400 €Ricavi attribuiti÷50 €Investimento=8
Incrementalità
Una sola domanda: cosa sarebbe successo senza questa campagna? L’incrementalità confronta persone esposte e non esposte, isola l’effetto reale del media e verifica l’MMM sul campo.
Che cos’è l’incrementalità?
Prendiamo una campagna. Tra le persone che l’hanno vista, il 20% acquista il prodotto. L’istinto è attribuire tutto quel 20% alla campagna. Eppure acquistano anche persone non esposte: conoscevano già il brand, hanno visto un altro annuncio o sarebbero arrivate comunque.
L’effetto reale non è quindi il totale osservato tra gli esposti, ma la differenza rispetto a un gruppo di controllo comparabile. Un esperimento di incrementalità stabilisce questo nesso causale. Il limite: misura una leva in un periodo definito, non l’intero mix.
Gruppo esposto4 acquisti osservati
Gruppo non esposto3 acquisti senza campagna
4 − 3 =11 acquisto incrementale
ROAS o iROAS: la differenza in un esempio
Una campagna costa 50 €. Tra gli esposti si osservano quattro acquisti da 100 €. Il gruppo non esposto mostra che tre sarebbero avvenuti senza campagna.
400 € − 300 €Ricavi attribuiti − Ricavi senza campagna÷50 €Investimento=2
Il dato su cui deciderePerché l’attribuzione da sola non basta
L’attribuzione distribuisce il credito di una conversione tra i touchpoint. Misura l’efficacia relativa, non l’impatto causale. Il multi-touch non risolve il problema: ogni piattaforma rivendica conversioni nel proprio report. Senza un riferimento esterno, la somma può superare la realtà.
Attribuzione calibrata →Vendite rivendicate1 000 000
≠
Vendite reali500 000
Quattro famiglie di metodi, due scalabili
Tutti rispondono alla stessa domanda controfattuale con disegni diversi. Gli ultimi due usano maggiormente i dati esistenti e sono più ripetibili.
Geo lift testing
Confrontare due aree geografiche simili, una esposta alla campagna e una no.
A/B lift testing
Creare due segmenti di pubblico sullo stesso media e misurare la differenza.
Accelerato dall’IA
Controllo sintetico
Sospendere una leva e stimare con un algoritmo cosa sarebbe successo senza la pausa.
Accelerato dall’IA
Variazioni di spesa
Variare gli investimenti a budget totale costante e calcolare i lift generati.
Come entrano questi risultati nel modello
mediaROI non esegue i test. I risultati disponibili — prodotti dai tuoi team, dalle piattaforme o dai partner di misurazione — entrano nell’MMM bayesiano come prior. Informano il modello su una leva e un periodo senza costringerlo a riprodurre il dato.
Più una leva è documentata dai test, meglio il modello separa canali che si muovono insieme. Gli apprendimenti passati smettono di essere slide archiviate e diventano un input statistico.
Risultati di incrementalità
Prior
MMM bayesiano
Attribuzione calibrata
Risultati forniti dai tuoi team, dalle piattaforme o dai partner di misurazione.
Tre metodi che si controllano a vicenda
Nessuno basta da solo. Quando convergono, puoi allocare il budget senza discutere il metodo.
MMM
La visione olistica e fonte di verità: tutte le leve, la baseline e le variabili esterne.
Attribuzione calibrata
La lettura quotidiana per campagna, corretta dai coefficienti dell’MMM.
Incrementalità
La verifica causale puntuale che confronta e informa il modello.
Scopri la piattaforma
30 minuti per esplorare un modello completo e fare le tue domande