Incrementality: la Domanda da un Milione di Euro che Nessuno Vuole Fare

Nel 2019, il colosso tedesco del retail Zalando ha condotto un esperimento che avrebbe fatto tremare molti CFO. Hanno scelto un campione di clienti fedeli che avevano ricevuto retargeting ads per anni, e hanno smesso di mostrargli le ads per 6 settimane. Il risultato? Le conversioni di quel gruppo sono calate del… 2%. I clienti fedeli di Zalando compravano indipendentemente dal retargeting — le ads stava semplicemente prendendosi il credito per acquisti che sarebbero avvenuti comunque.

Nello stesso periodo, il loro retargeting mostrava un ROAS di oltre 8x nei report di piattaforma. Otto euro di revenue per ogni euro speso — sembrava oro. Era invece un miraggio contabile: il 98% di quel revenue era baseline, non incrementale.

Questo e’ il problema dell’incrementalita’, e nel marketing e’ molto piu’ diffuso di quanto si voglia ammettere. Ogni volta che una campagna si “prende il credito” per una vendita che sarebbe avvenuta comunque, stai essenzialmente pagando per qualcosa che non hai guadagnato. Su budget di migliaia di euro al mese, questo errore di misurazione e’ direttamente una perdita di profitto.

Perche’ la Tua Dashboard ROAS ti Sta Mentendo

Il modello di attribuzione standard — nel suo formato piu’ comune, last-click — funziona cosi’: quando un cliente acquista, il 100% del merito della conversione viene assegnato all’ultimo touchpoint registrato prima dell’acquisto. Se l’ultimo click e’ stato su un’ad di retargeting, il ROAS del retargeting conta quella vendita.

Il problema e’ che questo modello non risponde alla domanda giusta. Non risponde “quella campagna ha causato la vendita?” — risponde “quella campagna e’ stata presente nel percorso della vendita?” Sono domande radicalmente diverse.

Immagina questo scenario: Mario ha comprato i tuoi prodotti tre volte negli ultimi due anni. E’ un cliente fedele. Questa settimana stava gia’ pensando di riacquistare — lo aveva nel suo calendario mentale. Poi ha visto una tua ad di retargeting su Instagram, ha cliccato, e ha comprato. Il modello last-click attribuisce il 100% di quella vendita alla campagna Instagram.

Ma quella campagna ha davvero causato la vendita? Mario avrebbe comprato comunque? Probabilmente si’. Il ROAS di quella campagna e’ quindi illusorio.

Nessuno di questi modelli risponde alla domanda fondamentale: “Se questa campagna non fosse esistita, quelle vendite sarebbero avvenute?” Rispondere a quella domanda richiede un approccio sperimentale, non un modello di attribuzione.

Incrementalita’: Definizione e Formula

L’incrementalita’ misura l’effetto causale di una campagna. La formula concettuale e’ semplice:

Vendite Incrementali = Vendite totali nel gruppo esposto - Vendite stimate nel gruppo di controllo (equivalente non esposto)

Il numero che conta e’ il “counterfactual”: cosa sarebbe successo se la campagna non fosse esistita? Per stimarlo, hai bisogno di un gruppo di controllo — persone o aree geografiche identiche al gruppo esposto in tutto, tranne per il fatto che non hanno ricevuto la campagna.

La metrica operativa derivata e’ l’iROAS (incremental Return on Ad Spend):

$iROAS = \frac{\text{Revenue Incrementale}}{\text{Spesa Pubblicitaria}}$

Se il tuo ROAS di piattaforma e’ 6x ma il tuo iROAS e’ 1.8x, significa che solo il 30% del revenue “attribuito” dalla piattaforma era genuinamente causato dalla campagna. Il restante 70% sarebbe arrivato comunque.

I 3 Metodi per Misurare l’Incrementalita’ Reale

Metodo 1: Geo-Lift Test (Geo Holdout)

Il Geo-Lift Test e’ il metodo piu’ versatile e indipendente dalle piattaforme. Divide il mercato in due aree geografiche comparabili (simili per popolazione, PIL pro capite, stagionalita’, storia delle vendite). In una area la campagna e’ attiva; nell’altra no. Confronti la crescita delle vendite tra le due aree nel periodo del test.

Esempio pratico — campagna TV regionale:

Vuoi sapere se una campagna TV in una regione sta davvero portando nuove vendite.

• Gruppo Test: Campagna TV attiva in Lombardia (10 milioni di abitanti, PIL alto)
• Gruppo Controllo: Nessuna campagna in Piemonte (selezionata per similarita’ storica nelle vendite)
• Risultato dopo 4 settimane: Lombardia +14% nelle vendite vs periodo precedente. Piemonte +6% (crescita di base, dovuta alla stagione).
• Incrementalita’ stimata: 14% - 6% = 8%

import pandas as pd
import numpy as np
from scipy import stats

# ---- Geo-Lift Test: analisi Difference-in-Differences ----
# Dati settimanali di vendite prima e durante il test
# per regione test (Lombardia) e regione controllo (Piemonte)

np.random.seed(42)

# Periodo pre-test: 8 settimane
pre_test_weeks = 8
# Periodo test: 4 settimane
test_weeks = 4

# Trend di base condiviso tra le due regioni
baseline_growth = np.linspace(1.00, 1.06, pre_test_weeks + test_weeks)

# Regione controllo: solo trend di base + rumore
piemonte_pre = 1000 * baseline_growth[:pre_test_weeks] + np.random.normal(0, 20, pre_test_weeks)
piemonte_test = 1000 * baseline_growth[pre_test_weeks:] + np.random.normal(0, 20, test_weeks)

# Regione test: stesso trend di base + effetto campagna durante il test
lombardia_pre = 1500 * baseline_growth[:pre_test_weeks] + np.random.normal(0, 30, pre_test_weeks)
effetto_campagna = 1500 * 0.08  # +8% di incremento causale dalla campagna
lombardia_test = 1500 * baseline_growth[pre_test_weeks:] + effetto_campagna + np.random.normal(0, 30, test_weeks)

# Difference-in-Differences:
# Confronta la differenza (Test - Controllo) nel periodo test
# rispetto alla stessa differenza nel periodo pre-test

# Normalizza le serie per confrontarle (indice = 100 nell'ultima settimana pre-test)
norm_factor_piem = piemonte_pre[-1]
norm_factor_lomb = lombardia_pre[-1]

piemonte_norm = np.concatenate([piemonte_pre / norm_factor_piem,
                                 piemonte_test / norm_factor_piem])
lombardia_norm = np.concatenate([lombardia_pre / norm_factor_lomb,
                                  lombardia_test / norm_factor_lomb])

# Crescita media nel periodo test per ciascuna regione
crescita_controllo = piemonte_norm[pre_test_weeks:].mean() / piemonte_norm[:pre_test_weeks].mean() - 1
crescita_test = lombardia_norm[pre_test_weeks:].mean() / lombardia_norm[:pre_test_weeks].mean() - 1

incrementalita_stimata = crescita_test - crescita_controllo

print("=== Risultati Geo-Lift Test ===")
print(f"Crescita Piemonte (controllo): {crescita_controllo:.1%}")
print(f"Crescita Lombardia (test): {crescita_test:.1%}")
print(f"Incrementalita' stimata: {incrementalita_stimata:.1%}")
print(f"\nInterpretazione: la campagna ha causato un incremento di circa il")
print(f"{incrementalita_stimata:.1%} nelle vendite, al netto della crescita organica")

# Calcolo iROAS
spesa_campagna = 50000  # euro
revenue_totale_test_periodo = 1500 * 4 * (1 + crescita_test)  # stima semplificata
revenue_incrementale = revenue_totale_test_periodo * incrementalita_stimata
iroas = revenue_incrementale / spesa_campagna

print(f"\n=== iROAS ===")
print(f"Revenue incrementale stimato: {revenue_incrementale:,.0f} euro")
print(f"Spesa campagna: {spesa_campagna:,.0f} euro")
print(f"iROAS: {iroas:.1f}x")

Limiti del Geo-Lift: la scelta delle regioni di controllo e’ critica. Se le due regioni hanno trend storici diversi, o se eventi locali (fiere, eventi sportivi) distorcono i dati in una delle due, il risultato sara’ inaffidabile. Usa sempre almeno 8-12 settimane di dati storici pre-test per verificare che le due regioni abbiano avuto trend paralleli.

Metodo 2: Conversion Lift Study (Meta e Google)

Meta e Google offrono strumenti nativi per misurare l’incrementalita’. Il meccanismo: la piattaforma divide la tua audience in due gruppi randomizzati — il gruppo test vede le ads, il gruppo di controllo non le vede (o vede ads irrilevanti, nel caso dei “Ghost Ads”). Dopo il periodo di test, la piattaforma confronta le conversioni tra i due gruppi.

Il vantaggio principale e’ la randomizzazione a livello utente — il gold standard statistico per l’attribuzione causale. Ogni utente viene assegnato casualmente a test o controllo, eliminando i bias di selezione che possono distorcere i Geo-Lift.

Lo svantaggio principale e’ il conflitto di interessi strutturale: stai chiedendo alla stessa piattaforma che ti vende le ads di misurare se quelle ads funzionano. Molti advertiser hanno segnalato risultati sistematicamente ottimistici nei Conversion Lift Study di Meta rispetto a misurazioni indipendenti.

Per campagne di prospecting (nuovi utenti), il Conversion Lift e’ piu’ affidabile. Per campagne di retargeting su clienti esistenti, la misurazione indipendente e’ preferibile.

Metodo 3: PSA (Propensity Score Analysis)

Un metodo meno noto ma altamente potente che non dipende da piattaforme o geo-matching. Utilizza il machine learning per costruire un “propensity score” — una probabilita’ calcolata per ogni utente di essere stato selezionato dalla campagna, in base alle sue caratteristiche.

Successivamente, compari i risultati tra utenti simili (stesso propensity score) che hanno ricevuto la campagna versus non l’hanno ricevuta. La differenza nei risultati tra questi due gruppi simili e’ l’effetto incrementale.

Vantaggi: Funziona con dati osservazionali (non richiede un esperimento randomizzato). Utile quando non puoi creare un vero gruppo di controllo.

Svantaggi: Presuppone che tu abbia accesso a tutte le variabili che influenzano sia la selezione che il risultato. Se c’e’ una variabile importante nascosta (hidden confounder), le stime saranno distorte.

Come Calcolare e Interpretare l’iROAS

Una volta misurata l’incrementalita’, il calcolo dell’iROAS e’ diretto:

Caso reale semplificato:

In questo scenario, il 77% del revenue che il modello di attribuzione assegnava alla campagna sarebbe arrivato comunque. Il ROAS di 6x era una finzione contabile. L’iROAS reale di 1.4x e’ ancora positivo — ogni euro speso genera 0.40 euro di margine (assumendo margine lordo del 40%), quindi la campagna e’ profitable — ma e’ molto diverso dal 6x che sembrava.

La domanda diventa: quel 1.4x iROAS e’ il miglior uso possibile di quei 30.000 euro al mese? O con lo stesso budget potresti fare prospecting con un iROAS piu’ alto, acquisendo clienti che non ti conoscono invece di “convincere” clienti che avrebbero comprato comunque?

Incrementalita’ Attesa per Canale: la Mappa del Tesoro

Non tutti i canali hanno la stessa incrementalita’ strutturale. Queste sono stime basate sulla ricerca accademica e su studi interni di grandi advertiser — usale come punto di partenza, non come verita’ assoluta:

La Sorpresa del Brand Search: Perche’ Smettere Potrebbe non Costare Nulla

“Il mio Brand Search ha un ROAS di 25x!” — questa frase la sento regolarmente. E’ quasi sempre un’illusione. Chi cerca il nome del tuo brand su Google lo sta cercando deliberatamente — ha gia’ intenzione di visitarti. Se tolgi l’ads in cima alla pagina, l’utente clicca sul risultato organico (che e’ quasi certamente li’, per le query brand).

La differenza tra cliccare sull’ads e cliccare sul risultato organico e’ sostanzialmente zero per l’utente. Ma per te e’ la differenza tra pagare 0.50-2 euro per click e non pagare niente.

Il test da fare: riduci il budget Brand Search del 50-70% per due settimane e monitora:

1. Il traffico organico da brand keyword (dovrebbe compensare)
2. Il revenue totale (non dovrebbe cambiare significativamente se l’incrementalita’ e’ bassa)
3. Il volume di search brand keyword nelle Search Console (per verificare che non cambi la domanda totale)

eBay ha pubblicato nel 2013 uno studio (Blake, Nosko, Tadelis) che ha testato esattamente questo su larga scala. Hanno smesso di fare Brand Search Ads per diversi mesi. Il traffico organico ha quasi completamente compensato. L’incrementalita’ del Brand Search era sotto il 5%. Hanno risparmiato milioni di dollari di budget che hanno riallocato verso prospecting con incrementalita’ reale molto piu’ alta.

Incrementalita’ e Significativita’ Statistica

Quando esegui un test di incrementalita’, specialmente un geo-lift o un conversion lift, il campione e’ critico. Con troppo pochi dati, non puoi distinguere un vero effetto dal rumore statistico. Leggi il nostro articolo dedicato alla significativita’ statistica per capire come dimensionare i tuoi esperimenti.

In pratica:

• Per un geo-lift test: servono almeno 50 regioni o una durata minima di 4-6 settimane per avere sufficiente varianza.
• Per un conversion lift study: Meta e Google dimensionano automaticamente, ma di solito richiedono almeno 10.000 conversioni nel gruppo di test.
• Per una PSA: con dataset completi, servono almeno 1.000 utenti esposti e 1.000 utenti non esposti.

Caso Studio: Retailer che Scopre il 40% del Budget Meta senza Incrementalita’

Un retailer di moda online italiano ha deciso di misurare l’incrementalita’ del suo budget Meta da 120.000 euro/mese, che “ufficialmente” generava un ROAS di 4.2x secondo i report di Meta.

Ha realizzato un conversion lift study tramite Meta Ads Manager, dividendo la sua audience in 10 coorte diversi (nuovi utenti, clienti fedeli, clienti churned, ecc.). Per ogni coorte, il 50% vedeva gli ads, il 50% non li vedeva.

Risultati per coorte:

Insight chiave: Il 41% del budget (€50k tra “Clienti fedeli” e “Repeat buyer”) aveva un iROAS di 0.7-1.1x, ovvero quasi nessuna incrementalita’. Quei clienti compravano comunque. Il budget non stava creando vendite incrementali: stava pagando per visibilita’ su chi avrebbe comprato indipendentemente.

Azione intrapresa: Riallocazione del budget. I €50k sono stati spostati da retargeting a “Nuovi utenti” e “Look-alike”, dove l’iROAS era 1.7x e 2.2x. Nello stesso periodo, il fatturato e’ rimasto flat o leggermente positivo, ma il costo di acquisizione per cliente nuovo e’ calato del 28%, e il lifetime value e’ salito perche’ i nuovi clienti acquisiti provenivano da audience piu’ rilevanti.

Come Costruire una Cultura dell’Incrementalita’ nel Tuo Team

Il problema piu’ grande non e’ tecnico — e’ culturale. I KPI di piattaforma (ROAS, CTR, CPC) sono facili da misurare e fanno sembrare tutto piu’ efficiente di quanto sia. Introdurre l’incrementalita’ come misura principale crea attrito perche’ abbassa apparentemente i numeri di performance, anche se li rende piu’ accurati.

Strategie per gestire questa transizione:

Inizia con un singolo canale: Non cercare di misurare l’incrementalita’ di tutto simultaneamente. Scegli il canale con la spesa piu’ alta e il maggiore dubbio sull’incrementalita’ (tipicamente retargeting o brand search). Conduci un test rigoroso. Presenta i risultati con il confronto tra ROAS apparente e iROAS reale.

Usa il “budget reallocation” come narrativa: Non presentare l’incrementalita’ come “le tue campagne non funzionano”. Presentala come “stiamo spostando budget da canali con bassa incrementalita’ a canali con alta incrementalita’ per lo stesso revenue totale”. E’ una storia di ottimizzazione, non di critica.

Integra l’iROAS nei KPI regolari: Una volta stabiliti i primi benchmark, includi l’iROAS come metrica standard nelle dashboard mensili, al fianco del ROAS di piattaforma. La trasparenza sul gap tra i due crea la pressione giusta per l’ottimizzazione continua.

Incrementalita’ e HADI Cycles

Per approfondire come testare in modo metodico le tue ipotesi di marketing, leggi il nostro articolo sui cicli HADI. L’incrementalita’ testing e’ uno dei moduli piu’ sofisticati del framework HADI.

Conclusione: Pagare per Cio’ che hai Causato, non per Cio’ che e’ Accaduto

Il marketing senza misurazione dell’incrementalita’ e’ come un medico che valuta l’efficacia di una medicina guardando solo i pazienti che l’hanno presa, senza un gruppo di controllo. I pazienti potrebbero guarire per molte ragioni — la medicina, il sistema immunitario, il riposo, il tempo. Senza il gruppo di controllo, non puoi distinguere.

La stessa logica vale per le campagne marketing. Le vendite possono aumentare mentre la campagna e’ attiva per stagionalita’, per brand equity accumulata nel tempo, per una menzione organica, per un trend di mercato. Se non misuri cosa sarebbe successo senza la campagna, stai attribuendo a te stesso un merito che in parte appartiene ad altri fattori.

I marketing manager bravi sanno il ROAS. Quelli eccellenti sanno l’iROAS. La differenza tra i due e’ la risposta alla domanda piu’ scomoda del marketing: “Quante di queste vendite avremmo avuto comunque?”

Approfondisci il tema della misurazione causale con il nostro modulo su significativita’ statistica e testing.