Distribuciones de probabilidad que codifican conocimiento empírico previo sobre el retorno o comportamiento de un canal de medios antes de confrontarlo con los datos actuales.
Explicación y Contexto Conceptual
Los Bayesian Priors (o distribuciones a priori) son el mecanismo matemático mediante el cual el modelado econométrico moderno supera las limitaciones de la estadística frecuentista clásica. En un modelo tradicional sin priors, el algoritmo trata a cada canal como una incógnita absoluta, pudiendo arrojar absurdos matemáticos como un ROI negativo para la televisión o un ROI irrealmente astronómico para la pauta en buscadores debido a correlaciones accidentales.
Al especificar un prior bayesiano (utilizando distribuciones como Normal, Half-Normal, Gamma o Beta), el científico de datos 'informa' al modelo con límites razonables basados en la realidad del negocio: por ejemplo, establecer que el ROI de Meta Ads tiene un prior centrado en 2.0 con una desviación estándar de 0.5, respaldado por un estudio de Conversion Lift reciente.
Si los nuevos datos de ventas son muy contundentes y masivos, el modelo puede mover el prior; pero si los datos son ruidosos o escasos, el prior actúa como un ancla gravitacional que impide que el modelo extraiga conclusiones aberrantes.
Ejemplo en la Práctica
Se define un prior Beta Half-Normal(0, 0.5) para YouTube Ads; el modelo se restringe a buscar solo coeficientes positivos de retorno publicitario consistentes con los experimentos previos.