Nell’articolo sul CAC multicanale avevamo lasciato una domanda in sospeso: se due canali si contendono lo stesso pubblico, tagliare quello con il CAC più alto è quasi sempre la decisione sbagliata, perché il confronto tra costi non dice cosa succede al volume di conversioni complessivo se quel canale viene tolto. Quella domanda ha un nome preciso in ambito di misurazione — incrementalità — ed è probabilmente lo strumento di misurazione più sottoutilizzato tra quelli disponibili a chi pianifica marketing, nonostante sia anche l’unico capace di rispondere in modo davvero causale a una domanda che l’attribuzione e il marketing mix modeling possono solo stimare.
Una domanda diversa da quella a cui risponde l’attribuzione
L’attribuzione, in qualunque sua forma, distribuisce il merito di una conversione già avvenuta tra i touchpoint osservati. Il marketing mix model stima il contributo di un canale a partire da serie storiche aggregate. Nessuno dei due, per come sono costruiti, risponde alla domanda più semplice e più importante: se questo canale non fosse esistito, quella vendita sarebbe comunque avvenuta? Un test di incrementalità risponde esattamente a questo, con un impianto sperimentale — un gruppo esposto alla pubblicità e un gruppo di controllo che non lo è — che permette di misurare la differenza reale tra i due, invece di stimarla a partire da un modello statistico costruito su dati osservazionali.
Secondo un sondaggio di EMARKETER e TransUnion condotto a luglio 2025, oltre la metà degli inserzionisti e delle agenzie statunitensi — circa il 52% — dichiara di usare già test di incrementalità per misurare le proprie campagne, un segnale che questo approccio è passato da pratica di nicchia a strumento ordinario di misurazione, spinto in parte proprio dai limiti del tracciamento individuale discussi altrove su questa testata.
I tre disegni sperimentali principali
Il primo, e più diretto quando è applicabile, è l’holdout randomizzato a livello di audience: si sottrae in modo casuale una parte del pubblico target dall’esposizione alla pubblicità, e si confronta il tasso di conversione tra chi l’ha vista e chi no. Funziona bene quando l’azienda dispone di un’anagrafica di prima parte solida e sufficientemente ampia da consentire una randomizzazione statisticamente valida — il caso più citato in questo senso è quello di una grande catena di supermercati americana che, sfruttando i dati del proprio programma fedeltà su circa il 95% delle transazioni, è riuscita a ottenere risultati di test in meno di due settimane, un tempo molto più rapido di quanto normalmente richieda un test di incrementalità.
Il secondo è l’esperimento geografico: si designano alcune aree geografiche come mercati di test, dove la pubblicità continua o viene intensificata, e altre come mercati di controllo, tenute a condizioni invariate, poi si confrontano le vendite tra i due gruppi di aree. È il disegno da usare quando un holdout a livello di singolo utente non è tecnicamente possibile — canali come la TV lineare o l’out-of-home non permettono di escludere selettivamente singoli individui dall’esposizione, ma permettono di escludere intere aree geografiche. Google descrive questo approccio, nella propria implementazione chiamata Conversion Lift, come un metodo per misurare l’impatto causale e incrementale delle campagne; Meta lo posiziona come l’opzione praticabile quando la misurazione a livello di singolo utente è bloccata da restrizioni sulla privacy. Un dettaglio metodologico che fa la differenza tra un test valido e uno inquinato: le aree geografiche scelte devono essere sufficientemente non sovrapposte tra loro, altrimenti persone che si spostano tra un’area e l’altra, o media nazionali visibili anche nelle aree di controllo, contaminano il gruppo di controllo e ne compromettono la validità come termine di paragone.
Il terzo, meno intuitivo ma utile quando nessuno dei primi due è praticabile, è il gruppo di controllo sintetico: invece di un gruppo di controllo reale, si costruisce statisticamente un controllo virtuale a partire su dati storici, stimando cosa sarebbe probabilmente successo in assenza della campagna sulla base dell’andamento passato. È l’approccio con il compromesso metodologico più alto tra i tre, perché non isola una condizione sperimentale reale ma la stima, e va trattato con la stessa cautela riservata a qualunque stima costruita su dati storici piuttosto che osservata direttamente.
Un caso concreto
Una catena di supermercati ha condotto un test di holdout geografico, sospendendo tutte le proprie campagne di ricerca a pagamento non a marchio in dodici mercati di test. Il risultato: una crescita delle vendite dello 0% rispetto ai mercati di controllo, il che significa che spegnere quelle campagne non ha prodotto alcuna perdita di vendite misurabile. La conclusione operativa è stata che quel budget veniva speso per intercettare una domanda che si sarebbe materializzata comunque, non per generarne di nuova, e l’azienda ha spostato quel budget verso una strategia di CTV in crescita. È esattamente il tipo di risultato che un modello di attribuzione last-click non avrebbe mai potuto rivelare, perché quel modello avrebbe continuato ad attribuire a quelle campagne il merito di conversioni che sarebbero avvenute comunque.
Dove il test va storto
Il primo errore, il più comune, riguarda la potenza statistica: un test lanciato con un campione troppo piccolo, o su un canale il cui effetto atteso è troppo debole rispetto al rumore naturale delle vendite, non ha la sensibilità necessaria per distinguere un effetto reale da una fluttuazione casuale. Prima di lanciare un test va calcolata la dimensione minima dell’effetto rilevabile con il campione disponibile, e se quella soglia è più alta dell’effetto che ci si aspetta realisticamente di osservare, il test — per quanto ben disegnato — non produrrà una risposta affidabile, solo l’illusione di averne prodotta una.
Il secondo è la contaminazione tra gruppo di test e gruppo di controllo, già citata a proposito dei test geografici: persone che si spostano fisicamente tra aree, che usano una VPN, o campagne nazionali (una sponsorizzazione televisiva, una menzione stampa) che raggiungono anche le aree di controllo, riducono la differenza osservabile tra i due gruppi e portano a sottostimare l’effetto reale della pubblicità.
Il terzo è la durata insufficiente del test rispetto al ciclo di acquisto del prodotto misurato. Un’agenzia specializzata in test di incrementalità su TikTok riporta una durata media di ventuno giorni per i propri esperimenti geografici — un orizzonte temporale scelto per dare al comportamento d’acquisto il tempo di manifestarsi e stabilizzarsi, non arbitrario. Un test troppo breve rischia di misurare solo l’effetto immediato, perdendo conversioni che maturano con qualche settimana di ritardo rispetto all’esposizione.
Come si combina con attribuzione e MMM
I tre strumenti di misurazione — attribuzione, marketing mix modeling e test di incrementalità — non sono in competizione tra loro, rispondono a domande diverse e a scale temporali diverse. L’attribuzione offre una lettura continua e granulare, aggiornata quotidianamente, ma non causale. Il marketing mix model offre una stima aggregata su tutti i canali, incluso l’offline, ma richiede mesi di storico e non isola un singolo canale con la stessa precisione di un esperimento controllato. Il test di incrementalità offre la risposta più solida dal punto di vista causale, ma è costoso da condurre con la frequenza di un report settimanale, e per questo si usa tipicamente in modo mirato: per calibrare periodicamente le stime prodotte dagli altri due strumenti, verificando che non si siano allontanate troppo dalla realtà osservata, o per rispondere a una domanda specifica e ad alto impatto — tagliare o mantenere un canale che assorbe una quota significativa di budget.
Un test di incrementalità vale l’investimento quando la posta in gioco della decisione lo giustifica: un canale che assorbe una quota rilevante del budget pubblicitario, un dubbio ricorrente sulla sua reale efficacia che nessun report di attribuzione riesce a dissipare, o una decisione strategica — tagliare, raddoppiare, riallocare — che avrà conseguenze misurabili nei mesi successivi. Non ha senso, al contrario, testare l’incrementalità di ogni singola campagna minore: il costo di progettazione e il tempo di attesa del risultato non si giustificano quando la posta in gioco è marginale.
Un errore da evitare
Trattare il risultato di un singolo test di incrementalità come una verità stabile nel tempo. L’efficacia incrementale di un canale cambia insieme al contesto competitivo, alla saturazione del mercato e alla stagionalità, esattamente come cambiano le stime di un marketing mix model discusse altrove su questa testata. Un test condotto un anno fa, per quanto ben disegnato, non garantisce che lo stesso canale mantenga oggi la stessa incrementalità: la domanda “questo canale genera ancora valore reale” va riproposta periodicamente, non archiviata come risolta dopo il primo esperimento.