A incrementalidade é a medida do que não teria acontecido sem o marketing. A IA ajuda em três lugares: desenhar testes melhores, estimar efeitos a partir de mais dados e de dados mais bagunçados, e ler em que partes da audiência ou do mix o efeito se concentra. Ela não fornece o contrafactual. Sem um controle adequado, um modelo vai fazer uma correlação soar causal com muita confiança.
Essa última frase é todo o risco. A IA torna mais fácil produzir um número que parece incrementalidade, e a parte mais difícil do trabalho continua sendo decidir com o que comparar. Os times que pulam esse passo e saltam para o modelo terminam com estimativas elegantes que não conseguem defender quando alguém faz a pergunta óbvia: comparado a quê?
O que a incrementalidade realmente significa
A incrementalidade responde a uma pergunta contrafactual: quantas conversões, vendas ou resultados de marca aconteceram por causa do marketing, em vez de acontecerem de qualquer jeito. As pessoas que teriam comprado sem ver o anúncio não são incrementais, por mais que o anúncio as tenha tocado. A atribuição conta crédito; a incrementalidade mede causalidade, e são perguntas diferentes que muitas vezes discordam.
É por isso que só os dados de atribuição não conseguem estabelecer a incrementalidade. Um relatório de last-click vai dar crédito ao anúncio em que alguém clicou, mas não consegue dizer se a pessoa teria convertido de qualquer forma. Para saber isso, você precisa de um grupo que não recebeu o marketing e de uma forma de comparar. Esse grupo é o contrafactual, e nenhuma sofisticação de modelo o substitui.
Por que atribuição não é incrementalidade
Atribuição e incrementalidade respondem a perguntas diferentes, e confundi-las produz decisões de orçamento erradas com confiança. A atribuição aloca crédito entre pontos de contato por conversões que aconteceram; a incrementalidade estima quantas dessas conversões dependeram do marketing. Um canal pode parecer forte na atribuição e ser quase zero incremental, ou parecer fraco e estar carregando a campanha.
A implicação prática é que a incrementalidade deveria pesar mais do que a atribuição nas decisões de orçamento, e a atribuição é útil principalmente para a otimização em andamento. Quando as duas discordam, confie no experimento. É a disciplina exposta no quadro mais amplo de mensuração em como medir o impacto da IA no marketing, e é ainda mais importante quando a IA está gerando a análise.
Os três trabalhos da IA na incrementalidade
A IA ajuda em três pontos, e vale ser preciso sobre cada um, porque o valor e o risco são diferentes em cada ponto. Desenho: gerar estruturas de teste, cálculos de poder e desenhos candidatos de holdout mais rápido do que um humano, e depois deixar a escolha para uma pessoa. Estimativa: ajustar modelos que extraem sinal de dados grandes ou esparsos onde comparações simples falham. E segmentação: encontrar onde o efeito se concentra, para que uma média combinada não esconda um canal que só funciona para uma audiência.
Em cada caso o modelo é uma ferramenta dentro de um desenho causal, não um substituto para ele. O desenho, em particular, é onde o julgamento ainda domina, porque um teste mal desenhado não dá ao modelo nada para estimar. A IA consegue propor desenhos; um humano que entende o negócio tem que escolher um que de fato rode.
Os métodos principais e onde a IA ajuda
Métodos diferentes de incrementalidade servem a situações diferentes, e o papel da IA varia por método. A tabela abaixo mapeia as abordagens comuns.
| Método | Quando serve | Papel da IA |
|---|---|---|
| Geo holdout | Nível de canal, divisível por região | Desenho, estimativa de efeito, heterogeneidade |
| Switchback | Baseado em tempo, orientado por leilão | Desenho, análise sequencial |
| Ghost bids / PSA | Canais de busca e leilão | Estimativa, curvas de gasto-resposta |
| Controle pareado | Quando um holdout é impossível | Pareamento, checagens de viés |
| MMM | Nível de portfólio, sempre ativo | Ajuste mais rápido, teste de cenários |
Quanto mais um método depende de um contrafactual desenhado, menos se deve confiar na IA para inventar o desenho sozinha. Quanto mais depende de estimar a partir de dados, mais a IA acrescenta. Use a tabela para escolher o método para a situação em vez de usar como padrão o que o modelo lida mais facilmente.
O perigo da causalidade confiante
O modo de falha é um modelo que encontra uma relação em dados observacionais e a apresenta como incremental. Métodos modernos conseguem soar autoritativos enquanto repousam em suposições que não se sustentam — tendências paralelas que não são paralelas, controles contaminados, gasto que responde à demanda em vez de causá-la. A saída parece uma estimativa causal e é na verdade uma correlação sofisticada.
A defesa é manter o contrafactual explícito e testar as suposições. Se o desenho diz que dois grupos são comparáveis, verifique. Se um holdout deveria ser limpo, confirme que nenhuma outra mudança atingiu um dos lados. E esteja disposto a reportar que os dados não conseguem responder à pergunta, que é uma resposta mais útil do que um número que você não consegue defender.
Combinando experimento e modelo
Os sistemas de mensuração mais fortes pareiam um experimento desenhado com um modelo que estende o seu achado. Um geo holdout te dá uma estimativa limpa e crível para um canal numa janela definida; um modelo usa essa estimativa para calibrar uma visão mais ampla entre canais e períodos. O experimento ancora a causalidade, e o modelo fornece cobertura onde você não consegue rodar um teste.
Esse pareamento também é como você lida com os canais em que um holdout é impraticável. Você confia mais no modelo onde ele foi calibrado contra experimentos reais e menos onde não foi. Com o tempo, uma biblioteca de experimentos passados se torna a base de evidência que mantém o modelo sempre ativo honesto, e ela compõe do mesmo jeito que uma camada de memória do cliente.
Um ponto de partida prático
Comece fixando a pergunta contrafactual para cada canal principal: com o que você compararia, e você consegue de fato rodar essa comparação? Onde conseguir, rode um holdout e trate-o como a âncora. Onde não conseguir, use um controle pareado ou um modelo, e rotule a estimativa como mais fraca. Depois use a IA para desenho, estimativa e segmentação dentro desse quadro, e reporte toda estimativa com o seu método e a sua confiança.
Depois construa o hábito de comparar os incrementos do modelo com o próximo experimento. Quando divergem, o experimento vence e o modelo é recalibrado. Esse loop é o que transforma uma pilha de estimativas num sistema de mensuração confiável, e é a mesma disciplina com ou sem IA envolvida.
A decadência da atribuição e por que importa
O vão entre um relatório e uma decisão não é novo; escrevi sobre ele anos atrás em não perca tempo com relatórios, e a IA torna o número mais fácil de produzir sem torná-lo mais causal. Os dados de atribuição decaem por razões que nada têm a ver com a campanha: mudanças de privacidade, perda de identificadores, lacunas de mensuração, e modelagem do lado da plataforma que preenche os buracos com estimativas. Conforme a decadência aumenta, a atribuição se afasta mais da verdade, que é exatamente quando os times se apoiam mais nela porque os sinais mais limpos sumiram. A incrementalidade fica mais valiosa conforme a atribuição enfraquece, não menos.
É a razão prática de investir em testes agora. O contrafactual é a única medida que não depende de rastrear uma pessoa pela internet; depende de comparar grupos. Num mundo de atribuição em decadência, a estimativa baseada em teste é a durável, e o papel do modelo é estendê-la mais longe no plano do que um único experimento conseguiria alcançar sozinho. O corolário é datar as suas estimativas. Um número de incrementalidade de dois anos atrás não é um fato sobre hoje; o leilão, a audiência e o criativo mudaram todos. Reteste de forma contínua e trate estimativas antigas como prioris em vez de verdades. Um sistema de mensuração que nunca expira é um sistema de mensuração silenciosamente desatualizado.
FAQ
A IA consegue nos dizer a incrementalidade sem um teste?
Não. Ela consegue estimar a partir de dados observacionais, e a estimativa repousa em suposições que um teste verificaria. Sem um contrafactual, você está lendo uma correlação e chamando-a de causalidade, por mais sofisticado que seja o método. Use a IA para apoiar um teste desenhado, não para substituir um.
Deveríamos parar de usar atribuição?
Não, mas rebaixe-a. A atribuição é útil para a otimização em andamento e para entender o caminho até a conversão. Para decisões de orçamento, a incrementalidade deveria pesar mais, e quando as duas discordam, o experimento é o que se deve confiar.
Com que frequência deveríamos rodar testes de incrementalidade?
O bastante para ancorar o modelo, tipicamente por canal principal de forma contínua em vez de tudo de uma vez. Cada experimento limpo recalibra a visão sempre ativa e eleva a confiança em todo lugar. Alguns bons testes por ano, bem desenhados, vencem um fluxo constante de testes fracos.
E se não conseguirmos rodar um holdout?
Use um controle pareado, um switchback, ou um modelo, e reporte a estimativa como mais fraca. Rotule o método e a confiança com clareza, e trate qualquer decisão que dependa de uma estimativa fraca como provisória. Ser explícito sobre a limitação é mais crível do que apresentar toda estimativa como igual.
A versão curta
A incrementalidade mede o que não teria acontecido sem o marketing, e a IA ajuda a desenhar testes, estimar efeitos e encontrar onde eles se concentram. Ela nunca fornece o contrafactual, então mantenha um controle e rotule toda estimativa com o seu método. O texto sobre como medir o impacto da IA no marketing cobre as métricas operacionais, e o Guia de Execução coloca a mensuração no fluxo mais amplo. A trilha para líderes de time a percorre através do modelo operacional.
Se você roda incrementalidade, gostaria de saber em qual método você confia menos — normalmente é a resposta honesta.
Abraços, Chandler
Este artigo está disponível em português, mas os materiais do curso (vídeos, templates e guias complementares) estão em inglês, japonês, chinês simplificado e coreano; este site está disponível em 13 idiomas.