Il paid media si pilota per tranche marginali, non per ROAS medio.
Stato della prova
Che cosa è stato riprodotto e che cosa non dimostra.
La fixture e l'esecuzione Python verificano la curva di risposta saturante, il rendimento marginale robusto e i vincoli dell'allocatore didattico usato dall'esempio a fasce. Non verificano né incrementalità, né ROAS, né l'efficacia di un inventario media reale.
- Specifica tecnica dell'allocatore di budget, specifica in francese (si apre in una nuova scheda)
v1, 31 agosto 2026 · CC BY 4.0 · specifica in francese · Documento di metodo redatto da marketing-mix.net. Le cifre sono illustrative: non sono misurazioni di mercato.
Cosa occorre distinguere
Tre condizioni prima di ogni calcolo.
Incremento anziché attribuzione
Le piattaforme descrivono le conversioni associate alle loro interazioni. Al budget servono le vendite che altrimenti non ci sarebbero state. Test di pausa, esperimenti geografici e calibrazione MMM avvicinano le metriche operative a quell’estimando.
Curva e dominio
Un rendimento medio a 200 k€ non predice il rendimento dei 50 k€ successivi. Stimare la pendenza locale, pubblicare il supporto osservato e penalizzare l’estrapolazione. Una tranche non testata può essere finanziata come apprendimento, ma non presentata come rendimento certo.
Ruoli e sinergie
Creare e catturare la domanda non si sostituiscono meccanicamente. Documentare le interazioni, i ritardi e le soglie di presenza. Un taglio su un canale di copertura può indebolire un canale di ricerca diverse settimane dopo.
Metodo
Allocare il paid media per contributo marginale
- 01Normalizzare l’economia
Convertire gli effetti in contributo al netto di margine, sconti, resi e costi variabili; scegliere un orizzonte comune e separare effetti immediati, differiti e di marca.
- 02Stimare le curve
Combinare dati storici, esperimenti e prior comparabili; calcolare il rendimento marginale per tranche e il suo intervallo; segnalare collinearità, saturazione e dominio di estrapolazione.
- 03Formalizzare i vincoli
Definire minimi di presenza, massimi di capacità, impegni, copertura, diversificazione e budget di apprendimento; misurare il costo opportunità di ogni vincolo.
- 04Riallocare per fasi
Classificare le tranche per rendimento prudenziale, finanziare fino alla soglia e riservare poi una quota all’apprendimento; ricalcolare dopo ogni finestra compatibile con il ritardo dell’effetto.
La mappa delle tranche marginali di paid media
I canali sono scomposti in tranche finanziabili, ciascuna con il proprio margine di contribuzione, livello di confidenza e ruolo.
Spostare 150 k€ crea 72 k€ di margine di contribuzione senza aumentare il budget
Ricerca, social, video e CRM ricevono 500 k€, 300 k€, 400 k€ e 100 k€. Le prossime tranche da 50 k€ hanno margini di contribuzione incrementali centrali di 22 k€, 15 k€, 31 k€ e 34 k€, con limiti prudenziali di 12 k€, 4 k€, 18 k€ e 25 k€.
Tre tranche social e ricerca hanno rendimenti prudenziali di 0,08, 0,24 e 0,26. Le tranche CRM, video e una seconda tranche CRM valgono 0,50, 0,36 e 0,32. Riallocare 150 k€ porta il margine di contribuzione prudenziale da 29 k€ a 59 k€, cioè +30 k€. Nello scenario centrale, il guadagno raggiunge 72 k€. Il minimo video di 350 k€ protegge la copertura.
Il piano finanzia prima CRM e poi video, riduce social e una tranche di ricerca, e conserva 40 k€ per testare una nuova audience. Il ROAS medio non è stato usato per stabilire le priorità.
Condizioni di accettazione
Le condizioni per agire.
- 01
Tutti i canali sono confrontati su un margine di contribuzione incrementale comune.
- 02
Ogni tranche indica pendenza, intervallo e dominio osservato.
- 03
Sinergie e soglie di presenza sono trattate come vincoli espliciti.
- 04
Una quota del budget finanzia l’apprendimento quando l’incertezza ha valore.
Limiti
Ciò che questa analisi non dimostra.
- Le curve storiche possono cambiare con creatività, targeting e concorrenza.
- Gli effetti differiti rendono instabili le riallocazioni troppo frequenti.
- La granularità per canale nasconde talvolta forti differenze tra audience e creatività.
Riferimenti
Opere citate.
- Danaher, P. J. & van Heerde, H. J. (2018), « Delusion in Attribution », Journal of Marketing Research.
- Kohavi, R., Tang, D. & Xu, Y. (2020), Trustworthy Online Controlled Experiments.
- Naik, P. A. & Raman, K. (2003), « Understanding the Impact of Synergy in Multimedia Communications », Journal of Marketing Research.