til 8 500 $ i måneden (Sellforte Enterprise), og flere leverandører publiserer ikke priser i det hele tatt.
Meridian, Robyn og PyMC-Marketing sammenlignet
De tre MMM-pakkene med åpen kildekode skiller seg mest i metode og språk. Meridian og PyMC-Marketing er bayesianske Python-biblioteker som gir full usikkerhet og støtter modeller på geonivå. Robyn er en R-pakke bygget på ridge-regresjon som gir en rask, automatisert første modell på nasjonalt nivå. Alle tre kan ta imot eksperimentresultater og har en budsjettoptimalisator.
| Google Meridian | Meta Robyn | PyMC-Marketing | |
|---|---|---|---|
| Vedlikeholder | Meta Marketing Science | PyMC Labs | |
| Språk | Python (README lister 3.11 til 3.13) | R, pluss et Python-API i beta som trenger R | Python (3.12 eller nyere) |
| Lisens | Apache 2.0 | MIT | Apache 2.0 |
| Metode | Bayesiansk kausal inferens med priors | Ridge-regresjon, Nevergrads evolusjonære søk etter hyperparametere, Prophet for trend og sesong | Bayesiansk (PyMC) |
| Hva du får tilbake | Posteriorfordelinger, troverdighetsintervaller | Et sett Pareto-optimale kandidatmodeller, gruppert; du velger én | Posteriorfordelinger |
| Modell på geonivå | Ja, og anbefalt | Ingen hierarkisk geomodell | Ja, hierarkisk |
| Rekkevidde og frekvens | Ja | Kurvekalibrator i beta; allokatoren er en prototype | Ikke oppført på sammenligningssiden |
| Kalibrering med eksperimenter | Ja, eksperimenter som ROI-priors | Ja, løfte- og geotester som mål (MAPE.LIFT) | Ja, kalibrering med løftetester |
| Budsjettoptimalisator | Ja, pluss scenarioplanlegging | Ja, maksimal respons eller mål-ROAS/CPA | Ja |
| Siste utgivelse (nov. 2026) | 2.2.0, 5. november 2026 | v3.12.0 på GitHub (des. 2024), 3.12.1 på CRAN (juli 2025) | 1.4.0, 9. november 2026 |
| Best for | Python-team med geodata og løftetester | R-team som vil ha en rask nasjonal førstelesing | Python-team som trenger en skreddersydd modell |
Kilder: Meridian README og dokumentasjon, Robyn README og funksjonsdokumentasjon, og PyMC-Marketings egen sammenligningsside, kontrollert 17. november 2026.

Google Meridian
Google Meridian er en bayesiansk marketing mix-modell med åpen kildekode som estimerer den kausale effekten av hver mediekanal på en KPI som salg. Den kjører i Python, fungerer best med data på geonivå, godtar input for rekkevidde og frekvens og resultater fra løftetester som priors, og har budsjettoptimalisering. Den er gratis, og den trenger en dataforsker for å kjøre.
Meridian etterfølger Googles tidligere bibliotek LightweightMMM, og README-en lenker til en migreringsveiledning. Google gjorde den tilgjengelig for alle 29. januar 2025, med et partnerprogram med «over 20 målingspartnere opplært og sertifisert på Meridian».
Det som skiller den ut:
- Priors og eksperimenter. Du kan kode det du allerede vet som priors. Googles dokumentasjon kaller inkrementalitetseksperimenter
«kanskje det sterkeste grunnlaget» for en ROI-prior, og en
CalibrationBuilderhjelper med å oversette dem. - Modellering på geonivå. Google anbefaler å samle inn data per region; en nasjonal modell er reserveløsningen når geodata ikke er tilgjengelig.
- Rekkevidde og frekvens. For videokanaler kan Meridian modellere rekkevidde og frekvens, ikke bare visninger.
- Søkeetterspørsel som kontrollvariabel. Introduksjonen foreslår Google Query Volume som kontroll for organisk merkevareinteresse.
- Planleggingsverktøy. Google la til en kodefri Scenario Planner 19. februar 2026 for å teste budsjettscenarioer, og MMM Data Platform leverer Googles mediedata (visninger, klikk, kostnad).
Hva den krever av deg: Python, ferdigheter i bayesiansk modellering for å sette priors og lese konvergensdiagnostikk, og maskinvare. README-en sier at Meridian ble testet på en T4-GPU med 16 GB RAM og anbefaler minst én GPU. Datakravet er også høyt: minst to års ukentlige data for geomodeller og tre for nasjonale.
Ett ærlig forbehold: Google selger annonser og bygde modellen som måler dem. Koden er åpen, så du kan inspisere hver antakelse, som er den viktigste sikkerhetsmekanismen.
Meta Robyn
Meta Robyn er en halvautomatisert marketing mix modeling-pakke med åpen kildekode i R fra Meta Marketing Science. Den tilpasser ridge-regresjoner, søker etter hyperparametere for adstock og metning med Nevergrads evolusjonære algoritme, og gir et sett Pareto-optimale modeller i stedet for ett svar. Den passer digitale annonsører med direkterespons og nasjonale ukentlige data.
Robyns funksjonsdokumentasjon beskriver mekanikken:
- Modellsøk. Ridge-regresjon (L2), finjustert med TwoPointsDE fra Nevergrad. Prophet dekomponerer trend, sesong og høytider.
- Tre mål. Hver kandidat vurderes på prediksjonsfeil (NRMSE), en feil for forretningsmessig plausibilitet (DECOMP.RSSD) og, hvis du har eksperimenter, kalibreringsfeil (MAPE.LIFT). K-means-klynging grupperer lignende kandidater slik at du kan velge.
- Kalibrering. Conversion Lift- og geoeksperimenter kan brukes til å styre modellen mot kausale resultater.
- Budsjettallokator. To moduser: maksimal respons for et gitt budsjett, eller en målt effektivitet som ROAS eller CPA.
- Rekkevidde og frekvens. En kurvekalibrator for data om rekkevidde og frekvens er i beta; allokatoren for rekkevidde og frekvens er «en prototype og ennå ikke tilgjengelig».
Hva den krever av deg: R, pluss Python-biblioteket Nevergrad, og tålmodighet med regnekraft. Dokumentasjonen anbefaler minst 2 000 iterasjoner og 5 forsøk. Robyns analytikerveiledning ber om minst to års ukentlige data og omtrent 10 observasjoner per variabel. Et Python-API (beta) finnes, men det er en wrapper som krever at R-pakken er installert.
Statusspørsmålet betyr noe. Robyn README beskriver den fortsatt som en «experimental» pakke. Den siste taggede GitHub-utgivelsen er v3.12.0 fra desember 2024, og CRANs nyeste versjon er 3.12.1 fra juli 2025. Det betyr ikke at den er ødelagt, men et team som starter i dag bør veie langsommere oppdateringer opp mot Meridian og PyMC-Marketing, som begge ga ut nye versjoner i november 2026.
PyMC-Marketing
PyMC-Marketing er et Python-bibliotek med åpen kildekode fra PyMC Labs for bayesianske marketing mix-modeller og modeller for kundelivstidsverdi. Det er det mest fleksible av de tre: dokumentasjonen lister hierarkiske geomodeller, kalibrering med løftetester, en budsjettoptimalisator, tidsvarierende konstantledd og koeffisienter, egendefinerte priors og egendefinerte modellledd.
PyMC-Marketing-repoet har Apache 2.0-lisens, og versjon 1.4.0 ble utgitt 9. november 2026. Sammenligningssiden anbefaler Robyn for R-team som vil ha en enklere tilnærming, Meridian for et enklere API med tilknytning til Googles økosystem, og PyMC-Marketing for maksimal fleksibilitet.
Samme side rapporterer raskere sampling og lavere feil enn Meridian i en benchmark PyMC Labs kjørte selv. Behandle det som en produsentpåstand: den er ikke uavhengig replikert i noe vi fant. Velg PyMC-Marketing når teamet ditt skriver Python, kan bayesiansk modellering og trenger modellstruktur de to andre ikke tilbyr.
Hvilken er mest nøyaktig?
Vi fant ingen uavhengig, direkte benchmark av Meridian, Robyn og PyMC-Marketing på de samme reelle dataene. Den eneste publiserte sammenligningen fra en produsent er PyMC Labs’ egen. Nøyaktigheten avhenger mer av dataene, priorene og valideringen din enn av pakken.
Test derfor enhver modell på samme måte, uansett hva du velger:
- Holdout-tilpasning. Tren på de fleste ukene dine og sjekk hvor godt modellen predikerer ukene den ikke har sett.
- Plausibilitet. Kanalbidrag og ROI bør ligge i et troverdig område. En modell som krediterer søk på merkevaren med mesteparten av salget har vanligvis ikke skilt eksisterende etterspørsel fra utgifter.
- Eksperimenter. Kjør en løftetest eller geo-holdout på den største kanalen og sammenlign. Innlegget vårt om hvorvidt Google Ads øker organisk trafikk går gjennom et testoppsett med pause.
- Stabilitet. Tilpass på nytt med nye uker eller andre priors. Estimater som svinger voldsomt er ikke klare for budsjettbeslutninger.
Hostede MMM-verktøy
Et hostet marketing mix modeling-verktøy kjører modellen for deg: det kobler til datakildene dine, tilpasser og oppdaterer modellen, og viser bidrag og budsjettscenarioer i et brukergrensesnitt. Du betaler et abonnement og gir fra deg noe kontroll over modellen. Verktøyene nedenfor ble kontrollert på sine egne nettsteder; fakta og priser gjelder per november 2026.
| Verktøy | Modell, ifølge leverandøren | Eksperimenter | Hvem kjører det | Publisert pris |
|---|---|---|---|---|
| Recast | Proprietær bayesiansk MMM | GeoLift-tester som mates tilbake til MMM | Recasts team eller en sertifisert Operator-partner | Ingen funnet på nettstedet |
| Sellforte | «Always-on Causal Bayesian MMM» med daglig inkrementell ROAS per kampanje og annonsesett | Geo Lift, Conversion Lift og A/B-tester | Leverandørens plattform med en customer success manager | 1 900 til 8 500 $ i måneden; Full-Funnel MMM 4 500 $, ved 300 000 $ i gjennomsnittlige månedlige medieutgifter |
| Haus | Inkrementalitetseksperimenter pluss en «Causal MMM» | Kjerneproduktet | Målingsstrateger og dataforskere, etter nivå | Ikke publisert; Causal MMM ligger i nivåene Plus og Enterprise |
| Cassandra | MMM pluss inkrementalitetstesting, brukt gjennom en AI-assistent i Slack, Teams eller Google Chat | Produkt for inkrementalitetstesting | Selvbetjent til administrerte nivåer | Starter 500 € i måneden for opptil 1 M € i årlige annonseutgifter; Self-serve fra 3 000 € |
| AmICited (vårt) | Google Meridian, kjørt og hostet | Ingen input fra løftetester | Selvbetjent i appen eller gjennom MCP-verktøy | Abonnementene Premium og Enterprise, pluss en modellpakkeavgift; se priser |
AI-svar på dette spørsmålet nevner også Measured, Lifesight, Mutinex og Analytic Partners. Vi verifiserte ikke disse leverandørene for denne artikkelen, så de er ikke med i tabellen.
Før du signerer med en hostet leverandør, still tre spørsmål. Er modellen leverandørens egen, eller en administrert Meridian eller Robyn? Kan du eksportere dataene og modellresultatene hvis du slutter? Hvordan validerer den modellen mot løftetester?
Hvor AmICited passer inn
AmICited er vårt produkt, så les denne delen med det i bakhodet. Media Marketing Mix (MMM) tilpasser en bayesiansk modell med Google Meridian og hoster den: du velger et utfall (butikkinntekt eller ordrer, GA4-kjøp eller en hvilken som helst GA4-konvertering) og kanaler i appen, og den rapporterer hver kanals bidrag med 90 % troverdighetsintervaller, responskurver fra 0× til 3× av utgiftene, en beste fordeling av dagens budsjett og konvergensdiagnostikk. Utgifter og visninger kommer fra de fem annonseplattformene i våre annonseintegrasjoner, pluss egendefinerte kostnader for offline-kanaler.
Forskjellen fra en generisk hostet MMM: en modus for betalt til organisk som setter utfallet til Search Console-klikk, Bing-klikk eller organiske GA4-økter og estimerer om betalt søk tilfører eller tar fra den organiske trafikken din. Du kunne bygget det samme selv i Meridian eller PyMC-Marketing ved å bruke organiske klikk som KPI; AmICited pakker det inn.
Begrensningene, oppgitt rett ut:
- Abonnementsbegrensning og kostnad. Kun abonnementene Premium og Enterprise. En tilbakevendende modellpakkeavgift starter ved den første bekreftede opplæringskjøringen, og beredskapssjekker og opplæring bruker målte kreditter.
- Historikk. En standardmodell trenger 164 fullstendige uker (156 uker med utfall pluss en 8 ukers overføringsforsinkelse). En modus for begrenset historikk starter ved 24 uker, men den kan ikke pålitelig lære årlig sesongvariasjon, og anbefalingene er merket som kun veiledende. Google Ads beholder omtrent 13 måneders historikk, så de fleste nye kontoer starter i modus for begrenset historikk.
- Inntekt, ikke fortjeneste. ROI er inntekt per brukte enhet. For marginbevisst avkastning, bruk profit-true ROAS eller vår forklaring av ekte ROAS.
- Smalere enn rå Meridian. Appen modellerer én ukentlig serie for hele nettstedet eller butikken. Den tilbyr ikke en modell på geonivå, input for rekkevidde og frekvens eller kalibrering med løftetester per november 2026.
Hva bør du velge?
Velg etter hvem som skal eie modellen og hvilke data du har, ikke etter hvilket selskap som bygde koden. Pakker med åpen kildekode passer team med en analytiker som kan forberede data, sette priors og validere resultater. Hostede verktøy passer team uten den personen, mot en månedlig kostnad. Med under to års rene ukentlige data bør du fikse dataene eller kjøre en test først.
| Din situasjon | Best egnet | Hvorfor |
|---|---|---|
| Python-dataforsker, regionale salgsdata, løftetester planlagt | Google Meridian | Bayesiansk modell på geonivå, eksperimenter som priors, aktiv utvikling |
| R-analytiker, nasjonale ukentlige data, trenger en rask førstelesing | Meta Robyn | Automatisert søk etter hyperparametere og en ferdig budsjettallokator; sjekk det langsommere utgivelsestempoet |
| Python-team som trenger tidsvarierende effekter eller egendefinerte modellledd | PyMC-Marketing | Den mest fleksible av de tre, og den mest krevende |
| Ingen til å eie en modell; nettbutikk med offline- eller markedsplassalg | En hostet leverandør som Sellforte, Recast eller Haus | Datakoblinger, oppdateringer og support inkludert |
| Vil ha Meridian uten kode; butikk- eller GA4-data og annonsekontoer allerede tilkoblet | AmICited | Hostet Meridian, pluss en modus for betalt til organisk; kun ukentlig modell på kontonivå |
| Trenger å vite om Google Ads endrer organiske søkeklikk | En modell for betalt til organisk | Sett organiske klikk som utfall, i AmICited eller ditt eget Meridian-oppsett |
| Under to års rene ukentlige data | Fiks dataene først, eller kjør en holdout-test | Enhver MMM støtter seg på priorene når historikken er kort |
| Lite budsjett, én eller to kanaler | Hopp over MMM foreløpig | En pause- eller geotest svarer på spørsmålet billigere |
Hva du trenger for å kjøre det
Alle alternativene trenger det samme råmaterialet: ukentlige utfallsdata (salg, konverteringer eller organiske klikk), ukentlige utgifter og visninger per kanal, og kontrollvariabler som kampanjer, priser og sesongvariasjon. Det som endrer seg, er hvem som gjør jobben og hvor mye kompetanse og regnekraft det krever.
| Krav | Meridian | Robyn | PyMC-Marketing | Hostet verktøy |
|---|---|---|---|---|
| Ferdigheter | Python, bayesiansk modellering | R, regresjon, å vurdere kandidatmodeller | Python, bayesiansk modellering | Markedsanalytiker som gjennomgår resultatet |
| Regnekraft | GPU anbefalt | CPU; 2 000+ iterasjoner × 5 forsøk | CPU eller GPU | Leverandørens |
| Dataforberedelse | Du bygger datasettet | Du bygger datasettet | Du bygger datasettet | Koblinger, varierer etter leverandør |
| Variasjon i utgifter | Trengs i hver kanal | Trengs i hver kanal | Trengs i hver kanal | Trengs i hver kanal |
Den siste raden er den folk overser. En modell kan bare lære en kanals effekt hvis utgiftene for den kanalen faktisk beveget seg over tid. En kanal som brukte det samme beløpet hver uke i to år gir enhver MMM, åpen kildekode eller hostet, nesten ingenting å lære av.
Åpen kildekode vs hostet
MMM med åpen kildekode er gratis å lisensiere og holder dataene dine i ditt eget miljø, men du betaler for analytikertid, regnekraft og vedlikehold. Hostet MMM koster et abonnement og betyr at du deler salgs- og utgiftsdata med en leverandør, til gjengjeld for koblinger, oppdateringer og support. Avveiningen er folk og kontroll mot penger og fart.
På sikkerhet vinner åpen kildekode som utgangspunkt: ingenting forlater infrastrukturen din. Med en hostet leverandør bør du be om sikkerhetssertifiseringene (Recast oppgir for eksempel at de er SOC 2-kompatible), hvor dataene lagres, og om du kan slette dem.
Er hostet MMM verdt det med et lite budsjett? Vanligvis ikke som første steg. Hvis du bruker penger på én eller to kanaler, forteller en holdout-test på den største deg mer for mindre. MMM lønner seg når du bruker penger på flere kanaler og må fordele budsjettet mellom dem.
Slik kommer du i gang
- Skriv ned beslutningen. «Bør vi flytte budsjett fra Meta til Google Ads?» trenger en salgsmodell. «Kannibaliserer søk på merkevaren organiske klikk?» trenger en modell for betalt til organisk.
- Gå gjennom historikken din. Tell fullstendige uker med utfall og utgifter per kanal. Under to år: planlegg for en begrenset modell eller en test først.
- Sjekk variasjon i utgifter. List kanaler der utgiftene knapt beveget seg; grupper dem eller la dem utgå.
- Velg eieren. En Python-dataforsker peker mot Meridian eller PyMC-Marketing, en R-analytiker mot Robyn, ingen mot et hostet verktøy som AmICiteds MMM.
- Valider før du handler. Sjekk holdout-tilpasning og plausibilitet, og kjør én løftetest på den største kanalen.
- Sammenlign med plattformtall. Sett modellens estimater opp mot det annonseplattformene rapporterer; vår Meta-attribusjonsrapport viser hvor langt plattformpåståtte kjøp avviker fra faktiske ordrer.
- Tilpass på nytt etter en plan. Tilpass på nytt når nye uker kommer inn, og behandle store svingninger mellom versjoner som en advarsel, ikke en ny sannhet.
Hovedpoenget
Meridian, Robyn og PyMC-Marketing er alle troverdige, gratis MMM-motorer, og metodeforskjellene betyr mindre enn teamet som kjører dem. Velg Meridian for Python-team med geodata, Robyn for R-team som vil ha en rask nasjonal modell og godtar langsommere oppdateringer, PyMC-Marketing når du trenger en skreddersydd modell, og et hostet verktøy når ingen kan eie arbeidet. Uansett valg gir en MMM estimater med usikkerhet, ikke bevis, så kontroller den mot et eksperiment før du flytter reelt budsjett.

