O que é Incrementalidade (Lift)?
Incrementalidade é a parcela de resultado — vendas, leads, conversões — que foi causada de fato pela mídia e que não teria acontecido sem ela. Formalmente, é a diferença entre o que ocorreu com a exposição ao anúncio e o que teria ocorrido na ausência dela, o chamado contrafactual. O termo "lift" (elevação) é a medida desse ganho incremental: o quanto a campanha "levantou" o resultado acima da linha de base que existiria de qualquer forma.
O conceito ataca o maior erro da mensuração de marketing: confundir correlação com causa. Boa parte das conversões "atribuídas" à mídia aconteceria de qualquer jeito — são pessoas que já estavam decididas a comprar e por acaso passaram por um anúncio no caminho. A incrementalidade isola apenas o que a mídia realmente acrescentou, descontando essa demanda preexistente. Sua base conceitual é a inferência causal: o ideal seria observar a mesma pessoa simultaneamente exposta e não exposta, o que é impossível; por isso recorre-se a grupos comparáveis que aproximam esse contrafactual.
O mecanismo: o problema do contrafactual
Medir incrementalidade exige construir um cenário que não existe — o que teria acontecido sem a campanha. A única forma robusta de aproximá-lo é o experimento aleatorizado: dividir a população em um grupo de teste, que recebe a campanha, e um grupo de controle, estatisticamente equivalente, que não recebe. Como a alocação é aleatória, as duas amostras tendem a ser idênticas em tudo, exceto na exposição ao anúncio. A diferença de resultado entre elas é, então, o efeito causal da mídia — o lift.
O desafio é que esse efeito costuma ser pequeno frente à variação natural das vendas. As vendas oscilam por sazonalidade, clima, preço, concorrência e mil fatores que abafam o sinal do anúncio. Detectar um lift verdadeiro no meio desse ruído exige amostras grandes e desenho cuidadoso — daí a dificuldade econômica de medir o retorno da propaganda apenas observando comportamento.
Por que atribuição não basta
A atribuição de marketing registra que um clique antecedeu uma compra, mas não prova que o clique causou a compra. É uma leitura observacional: ela enxerga a sequência de toques na jornada e distribui crédito segundo uma regra, sem nunca comparar com um contrafactual. O resultado é um viés sistemático — canais de fundo de funil, que aparecem perto da conversão, recebem crédito por vendas que já estavam praticamente fechadas.
Randall Lewis e Justin Rao, no artigo The Unfavorable Economics of Measuring the Returns to Advertising (Quarterly Journal of Economics, 2015), mostraram com dados reais de grandes campanhas o quanto isso é grave. Eles demonstraram que o efeito da propaganda é tão pequeno em relação à variância das vendas que mesmo experimentos com milhões de pessoas têm dificuldade de produzir estimativas precisas — e que métodos observacionais, sem grupo de controle, simplesmente não conseguem separar o efeito real do ruído. As correlações enganam com facilidade.
Como medir incrementalidade
A forma rigorosa é sempre o experimento controlado, com grupos de teste e controle. As principais abordagens são:
- Geo experiments: regiões expostas à campanha são comparadas com regiões de controle não expostas, comparáveis em comportamento histórico. Veja geo-experimentos. É o método mais acessível para mídia que não permite segmentação por usuário, como TV, rádio e out of home.
- Ghost ads / PSA tests: o grupo de controle entra no leilão e teria visto o anúncio, mas recebe um placebo (ou nenhum anúncio, registrado de forma fantasma). Isso garante que teste e controle têm a mesma intenção, eliminando o viés de seleção de quem foi realmente impactado.
- Conversion lift: testes nativos das plataformas, que dividem a audiência em expostos e segurados. São práticos, mas exigem ceticismo: a plataforma é juíza e parte, e nem sempre o desenho do controle é transparente.
Brett Gordon e colegas, em A Comparison of Approaches to Advertising Measurement (Marketing Science, 2019), compararam métodos de atribuição observacional com experimentos de larga escala conduzidos no Facebook. O achado foi contundente: as medições observacionais frequentemente superestimaram o efeito em relação ao experimento, às vezes por margens enormes, e nenhum modelo de atribuição reproduziu de forma confiável o resultado causal. Isso consolida o experimento como padrão-ouro para validar o ROAS e calibrar o Marketing Mix Modeling, cujos coeficientes correlacionais precisam de uma âncora causal.
Exemplos aplicados
- Busca de marca com alto ROAS, baixo lift. Uma campanha de busca pelo próprio nome da marca exibe ROAS altíssimo na atribuição. Um teste de incrementalidade — desligar a campanha em metade das regiões — revela que a maioria desses cliques converteria de qualquer forma pelo resultado orgânico. O lift real é baixo, e parte do orçamento estava pagando por vendas gratuitas.
- Retargeting que colhe demanda. O retargeting impacta quem já visitou o site e quase comprou. A atribuição credita a ele muitas conversões; o experimento mostra que boa parte aconteceria sem o anúncio. O lift incremental é menor do que o ROAS sugere.
- Campanha de marca que parece inútil. O caso inverso: uma campanha de vídeo de topo de funil mostra ROAS atribuído baixo, pois raramente é o último toque. Um geo experiment revela lift significativo nas vendas totais da região exposta — a mídia estava gerando demanda nova que a atribuição não via.
Aplicação prática
Antes de escalar um canal com base em ROAS atribuído, rode um teste de incrementalidade. Comece pelos canais que mais consomem orçamento e pelos suspeitos de "colher demanda" — busca de marca, retargeting e fundo de funil. Construa o grupo de controle com rigor: a credibilidade do número depende inteiramente de quão comparável ele é ao grupo de teste. Use o lift medido para corrigir o ROAS contábil e para calibrar o MMM, ajustando seus coeficientes ao efeito causal observado. E repita os testes periodicamente — incrementalidade não é constante; muda com saturação, criativo e contexto competitivo.
Limites e quando desconfiar
A incrementalidade é o método mais honesto de mensuração, mas tem custos e armadilhas. Experimentos exigem escala: como Lewis e Rao mostraram, o sinal é fraco, e amostras pequenas produzem intervalos de confiança tão largos que o resultado vira ruído. Geo experiments dependem de regiões realmente comparáveis e de contaminação controlada — se o público de controle vê a campanha por transbordo de mídia, o lift é subestimado. Conversion lift de plataforma deve ser lido com cautela quando o controle não é auditável. Há ainda o risco de generalizar um teste pontual: um lift medido em uma estação, com um criativo específico, não vale para o ano inteiro. Por fim, incrementalidade mede o efeito de curto a médio prazo de um teste; ela não captura sozinha o efeito de construção de marca de longo prazo, que se acumula via adstock e exige outras ferramentas. O uso maduro combina experimentos, MMM e atribuição, deixando cada método corrigir os pontos cegos dos outros.