Incrementality Testing: Definition & Hur Det Fungerar

Incrementality testing är ett kontrollerat experiment som mäter hur mycket av dina rapporterade konverteringar en annonskanal faktiskt orsakar, snarare än hur många konverteringar plattformens pixel helt enkelt tar åt sig äran för. Du håller tillbaka en grupp användare eller geografier från att se en specifik kanals annonser, och jämför sedan resultatet mot en grupp som såg dem. Vilket gap som ännu finns mellan de två grupperna är kanalens verkliga, inkrementella bidrag. Allt annat är konverteringar som skulle ha hänt ändå.

Varför plattformsrapporterade siffror överskattar resultat#

Varje annonsnätverk vill få äran för ett köp. Om någon redan skulle köpa via organisk sökning eller ett klick på ett märkessökord, och också råkade se en retargeting-annons på vägen, kan standard konverteringsspårning fortfarande ge den äran till annonsen inom dess attribueringsfönster. Ännu mjukare kreditering, där en plattform räknar en konvertering efter att någon bara såg en annons, förvärrar problemet; den mekanismen kallas view-through attribution. Incrementality testing rensar bort detta brus genom att ställa en mer rak fråga: om den här kanalen hade spenderat noll dollar den här månaden, skulle konverteringen fortfarande ha hänt?

Det är en annan fråga än vad en spårningspixel svarar på själv, vilket är anledningen till att team som kör sexsiffriga månadsbudgetar på native eller sociala medier så småningom bygger ett incrementality-program bredvid sina plattformspaneler, inte istället för dem.

Hur team kör det i praktiken#

Två designs täcker de flesta verkliga fall. Ett geo-nivåtest pausar en kanal helt i en uppsättning matchade regioner och jämför konverteringsgrad mot regioner där spenderingen fortsatte. Ett användarnivåtest använder annonsplattformens inbyggda verktyg för konverteringslyft, som erbjuds internt av flera demand-side platforms, för att undanhålla annonser från ett slumpmässigt urval av publiken.

Oavsett vilket är matematiken densamma: inkrementell lyft är lika med testgruppens konverteringsgrad minus kontrollgruppens konverteringsgrad. En kanal som visar en stark självrapporterad ROAS i plattformen kan visa nära noll inkrementell lyft när en ren kontrollgrupp tar bort de användare som skulle ha konverterat oavsett.

Vad det används till#

Mediaköpare kör incrementality-tester för att besluta om budgetallokering över nätverk, inte bara för att granska en kanal i isolering. Ett mönster vi ser i indexet: varumärken som kör samma kreativa vinkel samtidigt över flera nätverk antar ofta att alla bidrar, när ett lyfttest visar att en kanal mestadels återtar efterfrågan som en annan redan skapat.

Innan man kör ett formellt test börjar de flesta team med att titta på vad konkurrenter inom deras bransch faktiskt skalar upp, eftersom en kanal full av lång annonslivslängd är en hyfsad proxy för var inkrementell budget tenderar att fungera. OpenAdLibrary:s annonsintelligensverktyg låter dig kontrollera kreativ överlappning och körtid över nätverk innan du förbinder test-annonsbudget till en kontrollgrupp.

Vanliga misstag#

Kontrollgruppen måste vara tillräckligt stor och tillräckligt slumpmässig för att upptäcka en verklig signal, inte bara brus. Ett enveckastest på en lågvolymskanal når vanligtvis inte statistisk signifikans. Team kör också ofta testet under en säsongsmässig topp eller en helsajtkampanj, vilket förorenar båda grupperna lika mycket och gör lyftsiffran meningslös. Kör testet under en representativ period, dimensionera kontrollgruppen med en korrekt power-beräkning, och sluta inte tidigt bara för att det preliminära talet ser bra ut, eller dåligt ut.