Curve di risposta: una libreria di forme testabili e comparabili.

Domanda decisionaleQuale forma di curva adottare e in quale intervallo utilizzarla?

DECISIONE SUPPORTATAUsare una curva soltanto nel suo intervallo documentato e adottare la forma più semplice la cui pendenza marginale resti stabile sotto validazione e sensibilità.

Calcolo riproducibile

Specifica e limiti del calcolo pubblicato.

Questo file verifica l’aritmetica locale del modello didattico. Non trasforma le ipotesi dichiarate in prove di rendimento di mercato o causalità.

  1. Specifica tecnica della libreria delle curve di risposta (si apre in una nuova scheda)

    v1, 31 agosto 2026 · CC BY 4.0 · Specifica proprietaria di profili di risposta normalizzati, senza calibrazione di mercato né rendimento commerciale osservato.

Cosa occorre distinguere

Tre condizioni prima di calcolare.

01

Normalizzazione

Confrontate le forme su spesa e risposta normalizzate prima di ricalibrare i parametri nelle unità economiche della decisione.

02

Campo osservato

Separate campi osservato, testato ed estrapolato. Un buon adattamento nel campo non convalida una raccomandazione fuori da esso.

03

Pendenza e incertezza

Pendenza marginale al budget previsto e relativa incertezza stabiliscono se una classifica è abbastanza stabile per spostare spesa.

Metodo

Leggere una curva come ipotesi decisionale

  1. 01Scegliere i vincoli di forma

    Stabilite se il meccanismo richiede monotonia, saturazione, una soglia o cambiamenti locali.

  2. 02Stimare unità coerenti

    Esprimete spesa e risposta in unità realmente collegate e allineate l’orizzonte all’adstock.

  3. 03Validare la pendenza

    Confrontate errore fuori campione, stabilità dei parametri, residui, derivata e semi-saturazione su più finestre.

  4. 04Documentare il campo

    Pubblicate spesa minima e massima osservata, campo utilizzabile e regola di aggiornamento; oltre quel campo si apprende, non si prevede.

RISORSA ORIGINALE

Quattro profili normalizzati sullo stesso budget

Le risposte sono indicizzate a 100 per confrontare forma, semi-saturazione, pendenza marginale al budget corrente e comportamento fuori campo.

050100150200300 k€
Linearefuori campo
1025456585100
Esponenzialeselezionata
83862788896
Hillsensibilità
42658768692
Splinenel campo
63461778691
Supporto osservato: 0–200 mila €300 mila € = estrapolazione
JSONScaricare profili e parametri↓
ESEMPIO ILLUSTRATIVO · DATI SIMULATI

Stesso adattamento, 50,48 k€ di divergenza fuori dal supporto.

01 · SITUAZIONE

Cinque osservazioni tra 0 e 200 mila € sono adattate con saturazione esponenziale e curva di Hill. Il loro errore di validazione differisce di soli 1,6 punti. Il budget previsto è di 300 mila €, mentre il massimo osservato è di 200 mila €.

02 · CALCOLO

A 200 mila €, le risposte pubblicate valgono 108,08 e 103,22 unità. A 300 mila €, l’esponenziale prevede 118,78 unità e Hill 112,47. Con 8 mila € di contribuzione per unità, la differenza di estrapolazione è (118,78 − 112,47) × 8 = 50,48 mila €. Le pendenze pubblicate a 200 mila € sono 0,1692 e 0,1362 unità per mille €; la loro incertezza va stimata prima di qualsiasi classifica.

03 · DECISIONE

La biblioteca classifica 300 mila € come fuori dal campo documentato. Non raccomanda alcuna spesa oltre 200 mila € senza un test: un incremento di 20 mila € può servire ad apprendere la pendenza. La scarsa differenza di adattamento non giustifica un’estrapolazione non testata.

Condizioni di accettazione

Le condizioni per agire.

  1. 01

    La forma ha un meccanismo e vincoli giustificati.

  2. 02

    La spesa raccomandata resta nel campo osservato o testato.

  3. 03

    La pendenza marginale e il relativo intervallo sono pubblicati al budget decisionale.

  4. 04

    Un’estrapolazione rilevante viene finanziata come apprendimento sequenziale.

Limiti

Ciò che questa analisi non dimostra.

  • Questa biblioteca didattica non sostituisce la calibrazione specifica per mercato.
  • Adstock, targeting e qualità creativa possono spostare una curva nel tempo.
  • Le curve monocanale descrivono male sinergie e sostituzioni.

Riferimenti

Opere citate.

  1. Little, J. D. C. (1979), « Aggregate Advertising Models: The State of the Art », Operations Research, 27(4), 629–667.
  2. Jin, Y. et al. (2017), « Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects », Google Research.
  3. Hill, A. V. (1910), « The Possible Effects of the Aggregation of the Molecules of Haemoglobin on Its Dissociation Curves », Journal of Physiology, 40, iv–vii.

Stato della prova

Che cosa è stato riprodotto e che cosa non dimostra.

Il JSON e Python verificano quattro profili, il supporto massimo 200 e lo scostamento di estrapolazione illustrativo di 50,48 k€. Non dimostrano né calibrazione di mercato né rendimento causale.