Meridian: guía práctica del framework MMM open source de Google en 2026

Meridian — framework Marketing Mix Modeling open-source de Google — fue publicado a finales 2024 y ha madurado en alternativa creíble a los vendors MMM comerciales para 2026. Es gratis, Python-based, y diseñado para anunciantes corriendo campañas adquisición pagada en Google + otros canales.

Esta guía cubre especificidades Meridian: cómo se compara a Robyn (framework MMM de Meta), setup técnico, timeline implementación primer-modelo y playbook 90 días. Se asume familiaridad general MMM — si no, ver nuestra guía MMM vs Attribution.

Qué es Meridian y por qué Google lo ha publicado

Meridian es una library Python para construir Marketing Mix Models. Features clave:

• Metodología Bayesiana (vs OLS frequentist)
• Curvas saturación (shapes Hill o Adbudg)
• Modelado efectos adstock / decay
• Integración geo-experiment (combina MMM + dato test geo lift)
• Distribuciones probabilidad posterior (cuantificación incertidumbre)
• Licencia open-source Apache 2.0

Publicado por el equipo Marketing Sciences de Google a finales 2024. Diseñado específicamente para uso anunciante (vs frameworks puramente académicos). Integrado con estructuras dato anunciante típicas: plataformas Google Ads, Meta, LinkedIn; métricas resultados e-commerce + SaaS B2B.

Por qué importa para anunciantes 2026: gratis, bien documentado, mantenido por Google, comunidad creciente. Baja barrera a la entrada MMM para cuentas mid-market que no podían permitirse 100 k€+/año MMM comercial.

Meridian vs Robyn (Meta) vs vendors comerciales

Para anunciantes 2026: Meridian o Robyn son elecciones técnicas equivalentes — elegir basado en preferencia lenguaje equipo. Vendors comerciales justifican solo coste a escala enterprise o cuando capacidad data science interna está limitada.

Exigencias técnicas y arquitectura

Stack software:

• Python 3.9+ (3.11 recomendado en 2026)
• Package Meridian (pip install google-meridian)
• BigQuery / Snowflake / data warehouse similar
• Jupyter notebooks para desarrollo
• Producción: Docker + Airflow / Cloud Composer para orquestación

Hardware / cloud:

• Desarrollo local: laptop estándar basta para trabajo inicial
• Runs producción: Cloud Run o Vertex AI custom training jobs
• Coste: 500-2 k€/mes típico compute + storage

Equipo:

• Lead data scientist (background métodos Bayesianos)
• Data engineer (pipelines + infraestructura cloud)
• Lead marketing analytics (traduce necesidades business)
• Sponsor ejecutivo (drive adopción organizacional)

Inversión total continua:

• Personas: 1-2 FTE data scientists a 100-200 k€/año
• Infraestructura: 5-20 k€/año
• Total: 100-400 k€/año (vs vendor comercial 50-500 k€/año)

ROI cross-over: Meridian in-house pasa a menos caro que vendor comercial hacia 200 k€/año spend MMM.

Setup: entorno Python + ingesta dato

Etapa 1 — Entorno Python:

python -m venv meridian-env
source meridian-env/bin/activate
pip install google-meridian pandas numpy matplotlib jupyterlab

Etapa 2 — Validar instalación:

python -c "import meridian; print(meridian.__version__)"

Salida esperada: número versión (ej. 1.0.x en 2026).

Etapa 3 — Estructura ingesta dato: Meridian espera DataFrames pandas con columnas específicas:

• time: timestamps fechas semanales
• geo: identificador geográfico (si geo-experiment integrado)
• KPI: variable resultado (revenue, conversiones)
• media_spend: spend por canal (una columna por canal)
• media_impressions: opcional, impresiones por canal
• controls: estacionalidad, promociones, actividad competidor

Etapa 4 — Data pipeline desde BigQuery:

from google.cloud import bigquery
import pandas as pd

client = bigquery.Client()
query = """
SELECT week_start, SUM(google_ads_spend) AS gads,
       SUM(meta_spend) AS meta, SUM(revenue) AS revenue
FROM marketing_data
GROUP BY week_start
"""
df = client.query(query).to_dataframe()

Para producción: schedulear extracts BigQuery cotidianos, refresh modelo Meridian semanal, retrain completo trimestral.

Lanzar primer modelo: configuración + ejecución

Configuración modelo inicial (simplificada):

from meridian.model import Meridian

model = Meridian(
    n_media_channels=4,
    n_control_channels=3,
    adstock_specifications=[...],
    saturation_specifications=[...],
)

model.fit(
    data=df,
    n_samples=10000,
    n_chains=4,
)

Tiempo de ejecución esperado:

• Pequeño modelo (3-5 canales, 2 años dato): 30-60 minutos en laptop estándar
• Modelo medio (6-10 canales, 3 años dato): 2-4 horas
• Gran modelo (15+ canales, 3+ años dato): 8-24 horas en compute cloud

Salidas clave:

• Contribución canal: % resultado total atribuido a cada canal
• Curvas saturación: respuesta a spend adicional por canal
• Decay adstock: lag temporal por canal
• Distribuciones posteriores: cuantificación incertidumbre

Visualizar vía funciones plotting built-in Meridian o matplotlib custom.

Validar salidas: holdout testing

Etapa validación crítica:

Metodología holdout:

1. Entrenar Meridian en 80 % dato histórico
2. Predecir en 20 % restantes (6 últimos meses)
3. Comparar predicciones a los actuals
4. Calcular R² y MAPE (mean absolute percentage error)

Umbrales aceptables:

• R² > 0,7 en holdout: modelo captura verdadera señal
• R² 0,5-0,7: modelo captura parcialmente, necesita refinamiento
• R² < 0,5: modelo no captura dinámicas reales, auditar inputs / metodología

Fallos holdout corrientes:

• Falta factores externos significativos (promoción, launch competidor)
• Issues calidad dato (naming canal inconsistente)
• Priors adstock/saturación inapropiados
• Histórico dato insuficiente

Iteración: refinar modelo basado en findings holdout. Añadir variables control, ajustar priors, validar de nuevo. Esperar 3-5 ciclos iteración antes production-ready.

Cuándo Meridian fit vs alternativas

Meridian fit cuando:

• 500 k€-5 M€/año spend marketing (sweet spot)
• Equipo data science Python in-house
• Mix multi-canal incluyendo offline
• Willingness a invertir 3-6 meses para primer modelo
• Querer control completo sobre metodología

Alternativas mejores cuando:

• Robyn (MMM Meta): mismo perfil fit pero equipo prefiere lenguaje R o tiene spend Meta-pesado
• Vendor comercial (Analytic Partners, etc.): escala enterprise (5 M€+), capacidad data science limitada, necesidad servicio managed
• Sin MMM (solo atribución + incrementalidad): bajo 500 k€/año, marketing digital-solo

Para la mayoría de cuentas mid-market en 2026 considerando MMM: Meridian o Robyn es la buena ruta. Vendors comerciales están over-spec'd para necesidades sub-enterprise.

Playbook implementación Meridian 90 días

El schema HowTo detalla día-por-día. Fasing estratégico:

Mes 1 — Setup: equipo, prerequisitos, recogida dato, entorno Python.

Mes 2 — Modelado: construcción modelo inicial, validación holdout, ciclos refinamiento.

Mes 3 — Activación: revisión stakeholder, scenario planning, despliegue producción, setup refresh trimestral.

Para contexto medición complementario, ver nuestra guía MMM vs Attribution, guía tests incrementalidad y estrategia first-party data.

Si quieres optimización Google Ads pilotada por IA que se alinee con asignación budget Meridian-derived, SteerAds lanza una auditoría gratuita de 14 días sobre Google + Microsoft Ads.

Sources

• github.com/google/meridian — repo open-source Meridian
• developers.google.com/marketing-mix-modeling — doc Meridian
• research.google/pubs — research Google sobre metodología MMM
• github.com/facebookexperimental/Robyn — referencia comparación Robyn
• thinkwithgoogle.com — insights industria Google

FAQ