Qué anunció Google sobre Meridian el 10 de septiembre de 2026
El anuncio público de Google describe tres novedades de Meridian: capacidades agentic para auditar la calidad de los datos, resolver errores y orientar la construcción del modelo en tiempo real; actualizaciones del backend para que los análisis corran más rápido y de forma más eficiente; y la posibilidad de incluir señales de marca relevantes directamente en el modelo, por ejemplo Branded Google Query Volume. El anuncio no publica benchmarks de velocidad, una interfaz, pasos de configuración ni una promesa de habilitación para una cuenta concreta, así que no inferimos ninguno de esos detalles.
Esto no reemplaza la validación de un MMM: que una capacidad esté anunciada no demuestra que el modelo de una cuenta ya la tenga disponible ni que una estimación sea causal por sí sola. Para la lectura específica de Data Strength Uplift —conversiones adicionales recuperadas por una configuración de datos propios, no causalidad, ROI ni nuestro score— consulta Data Strength: novedades 2026.
¿Qué es un MMM y por qué volvió a importar?
Un MMM es una técnica estadística que mide el impacto de las campañas y actividades de marketing usando datos agregados, no información a nivel usuario. Como explica Google en el repositorio de Meridian, el MMM es privacy-safe justamente porque no usa cookies ni datos de usuario individual, y permite considerar factores no publicitarios que también mueven las ventas.
Google también reconoce el límite de los MMM tradicionales: fueron construidos para medios offline y branding, y históricamente no lograron medir bien medios de performance como Search ni campañas potenciadas por IA. Meridian nace para cubrir ese hueco.
¿En qué se diferencia Meridian de la atribución?
No compiten: responden preguntas distintas.
| Dimensión | Atribución (GA4, Google Ads) | MMM (Meridian) |
|---|---|---|
| Unidad de análisis | Usuario y punto de contacto observable | Datos agregados por canal, geo y período |
| Cobertura de canales | Digital medible con tags | Todos los canales, incluidos TV, radio, OOH y medios no digitales |
| Factores externos | No los modela | Modela precio, promociones, estacionalidad y otros controles |
| Dependencia de cookies | Sí, parcial | No: usa datos agregados |
| Horizonte | Corto plazo, efecto inmediato | Incluye efectos de largo plazo del branding |
| Frecuencia de uso | Diario u operativo | Trimestral o semestral, para planificación |
La forma correcta de usarlos es en conjunto: la atribución para operar el día a día, el MMM para decidir el reparto de presupuesto entre canales, y los experimentos de incrementalidad para calibrar ambos. Meridian, de hecho, permite integrar resultados de experimentos de incrementalidad como priors del modelo, independientemente del canal o el tipo de experimento. La comparación detallada de cuándo cada enfoque es el correcto está en la guía de MMM vs. atribución. Para diseñar y leer los experimentos que sirven de calibración —Conversion Lift basado en geografía es el más común— revisa la guía de experimentos de Conversion Lift y GeoX.
¿Qué hace distinto a Meridian?
Según la documentación de Google, sus diferenciales son:
- Inferencia causal bayesiana: el modelo combina tu conocimiento previo (priors) con los datos observados para estimar el impacto incremental real.
- Modelado geo-level: soporta datos por geografía, que contienen más información estadística, mejoran la estimación del efecto de los medios y entregan insights regionales.
- Reach y frecuencia: permite usar reach y frecuencia como inputs en lugar de solo impresiones. Diez impresiones pueden ser diez personas alcanzadas una vez o una persona alcanzada diez veces, y el impacto de negocio es distinto.
- Variables de control enriquecidas: la documentación existente describe Google Query Volume (GQV) como una variable de control/confusora que ayuda a separar la demanda orgánica de marca del efecto de la publicidad, especialmente en Search. Es distinto de la novedad anunciada en septiembre de 2026: incorporar señales de marca como Branded Google Query Volume directamente en los modelos. No hay que tratar el control GQV existente y esa señal de marca como si fueran la misma función.
- Capacidades agentic y backend: el anuncio describe capacidades para auditar calidad, resolver errores y orientar la construcción del modelo, junto con actualizaciones del backend para análisis más rápidos y eficientes. No publica el flujo operativo ni detalles técnicos suficientes para prometer una forma concreta de uso.
- Medios orgánicos y tratamientos no-media: newsletters, contenido, promociones, precio y cambios de packaging pueden entrar al modelo.
- Optimización y escenarios: no termina en un reporte de ROI, sino en recomendaciones de asignación de presupuesto y curvas de respuesta con intervalos de credibilidad.
Google también lanzó un programa de partners con más de 20 socios de medición entrenados y certificados en Meridian.
Mide qué canales generan crecimiento incremental
Te ayudamos a evaluar si tu volumen y tus datos están listos para un MMM y qué decisiones puede responder Meridian.
- 1
Diagnóstico gratuito de tu stack GMP
Un especialista revisa tu implementación actual (GA4, GTM, DV360, Ads) y te dice qué priorizar primero.
- 2
Plan de acción a medida
Sales de la llamada con next steps concretos para tu cuenta, no con una plantilla genérica.
- 3
Sin compromiso, sin venta forzada
Hablas con un especialista técnico, no con un vendedor. Si no encajamos, te lo decimos.
Respuesta a la brevedad
Evaluar Meridian para mi negocio
Completa el form y coordinamos una asesoría sobre tu caso.
Cargando el formulario seguro de HubSpot…
No pudimos cargar el formulario. Puedes escribirnos a hola@leadaki.com .
Este formulario lo provee HubSpot y los datos que envíes se procesan allí. Consulta nuestra política de privacidad .
Sin compromiso · Google Marketing Platform Sales Partner
¿Qué datos necesitas para correr Meridian?
La documentación define los tipos de datos requeridos:
| Tipo de dato | Descripción |
|---|---|
| Media data | Métrica de exposición por canal, geo y período (spend, impresiones, clics). Valores no negativos |
| Media spend | Inversión por canal y período, con las mismas dimensiones que media data |
| Control variables | Variables de control para estimar el efecto causal correctamente; Google Query Volume (GQV) puede actuar como confusor de Search. No es lo mismo que la señal de marca Branded Google Query Volume anunciada en 2026 |
| KPI | Variable respuesta del modelo: ingresos, unidades vendidas, conversiones o instalaciones |
| Revenue per KPI (opcional) | Ingreso promedio por unidad de KPI, no necesario si el KPI ya es revenue |
| Geo population (opcional) | Población por geo, usada para escalar métricas entre geografías |
Hay tres reglas duras que conviene tener claras antes de armar el dataset:
- Todo debe ser sumable. El KPI y las métricas de medios tienen que sumar con sentido a lo largo de geo y tiempo: clics, impresiones, inversión, unidades. Las tasas y promedios (CTR, CPC, ROAS) no se pueden usar. Si tu plataforma exporta CTR, calcula los clics reales antes de cargar.
- Granularidad semanal. Google recomienda datos semanales como mejor práctica: es el equilibrio entre variación y ruido. Los datos diarios alargan mucho el runtime y los mensuales tienden a producir no convergencia o intervalos de credibilidad muy anchos.
- Agregación por canal. Las plataformas reportan por campaña, ad group o creatividad; Meridian modela a nivel canal. Los canales de baja inversión conviene combinarlos con otros para evitar problemas en la estimación de ROI.
¿Cuánto historial hace falta?
La regla general de Google: mínimo dos años de datos semanales para modelos geo-level y tres años para modelos nacionales. Con solo datos mensuales, el mínimo recomendado sube a tres años.
La razón es de grados de libertad. La documentación usa un ejemplo directo: con 12 canales de medios, seis controles y ocho knots tienes 26 parámetros; con dos años de datos semanales (104 puntos) quedan cuatro puntos por parámetro, una muestra demasiado chica para estimar el modelo de forma confiable. Reduciendo a tres canales, dos knots y sumando un tercer año, se llega a unos 15 puntos por parámetro, donde ya se puede extraer información direccional.
Requisitos técnicos
Meridian se instala desde PyPI:
pip install --upgrade google-meridianRequiere Python 3.11 a 3.13. Google recomienda un mínimo de una GPU y aclara que el proyecto fue probado sobre GPU T4 con 16 GB de RAM. Para usuarios de Linux con GPU existe el extra google-meridian[and-cuda], que necesita el toolchain de CUDA. Para macOS no hay soporte oficial de GPU. Si venías de LightweightMMM, Google publica una guía de migración.
¿Cuándo tiene sentido Meridian en LatAm?
Un MMM no es para cualquier operación. Estas son las condiciones que lo justifican:
- Mix multicanal real: si el 95% de la inversión está en Google Ads y Meta, el MMM va a decir poco que la atribución y los experimentos no digan mejor y más rápido.
- Historial limpio de dos a tres años: cambios de tracking, migraciones de plataforma o huecos largos de datos destruyen el modelo. Este suele ser el cuello de botella real en la región.
- Presencia de medios offline: TV abierta, radio y vía pública siguen pesando en el mix de muchas marcas de LatAm, y son exactamente lo que la atribución digital no ve.
- Variación en la inversión: si el presupuesto por canal fue plano durante tres años, el modelo no tiene de dónde aprender.
- Capacidad analítica: alguien tiene que correr Python, evaluar convergencia y leer intervalos de credibilidad, o trabajar con un partner que lo haga.
- Ciclo de decisión adecuado: el MMM alimenta la planificación trimestral o anual, no la optimización de la semana.
Si estás en la etapa previa, la prioridad es la calidad de los datos que después van a alimentar cualquier modelo: mide el estado actual con el GA4 Data Strength Score, asegúrate de que tu tagging esté sano con la auditoría de tagging y Consent Mode y distingue ese score del Data Strength Uplift anunciado en 2026. Para dimensionar el mix antes de modelar, la calculadora de presupuesto de medios te da un punto de partida.
Los experimentos de incrementalidad son el puente que ancla el modelo a evidencia causal en lugar de solo a correlaciones históricas. Si quieres entender el método, el diseño de esos estudios y cómo leer los resultados económicos, el artículo de estudios de incrementalidad es el punto de partida. Si quieres evaluar si tu operación tiene la madurez de datos para un MMM, habla con un especialista de Leadaki.