Nel 2019 Zalando ha fatto un esperimento che ha mandato all’aria parecchie convinzioni del marketing digitale. Per sei settimane ha smesso di mostrare retargeting ads a un gruppo di clienti fedeli, e ha scoperto che le conversioni sono calate solo del 2%. In altre parole, quei clienti avrebbero comprato comunque, con o senza ads. Eppure i report di piattaforma raccontavano un ROAS apparente sopra l’8x. Era un’illusione contabile: il 98% del fatturato era baseline, non incrementale.
Perché la tua dashboard ROAS può ingannarti
I modelli di attribuzione standard, tipo il last-click, assegnano tutto il merito dell’acquisto all’ultimo touchpoint. Non si chiedono se quella campagna abbia davvero causato la vendita o se fosse solo di passaggio nel percorso. Il risultato è che gonfiano l’efficacia di campagne come il retargeting o il brand search.
| Modello di attribuzione | Funzionamento | Limite principale |
|---|---|---|
| Last-click | 100% del credito all’ultimo touchpoint | Non distingue causa da correlazione, favorisce retargeting |
| First-click | 100% al primo touchpoint | Ignora nurturing e decisioni successive |
| Linear | Credito equamente distribuito | Assume peso uguale per ogni interazione, raramente vero |
| Data-driven (Google) | ML distribuisce credito basato su pattern | Misura correlazione, non causalità |
Nessuno di questi risponde alla domanda che conta: “Se la campagna non fosse esistita, quelle vendite sarebbero arrivate lo stesso?” Per rispondere serve un approccio sperimentale.
Incrementalità: definizione e formula
L’incrementalità misura l’effetto causale di una campagna:
Vendite Incrementali = Vendite nel gruppo esposto - Vendite nel gruppo di controllo
Il gruppo di controllo è identico a quello esposto, con un’unica differenza: non ha visto la campagna. La metrica operativa è l’iROAS (incremental Return on Ad Spend):
iROAS = Revenue incrementale / Spesa pubblicitaria
Se il ROAS di piattaforma è 6x ma l’iROAS è 1.8x, solo il 30% del fatturato attribuito è davvero causale.
Tre metodi per misurare l’incrementalità reale
1. geo-lift test
Divide il mercato in due aree geografiche comparabili: una riceve la campagna, l’altra no. Poi confronta la crescita delle vendite per stimare l’effetto causale.
Esempio: campagna TV in Lombardia (test) contro Piemonte (controllo). Dopo 4 settimane la Lombardia cresce del 14%, il Piemonte del 6%, quindi l’incrementalità stimata è dell’8%.
Il codice Python allegato mostra come analizzare i dati con un approccio difference-in-differences, normalizzando le serie e calcolando l’iROAS.
Limiti: la scelta delle regioni deve garantire trend storici paralleli, e un evento locale può sporcare i risultati.
2. conversion lift study (Meta e google)
Le piattaforme dividono l’audience a caso tra test e controllo. Il gruppo test vede le ads, il controllo no, e si confrontano le conversioni per stimare l’incrementalità.
Vantaggi: randomizzazione a livello utente, lo standard più solido per la causalità.
Svantaggi: c’è un conflitto di interessi, i risultati tendono all’ottimismo, ed è più affidabile sul prospecting che sul retargeting.
3. propensity score analysis (PSA)
Usa il machine learning per stimare la probabilità che un utente sia stato esposto alla campagna, poi confronta utenti simili esposti e non esposti per misurare l’effetto.
Vantaggi: funziona con dati osservazionali, utile quando non puoi randomizzare.
Svantaggi: ti servono tutte le variabili rilevanti, e una variabile nascosta basta a distorcere le stime.
Come calcolare e interpretare l’iROAS
Un esempio semplificato mostra come un ROAS di piattaforma di 6x possa tradursi in un iROAS reale di 1.4x, con il 77% del fatturato attribuito che sarebbe arrivato comunque. Un numero del genere ribalta la percezione di efficacia e cambia le decisioni di riallocazione del budget.
Incrementalità attesa per canale
| Canale | Incrementalità tipica | Motivazione | ROAS piattaforma |
|---|---|---|---|
| Brand Search | 10-30% | Utenti già intenzionati, conversione organica | 15-30x |
| Retargeting | 20-50% | Alta contaminazione da utenti già pronti | 4-8x |
| Social Ads Prospecting | 50-75% | Nuova domanda generata | 2-4x |
| Influencer & Awareness | 60-85% | Domanda ex-novo | 1-3x |
| Email a clienti esistenti | 30-60% | Varia a seconda del tipo di campagna | 3-15x |
Brand search: un caso da rivedere
In molti pensano che un brand search con ROAS 25x sia oro puro. In realtà, se togli l’ad, il traffico organico recupera quasi tutto. eBay ha mostrato che l’incrementalità qui è spesso sotto il 5%. Spostare budget dal brand search al prospecting può migliorare i risultati.
Incrementalità e significatività statistica
Per avere test affidabili servono campioni adeguati: almeno 50 regioni o 4-6 settimane per il geo-lift, 10.000 conversioni per il conversion lift, 1.000 utenti esposti e non per la PSA.
Caso studio: retailer italiano scopre il 40% del budget meta senza incrementi reali
Un retailer ha scoperto che il 41% del budget Meta finiva su segmenti con iROAS vicino a 1x, cioè senza generare vendite incrementali. Spostando quel budget verso nuovi utenti e look-alike, ha tenuto invariato il fatturato e migliorato sia il costo di acquisizione sia il lifetime value.
Costruire una cultura dell’incrementalità
L’ostacolo vero è culturale: KPI facili come il ROAS sembrano sempre più brillanti. Per cambiare passo conviene partire da un canale critico con test rigorosi, presentare la riallocazione del budget come un’ottimizzazione e non come una critica, e infine integrare l’iROAS nelle dashboard di tutti i giorni.
Incrementalità e HADI cycles
L’incrementality testing è una componente avanzata del framework HADI, utile per testare le ipotesi di marketing in modo metodico.
Il punto
Misurare solo il ROAS senza l’incrementalità è come giudicare un farmaco senza gruppo di controllo: non sai cosa è davvero causale. Solo conoscendo l’iROAS paghi per quello che hai effettivamente causato, invece di bruciare budget su vendite che sarebbero arrivate comunque.
I migliori marketing manager non si fermano al ROAS, vanno a cercare l’iROAS. È questa la disciplina di decidere sotto incertezza, tenendo separate correlazione e causalità.
Per approfondire, consulta il nostro modulo su significatività statistica e testing.