Google Meridian i Meta Robyn to darmowe, otwartoźródłowe pakiety do marketing mix modeling (MMM), ale pasują do różnych zespołów. Meridian to bayesowski model Google w Pythonie, zbudowany z myślą o danych na poziomie geograficznym i kalibracji eksperymentami; wersja 2.2.0 ukazała się 5 listopada 2026 roku. Robyn to pakiet R od Meta, który dopasowuje regresje grzbietowe i dostraja je ewolucyjnym przeszukiwaniem; jego najnowsze wydanie na CRAN, 3.12.1, pochodzi z lipca 2025 roku.
Hostowane narzędzie MMM to płatna usługa, która uruchamia taki model za Ciebie, z konektorami danych, interfejsem i wsparciem. Wybór zależy mniej od algorytmu, a bardziej od tego, kto będzie właścicielem modelu: data scientist w Pythonie, analityk w R czy nikt w Twoim zespole.
Ten przewodnik porównuje Meridian, Robyn i PyMC-Marketing, trzecią poważną opcję open source, z pięcioma narzędziami hostowanymi, w tym naszym własnym. Każdy fakt o narzędziach sprawdzono na stronach projektu lub dostawcy w listopadzie 2026 roku. O tym, czym jest MMM i jak działa, przeczytasz w naszym przewodniku po marketing mix modeling.
Kluczowe wnioski
- Google Meridian to otwartoźródłowy bayesowski MMM w Pythonie na licencji Apache 2.0. Jest ogólnie dostępny od 29 stycznia 2025 roku, a 5 listopada 2026 roku osiągnął wersję 2.2.0.
- Meta Robyn to otwartoźródłowy MMM w R na licencji MIT. Używa regresji grzbietowej z ewolucyjnym przeszukiwaniem hiperparametrów Nevergrad i zwraca zestaw modeli kandydujących optymalnych w sensie Pareto, według swojej dokumentacji.
- Ostatnie otagowane wydanie Robyn na GitHubie to v3.12.0 z grudnia 2024, a jego README wciąż określa pakiet jako „experimental”. Meridian i PyMC-Marketing wydały nowe wersje w listopadzie 2026 roku.
- Dokumentacja Google Meridian zaleca co najmniej dwa lata danych tygodniowych dla modeli geograficznych i trzy lata dla krajowych.
- Pakiety są darmowe; koszt to ludzie i moc obliczeniowa. README Meridian zaleca co najmniej jedno GPU, a dokumentacja Robyn co najmniej 2000 iteracji i 5 prób na uruchomienie.
- Narzędzia hostowane wymieniają kontrolę na szybkość. W listopadzie 2026 roku opublikowane ceny sięgają od 500 € miesięcznie (Cassandra Starter) do 8500 $ miesięcznie (Sellforte Enterprise), a kilku dostawców w ogóle nie podaje cen.
Meridian, Robyn i PyMC-Marketing w porównaniu
Trzy otwartoźródłowe pakiety MMM różnią się najbardziej metodą i językiem. Meridian i PyMC-Marketing to bayesowskie biblioteki Pythona, które zwracają pełną niepewność i wspierają modele geograficzne. Robyn to pakiet R oparty na regresji grzbietowej, który daje szybki, zautomatyzowany pierwszy model na poziomie krajowym. Wszystkie trzy przyjmują wyniki eksperymentów i mają optymalizator budżetu.
| Google Meridian | Meta Robyn | PyMC-Marketing | |
|---|---|---|---|
| Opiekun | Meta Marketing Science | PyMC Labs | |
| Język | Python (README podaje 3.11 do 3.13) | R, plus API Pythona w wersji beta, które wymaga R | Python (3.12 lub nowszy) |
| Licencja | Apache 2.0 | MIT | Apache 2.0 |
| Metoda | Wnioskowanie przyczynowe bayesowskie z priorami | Regresja grzbietowa, ewolucyjne przeszukiwanie hiperparametrów Nevergrad, Prophet do trendu i sezonowości | Bayesowska (PyMC) |
| Co dostajesz | Rozkłady a posteriori, przedziały wiarygodności | Zestaw modeli kandydujących optymalnych w sensie Pareto, pogrupowanych; wybierasz jeden | Rozkłady a posteriori |
| Model geograficzny | Tak, i zalecany | Brak hierarchicznego modelu geograficznego | Tak, hierarchiczny |
| Zasięg i częstotliwość | Tak | Kalibrator krzywych w wersji beta; alokator to prototyp | Nie wymieniono na jego stronie porównawczej |
| Kalibracja eksperymentami | Tak, eksperymenty jako priory ROI | Tak, testy przyrostowe i geograficzne jako cel (MAPE.LIFT) | Tak, kalibracja testami przyrostowymi |
| Optymalizator budżetu | Tak, plus planowanie scenariuszy | Tak, maksymalna odpowiedź lub docelowy ROAS/CPA | Tak |
| Najnowsze wydanie (listopad 2026) | 2.2.0, 5 listopada 2026 | v3.12.0 na GitHubie (grudzień 2024), 3.12.1 na CRAN (lipiec 2025) | 1.4.0, 9 listopada 2026 |
| Najlepszy dla | Zespołów Pythona z danymi geograficznymi i testami przyrostowymi | Zespołów R, które chcą szybkiego krajowego pierwszego odczytu | Zespołów Pythona, które potrzebują własnego modelu |
Źródła: README Meridian i dokumentacja, README Robyn i dokumentacja funkcji oraz własna strona porównawcza PyMC-Marketing, sprawdzone 17 listopada 2026 roku.

Google Meridian
Google Meridian to otwartoźródłowy bayesowski model marketing mix, który szacuje przyczynowy wpływ każdego kanału mediowego na wskaźnik KPI, taki jak sprzedaż. Działa w Pythonie, najlepiej na danych na poziomie geograficznym, przyjmuje dane o zasięgu i częstotliwości oraz wyniki testów przyrostowych jako priory i zawiera optymalizację budżetu. Jest darmowy i wymaga data scientista do obsługi.
Meridian jest następcą wcześniejszej biblioteki Google LightweightMMM, a README odsyła do poradnika migracji. Google udostępnił go wszystkim 29 stycznia 2025 roku, wraz z programem partnerskim obejmującym „ponad 20 partnerów pomiarowych przeszkolonych i certyfikowanych w Meridian”.
Co go wyróżnia:
- Priory i eksperymenty. Możesz zakodować to, co już wiesz, jako priory. Dokumentacja Google nazywa eksperymenty przyrostowe
„być może najmocniejszą podstawą” dla priora ROI, a
CalibrationBuilderpomaga je przełożyć. - Modelowanie na poziomie geograficznym. Google zaleca zbieranie danych według regionów; model krajowy jest rozwiązaniem zapasowym, gdy dane geograficzne są niedostępne.
- Zasięg i częstotliwość. Dla kanałów wideo Meridian potrafi modelować zasięg i częstotliwość, a nie tylko wyświetlenia.
- Popyt w wyszukiwarce jako zmienna kontrolna. Wprowadzenie sugeruje użycie Google Query Volume jako zmiennej kontrolnej zainteresowania organicznego marką.
- Narzędzia planowania. Google dodał 19 lutego 2026 roku bezkodowy Scenario Planner do testowania scenariuszy budżetowych, a MMM Data Platform dostarcza dane mediowe Google (wyświetlenia, kliknięcia, koszt).
Czego wymaga: Pythona, umiejętności modelowania bayesowskiego do ustawiania priorów i czytania diagnostyki zbieżności oraz sprzętu. README mówi, że Meridian testowano na GPU T4 z 16 GB RAM i zaleca co najmniej jedno GPU. Poprzeczka dla danych też jest wysoka: co najmniej dwa lata danych tygodniowych dla modeli geograficznych i trzy dla krajowych.
Jedno uczciwe zastrzeżenie: Google sprzedaje reklamy i zbudowało model, który je mierzy. Kod jest otwarty, więc możesz sprawdzić każde założenie, co jest głównym zabezpieczeniem.
Meta Robyn
Meta Robyn to otwartoźródłowy, półautomatyczny pakiet do marketing mix modeling w R od Meta Marketing Science. Dopasowuje regresje grzbietowe, przeszukuje hiperparametry adstock i nasycenia ewolucyjnym algorytmem Nevergrad i zamiast jednej odpowiedzi zwraca zestaw modeli optymalnych w sensie Pareto. Pasuje do reklamodawców cyfrowych nastawionych na odpowiedź bezpośrednią, z krajowymi danymi tygodniowymi.
Dokumentacja funkcji Robyn opisuje mechanikę:
- Przeszukiwanie modeli. Regresja grzbietowa (L2), dostrajana za pomocą TwoPointsDE z Nevergrad. Prophet rozkłada trend, sezonowość i święta.
- Trzy cele. Każdy kandydat jest oceniany pod kątem błędu predykcji (NRMSE), błędu wiarygodności biznesowej (DECOMP.RSSD) i, jeśli masz eksperymenty, błędu kalibracji (MAPE.LIFT). Klasteryzacja k-średnich grupuje podobnych kandydatów, abyś mógł wybrać.
- Kalibracja. Testy przyrostowe konwersji i eksperymenty geograficzne mogą kierować model ku wynikom przyczynowym.
- Alokator budżetu. Dwa tryby: maksymalna odpowiedź dla danego budżetu lub docelowa efektywność, taka jak ROAS lub CPA.
- Zasięg i częstotliwość. Kalibrator krzywych dla danych o zasięgu i częstotliwości jest w wersji beta; alokator zasięgu i częstotliwości to „prototyp i nie jest jeszcze dostępny”.
Czego wymaga: R, plus biblioteki Pythona Nevergrad oraz cierpliwości do obliczeń. Dokumentacja zaleca co najmniej 2000 iteracji i 5 prób. Poradnik dla analityków Robyn wymaga co najmniej dwóch lat danych tygodniowych i około 10 obserwacji na zmienną. API Pythona (beta) istnieje, ale to nakładka wymagająca zainstalowanego pakietu R.
Kwestia statusu ma znaczenie. README Robyn wciąż opisuje go jako pakiet „experimental”. Ostatnie otagowane wydanie na GitHubie to v3.12.0 z grudnia 2024, a najnowsza wersja na CRAN to 3.12.1 z lipca 2025. To nie znaczy, że jest zepsuty, ale zespół zaczynający dziś powinien zważyć wolniejsze aktualizacje wobec Meridian i PyMC-Marketing, które oba wydały nowe wersje w listopadzie 2026 roku.
PyMC-Marketing
PyMC-Marketing to otwartoźródłowa biblioteka Pythona od PyMC Labs do bayesowskich modeli marketing mix i modeli wartości życiowej klienta. Jest najbardziej elastyczna z trzech: jej dokumentacja wymienia hierarchiczne modele geograficzne, kalibrację testami przyrostowymi, optymalizator budżetu, zmienne w czasie wyrazy wolne i współczynniki, własne priory i własne człony modelu.
Repozytorium PyMC-Marketing ma licencję Apache 2.0, a wersja 1.4.0 ukazała się 9 listopada 2026 roku. Jego strona porównawcza poleca Robyn zespołom R, które chcą prostszego podejścia, Meridian tym, którzy chcą prostszego API i powiązań z ekosystemem Google, a PyMC-Marketing dla maksymalnej elastyczności.
Ta sama strona podaje szybsze próbkowanie i mniejszy błąd niż w Meridian w benchmarku, który PyMC Labs przeprowadziło samo. Traktuj to jako deklarację producenta: nie znaleźliśmy niezależnego potwierdzenia. Wybierz PyMC-Marketing, gdy Twój zespół pisze w Pythonie, zna modelowanie bayesowskie i potrzebuje struktury modelu, której dwa pozostałe nie oferują.
Który jest dokładniejszy?
Nie znaleźliśmy niezależnego, bezpośredniego benchmarku Meridian, Robyn i PyMC-Marketing na tych samych prawdziwych danych. Jedyne opublikowane porównanie autorstwa twórcy to to z PyMC Labs. Dokładność zależy bardziej od Twoich danych, priorów i walidacji niż od pakietu.
Dlatego testuj każdy model tak samo, którykolwiek wybierzesz:
- Dopasowanie na zbiorze wstrzymanym. Wytrenuj na większości tygodni i sprawdź, jak dobrze model przewiduje tygodnie, których nie widział.
- Wiarygodność. Wkłady kanałów i ROI powinny mieścić się w przekonującym zakresie. Model, który przypisuje wyszukiwaniu brandowemu większość sprzedaży, zwykle nie oddzielił istniejącego popytu od wydatków.
- Eksperymenty. Przeprowadź test przyrostowy lub geo holdout na największym kanale i porównaj. Nasz wpis o tym, czy Google Ads zwiększa ruch organiczny, opisuje projekt testu z pauzą.
- Stabilność. Dopasuj ponownie z nowymi tygodniami lub innymi priorami. Estymaty, które mocno się wahają, nie nadają się do decyzji budżetowych.
Hostowane narzędzia MMM
Hostowane narzędzie do marketing mix modeling uruchamia model za Ciebie: łączy źródła danych, dopasowuje i odświeża model oraz pokazuje wkłady i scenariusze budżetowe w interfejsie. Płacisz abonament i oddajesz część kontroli nad modelem. Poniższe narzędzia sprawdzono na ich własnych stronach; fakty i ceny według stanu z listopada 2026 roku.
| Narzędzie | Model według dostawcy | Eksperymenty | Kto go obsługuje | Opublikowana cena |
|---|---|---|---|---|
| Recast | Własnościowy bayesowski MMM | Testy GeoLift zasilające MMM | Zespół Recast lub certyfikowany partner Operator | Nie znaleziono na jego stronie |
| Sellforte | „Always-on Causal Bayesian MMM” z dzienną przyrostową wartością ROAS według kampanii i zestawu reklam | Geo Lift, Conversion Lift i testy A/B | Platforma dostawcy z opiekunem sukcesu klienta | od 1900 do 8500 $ miesięcznie; Full-Funnel MMM 4500 $, przy 300 000 $ średnich miesięcznych wydatków mediowych |
| Haus | Eksperymenty przyrostowe plus „Causal MMM” | Główny produkt | Stratedzy pomiaru i data scientiści, zależnie od poziomu | Nieopublikowana; Causal MMM jest w poziomach Plus i Enterprise |
| Cassandra | MMM plus testy przyrostowości, używane przez asystenta AI w Slacku, Teams lub Google Chat | Produkt do testów przyrostowości | Od samoobsługi do poziomów zarządzanych | Starter 500 € miesięcznie przy rocznych wydatkach reklamowych do 1 mln €; Self-serve od 3000 € |
| AmICited (nasz) | Google Meridian, uruchamiany i hostowany | Brak wejścia z testów przyrostowych | Samoobsługa w aplikacji lub przez narzędzia MCP | Plany Premium i Enterprise, plus opłata za pakiet modelu; zobacz cennik |
Odpowiedzi AI na to pytanie wymieniają też Measured, Lifesight, Mutinex i Analytic Partners. Nie weryfikowaliśmy tych dostawców na potrzeby tego artykułu, więc nie ma ich w tabeli.
Zanim podpiszesz umowę z jakimkolwiek dostawcą hostowanym, zapytaj o trzy rzeczy. Czy model jest jego własny, czy to zarządzany Meridian lub Robyn? Czy możesz wyeksportować dane i wyniki modelu, jeśli odejdziesz? Jak waliduje model względem testów przyrostowych?
Gdzie mieści się AmICited
AmICited to nasz produkt, więc czytaj tę sekcję z tą świadomością. Jego Media Marketing Mix (MMM) dopasowuje model bayesowski za pomocą Google Meridian i go hostuje: wybierasz w aplikacji wynik (przychód lub zamówienia sklepu, zakupy GA4 albo dowolną konwersję GA4) i kanały, a on raportuje wkład każdego kanału z 90% przedziałami wiarygodności, krzywe odpowiedzi od 0× do 3× wydatków, najlepszy podział dzisiejszego budżetu i diagnostykę zbieżności. Wydatki i wyświetlenia pochodzą z pięciu platform reklamowych z naszych integracji reklamowych, plus koszty własne dla kanałów offline.
Czym różni się od typowego hostowanego MMM: tryb płatne-a-organiczne, który ustawia wynik na kliknięcia z Search Console, kliknięcia z Bing lub sesje organiczne GA4 i szacuje, czy płatne wyszukiwanie dodaje do Twojego ruchu organicznego, czy go odbiera. To samo możesz zbudować samodzielnie w Meridian lub PyMC-Marketing, używając kliknięć organicznych jako KPI; AmICited to opakowuje.
Jego ograniczenia, powiedziane wprost:
- Plany i koszt. Tylko plany Premium i Enterprise. Cykliczna opłata za pakiet modelu zaczyna się przy pierwszym potwierdzonym treningu, a kontrole gotowości i trening zużywają mierzone kredyty.
- Historia. Model standardowy wymaga 164 pełnych tygodni (156 tygodni wyniku plus 8-tygodniowe opóźnienie przenoszenia efektu). Tryb ograniczonej historii zaczyna się od 24 tygodni, ale nie potrafi wiarygodnie nauczyć się rocznej sezonowości, a jego rekomendacje są oznaczone jako tylko orientacyjne. Google Ads przechowuje około 13 miesięcy historii, więc większość nowych kont zaczyna w trybie ograniczonej historii.
- Przychód, nie zysk. ROI to przychód na jednostkę wydatków. Dla zwrotów uwzględniających marżę użyj profit-true ROAS lub naszego wyjaśnienia true ROAS.
- Węższy niż surowy Meridian. Aplikacja modeluje jedną tygodniową serię dla całej witryny lub sklepu. W listopadzie 2026 roku nie oferuje modelu geograficznego, wejścia zasięgu i częstotliwości ani wejścia kalibracji testami przyrostowymi.
Co wybrać?
Wybieraj według tego, kto będzie właścicielem modelu i jakie masz dane, a nie według tego, która firma zbudowała kod. Pakiety open source pasują do zespołów z analitykiem, który potrafi przygotować dane, ustawić priory i zwalidować wyniki. Narzędzia hostowane pasują do zespołów bez takiej osoby, za miesięczną opłatą. Przy mniej niż dwóch latach czystych danych tygodniowych najpierw popraw dane lub przeprowadź test.
| Twoja sytuacja | Najlepsze dopasowanie | Dlaczego |
|---|---|---|
| Data scientist w Pythonie, regionalne dane sprzedażowe, planowane testy przyrostowe | Google Meridian | Bayesowski model geograficzny, eksperymenty jako priory, aktywny rozwój |
| Analityk w R, krajowe dane tygodniowe, potrzebny szybki pierwszy odczyt | Meta Robyn | Zautomatyzowane przeszukiwanie hiperparametrów i gotowy alokator budżetu; sprawdź jego wolniejsze tempo wydań |
| Zespół Pythona, który potrzebuje efektów zmiennych w czasie lub własnych członów modelu | PyMC-Marketing | Najbardziej elastyczny z trzech i najbardziej wymagający |
| Nikt do prowadzenia modelu; e-commerce ze sprzedażą offline lub na marketplace’ach | Dostawca hostowany, taki jak Sellforte, Recast lub Haus | Konektory danych, odświeżanie i wsparcie w cenie |
| Chcesz Meridian bez kodu; dane sklepu lub GA4 i konta reklamowe już połączone | AmICited | Hostowany Meridian plus tryb płatne-a-organiczne; tylko tygodniowy model na poziomie konta |
| Chcesz wiedzieć, czy Google Ads zmienia kliknięcia z wyszukiwania organicznego | Model płatne-a-organiczne | Ustaw kliknięcia organiczne jako wynik, w AmICited lub we własnej wersji Meridian |
| Mniej niż dwa lata czystych danych tygodniowych | Najpierw popraw dane lub przeprowadź test z wstrzymaniem | Każdy MMM opiera się na priorach, gdy historia jest krótka |
| Mały budżet, jeden lub dwa kanały | Na razie pomiń MMM | Test z pauzą lub geograficzny odpowie taniej |
Czego potrzebujesz, żeby go uruchomić
Każda opcja wymaga tego samego surowca: tygodniowych danych o wyniku (sprzedaż, konwersje lub kliknięcia organiczne), tygodniowych wydatków i wyświetleń na kanał oraz zmiennych kontrolnych, takich jak promocje, ceny i sezonowość. Zmienia się to, kto wykonuje pracę i ile umiejętności oraz mocy obliczeniowej to wymaga.
| Wymaganie | Meridian | Robyn | PyMC-Marketing | Narzędzie hostowane |
|---|---|---|---|---|
| Umiejętności | Python, modelowanie bayesowskie | R, regresja, ocena modeli kandydujących | Python, modelowanie bayesowskie | Analityk marketingu do przeglądu wyników |
| Moc obliczeniowa | Zalecane GPU | CPU; 2000+ iteracji × 5 prób | CPU lub GPU | Po stronie dostawcy |
| Przygotowanie danych | Sam budujesz zbiór danych | Sam budujesz zbiór danych | Sam budujesz zbiór danych | Konektory, zależnie od dostawcy |
| Zróżnicowanie wydatków | Potrzebne w każdym kanale | Potrzebne w każdym kanale | Potrzebne w każdym kanale | Potrzebne w każdym kanale |
Ostatni wiersz jest tym, który ludzie przeoczają. Model może nauczyć się efektu kanału tylko wtedy, gdy wydatki na ten kanał faktycznie zmieniały się w czasie. Kanał, który wydawał tę samą kwotę co tydzień przez dwa lata, daje każdemu MMM, open source czy hostowanemu, niemal nic do nauki.
Open source czy hostowany
Open source MMM jest darmowy w licencji i trzyma Twoje dane we własnym środowisku, ale płacisz za czas analityka, moc obliczeniową i utrzymanie. Hostowany MMM kosztuje abonament i oznacza udostępnienie dostawcy danych o sprzedaży i wydatkach, w zamian za konektory, odświeżanie i wsparcie. Kompromis to ludzie i kontrola kontra pieniądze i szybkość.
Pod względem bezpieczeństwa open source wygrywa domyślnie: nic nie opuszcza Twojej infrastruktury. W przypadku dostawcy hostowanego poproś o jego certyfikaty bezpieczeństwa (Recast na przykład deklaruje zgodność z SOC 2), informację, gdzie przechowywane są dane, i czy możesz je usunąć.
Czy hostowany MMM się opłaca przy małym budżecie? Zwykle nie jako pierwszy krok. Jeśli wydajesz na jeden lub dwa kanały, test z wstrzymaniem na większym z nich powie Ci więcej za mniej. MMM się opłaca, gdy wydajesz na kilku kanałach i musisz podzielić między nie budżet.
Jak zacząć
- Zapisz decyzję. „Czy przenieść budżet z Meta do Google Ads?” wymaga modelu sprzedaży. „Czy wyszukiwanie brandowe kanibalizuje kliknięcia organiczne?” wymaga modelu płatne-a-organiczne.
- Przejrzyj historię. Policz pełne tygodnie wyniku i wydatków na kanał. Przy mniej niż dwóch latach zaplanuj model ograniczony lub najpierw test.
- Sprawdź zróżnicowanie wydatków. Wypisz kanały, których wydatki prawie się nie zmieniały; pogrupuj je lub pomiń.
- Wybierz właściciela. Data scientist w Pythonie wskazuje Meridian lub PyMC-Marketing, analityk w R wskazuje Robyn, brak takiej osoby wskazuje narzędzie hostowane, takie jak MMM w AmICited.
- Zwaliduj, zanim zadziałasz. Sprawdź dopasowanie na zbiorze wstrzymanym i wiarygodność oraz przeprowadź jeden test przyrostowy na największym kanale.
- Porównaj z liczbami platform. Zestaw szacunki modelu z tym, co raportują platformy reklamowe; nasz raport atrybucji Meta pokazuje, jak bardzo zakupy deklarowane przez platformę odbiegają od rzeczywistych zamówień.
- Dopasowuj ponownie według harmonogramu. Dopasowuj ponownie wraz z nowymi tygodniami i traktuj duże wahania między wersjami jako ostrzeżenie, a nie nową prawdę.
Podsumowanie
Meridian, Robyn i PyMC-Marketing to wiarygodne, darmowe silniki MMM, a różnice w metodach liczą się mniej niż zespół, który je obsługuje. Wybierz Meridian dla zespołów Pythona z danymi geograficznymi, Robyn dla zespołów R, które chcą szybkiego modelu krajowego i akceptują wolniejsze aktualizacje, PyMC-Marketing, gdy potrzebujesz własnego modelu, a narzędzie hostowane, gdy nikt nie może przejąć tej pracy. Cokolwiek wybierzesz, MMM daje szacunki z niepewnością, a nie dowód, więc sprawdź go eksperymentem, zanim przesuniesz realny budżet.

