Incrementality testing — medir a verdadeira contribuição incremental da publicidade — tornou-se prática estratégica 2026 padrão para contas acima de 20k €/mês de despesa total. Os modelos de atribuição dizem-lhe quem creditar por conversões; incrementality diz-lhe que conversões não teriam acontecido sem os anúncios de todo.
Este guia cobre os métodos 2026: estudos Google Conversion Lift, geo experiments auto-corridos, requisitos de tamanho de amostra e um playbook de teste de 30-60 dias. Dirigido a anunciantes mid-market com despesa de 20k €+/mês.
Smart Bidding + DDA otimizam em quaisquer conversões atribuídas. Se 50% das suas conversões de campanha brand são não-incrementais (teriam acontecido na mesma), Smart Bidding ainda otimiza para escalar brand — perdendo eficiência em campanhas realmente-incrementais. Incrementality testing revela o gap. Testes trimestrais tipicamente melhoram a alocação de orçamento em 10-20%.
O que incrementality testing mede (vs atribuição)
Atribuição: que touchpoint creditar por uma conversão que ocorreu.
- Pergunta: "Das conversões que vejo, que canais contribuíram?"
- Modelo: DDA, last-click, etc.
- Útil para: otimização de licitação, decisões a nível de anúncio
Incrementality: que conversões não teriam acontecido sem o anúncio.
- Pergunta: "Quantas destas conversões os meus anúncios realmente causaram?"
- Método: holdout group / experiment contrafactual
- Útil para: alocação de orçamento, avaliação de canal, decisões estratégicas
Ambos importam. Atribuição = tática, contínua. Incrementality = estratégica, periódica.
Métodos: geo experiments, holdout groups, conversion lift studies
Estudos Google Conversion Lift (geridos):
- Google atribui aleatoriamente utilizadores a test (vê anúncios) vs control (vê anúncios de serviço público ou nada)
- Mede lift na taxa de conversão
- Requer: 20-50k €+ de despesa de média durante teste, estudo 30-dias, elegibilidade de conta
- Grátis, peça via suporte Google Ads
- Prós: metodologia limpa, Google trata da estatística
- Contras: limiar de elegibilidade, compromisso de tempo
Geo experiments (auto-corridos):
- Divida regiões geográficas matched em test (campanhas ligadas) vs control (campanhas desligadas)
- Meça diferença de taxa de conversão
- Requer: 6-10 regiões matched, janela 30-60 dias, ferramentas de análise estatística
- Custo: custo de oportunidade de campanhas em pausa + 5-10 horas tempo de analista
- Prós: controlo total, corre sem aprovação Google
- Contras: fatores confundentes (sazonalidade, variação regional)
Time-based holdouts (menos confiável):
- Pause campanhas por um período definido, meça diferença de conversão
- Confundido por efeitos de altura do ano
- Não recomendado salvo para testes direcionais rápidos
Caminho recomendado 2026: comece com Google Conversion Lift se elegível (grátis, limpo). Para testes maiores ou mais frequentes, construa capacidade de geo experiment.
Quando correr incrementality testing
Razões fortes para testar:
- Avaliar um novo canal (Meta / LinkedIn / TikTok) para incrementality vs canibalização
- Suspeita de campanha brand (frequentemente sobre-creditada)
- Decisões de realocação de orçamento maiores
- Validar outputs MMM (Marketing Mix Modeling)
- Justificar orçamento de publicidade ao CFO
Razões fracas (saltar teste):
- Otimizar Smart Bidding dia-a-dia (use atribuição)
- Abaixo de 20k €/mês de despesa (poder estatístico insuficiente)
- Durante períodos sazonais maiores (Q4 e-commerce, etc.)
- Campanhas estáveis a correr bem — não conserte o que não está partido
Frequência prática: trimestral para pelo menos um canal/campanha principal. Teste cross-channel abrangente anual para contas enterprise.
Tamanho da amostra e significância estatística
O tamanho da amostra depende de:
- Taxa de conversão baseline
- Minimum Detectable Effect (MDE) — o menor lift que quer medir com confiança
- Nível de confiança estatística (tipicamente 95%)
Regra prática aproximada:
- 1% de taxa de conversão baseline, quer detetar 10% de lift: necessita ~30.000 sessões por grupo
- 5% de taxa de conversão baseline, quer detetar 20% de lift: necessita ~3.000 sessões por grupo
- Baseline maior + MDE maior = amostra menor necessária
Para Google Ads à escala: tipicamente estudo 30-dias entrega amostra suficiente. Para contas menores: estudo 60-dias ou MDE maior.
Significância estatística: limiar mínimo p < 0,05. Reporte intervalo de confiança 95% para ROAS incremental.
Armadilhas comuns e enviesamentos
1. Variáveis confundentes: efeitos sazonais, atividade de concorrentes, eventos noticiosos durante o teste. Mitigação: use test/control matched com baselines similares, ou atribuição aleatória de utilizadores (Conversion Lift).
2. Gaps de atribuição cross-device: utilizador vê anúncio no telemóvel, converte em desktop. Atribuição test/control pode falhar isto. Mitigação: use metodologia device-aware, janelas de atribuição mais longas.
3. Efeitos de carryover: anúncios a correr em período pré-teste podem influenciar conversão pós-teste. Mitigação: período de wash-out antes da medição começar.
4. Power insuficiente: amostra demasiado pequena, não consegue detetar lift real. Resultado: falso negativo. Mitigação: pré-calcule tamanho da amostra, estenda estudo se necessário.
5. Problemas de comparação múltipla: testar muitos segmentos infla a taxa de falso positivo. Mitigação: correção Bonferroni ou testes focados de hipótese única.
6. Mismatch de definição de conversão: testar impactos numa métrica diferente da que otimiza. Mitigação: alinhe conversão de teste com KPI primário do negócio.
Interpretar resultados: ROAS incremental, CAC verdadeiro
Métricas chave de teste de incrementality:
Conversões incrementais: conversões do grupo test menos conversões do grupo control, escaladas para população total.
ROAS incremental: (receita incremental / despesa publicitária durante o teste). Compare com ROAS reportado.
CAC verdadeiro: despesa publicitária / aquisições de clientes incrementais (vs CAC reportado = despesa publicitária / total de aquisições atribuídas).
Percentagem de lift: (taxa de conversão test - taxa de conversão control) / taxa de conversão control.
Achados típicos 2026:
- Campanhas pesquisa brand: 30-60% incremental (40-70% das "conversões" teriam acontecido na mesma via pesquisa brand orgânica)
- Pesquisa non-brand: 70-90% incremental (alta contribuição incremental)
- Retargeting display: 30-50% incremental
- Vídeo top-of-funnel: 50-80% incremental (varia amplamente)
Interpretação acionável: escale canais alto-incrementais, audite/otimize os baixo-incrementais, mas não corte cegamente campanhas brand (podem ter incremental baixo mas LTV alto a jusante).
O primeiro teste de incrementality que uma conta corre frequentemente revela que 50-70% das conversões brand teriam acontecido na mesma. A reação inicial é cortar agressivamente o brand. A reação correta é mais matizada — brand muitas vezes tem ROAS incremental baixo mas LTV downstream alto. Trate os resultados como input estratégico, não como instrução de corte.
Custo: tempo, custo de oportunidade, infraestrutura
Custos do estudo Google Conversion Lift:
- Custo direto: 0 € (grátis)
- Custo de oportunidade: mínimo (Google gere divisão de audiência sem pausar campanhas)
- Tempo: estudo 30-dias + 2-3 horas configuração/análise
- Elegibilidade: 20-50k €+ de despesa de média durante o teste
Custos de geo experiment:
- Custo direto: 0-1k € (tempo de analista)
- Custo de oportunidade: 5-15% do orçamento de teste (campanhas em pausa nas regiões control)
- Tempo: 5-10 horas configuração + estudo 60-dias + 10-15 horas análise
- Software: grátis (R + pacote CausalImpact) a 1k €/mês (Geox)
Incrementality baseada em MMM enterprise:
- Custo direto: 50-500k €/ano (fornecedor MMM)
- Tempo: contínuo
- Melhor para 1M €+/mês de despesa total
Para a maioria das contas mid-market: Google Conversion Lift anualmente + geo experiment ocasional é suficiente.
Playbook 30 dias de incrementality testing
O schema HowTo cobre dia-a-dia. Enquadramento estratégico:
Semana 1 — Configuração. Definir pergunta, escolher método, baseline pré-teste.
Semanas 2-7 — Correr teste (30-60 dias dependendo do método).
Semana 8 — Análise. Análise estatística, intervalos de confiança, documentar achados.
Semana 9 — Decisão e ação. Aplicar aprendizagens à alocação de orçamento, planear próximo ciclo de teste.
Para contexto complementar, veja o nosso guia de atribuição DDA, guia MMM vs Atribuição e guia de modelagem LTV.
Se gostaria de otimização AI-driven que suporta alocação de orçamento incrementality-aware, a SteerAds corre uma auditoria gratuita 14 dias em Google + Microsoft Ads.
Fontes
- support.google.com/google-ads — documentação Conversion Lift studies
- research.google/pubs — pesquisa Google sobre metodologia de incrementality
- google.github.io/CausalImpact — pacote R Google CausalImpact
- thinkwithgoogle.com — insights Google da indústria
- geoxlibrary.com — ferramenta de geo experiment Geox
FAQ
Qual a diferença entre incrementality testing e atribuição?
Atribuição mede quais touchpoints recebem crédito por conversões que aconteceram. Incrementality mede quais conversões NÃO teriam acontecido sem os seus anúncios — a verdadeira contribuição incremental. A diferença importa: uma campanha brand com atribuição last-click alta pode ter incrementality baixo se esses utilizadores teriam pesquisado a sua marca e convertido na mesma. Incrementality revela a verdadeira eficácia publicitária vs touchpoints sobre-creditados.
Como funciona o Google Ads Conversion Lift study?
Incrementality testing integrado da Google em Google Ads. Atribui aleatoriamente utilizadores a grupos test (anúncios servidos) vs control (anúncios retidos). Mede a diferença de taxa de conversão entre grupos. Requer 20-50k €+ de despesa de média para significância estatística + janela de estudo 30+ dias. Disponível para a maioria das contas via pedido ao suporte Google Ads.
O que é um geo experiment para incrementality?
Teste de incrementality auto-corrido. Divida regiões geográficas similares: metade tem campanhas a correr (test), metade está em pausa (control). Meça lift de conversão entre grupos. Mais barato do que estudos Conversion Lift da Google mas requer análise estatística DIY e janela de 60-90 dias para sinal estável.
Quando devo correr incrementality testing em 2026?
Três gatilhos: (1) Avaliação de novo canal (testar se Meta / LinkedIn / TikTok realmente conduzem incremental vs canibalizam tráfego Google), (2) Ceticismo de campanha brand (validar que pesquisa brand é incremental, não apenas a intercetar orgânico), (3) Decisões de alocação de orçamento (que canais escalar, que cortar). Salte incrementality se confia no seu modelo de atribuição e as plataformas estão estáveis.
Quanto custa um teste de incrementality?
Estudo Google Conversion Lift: grátis (Google corre-o) mas requer 20-50k € de despesa de média + 30 dias. Geo experiment auto-corrido: intensivo em tempo (5-10 horas tempo de analista) + custo de oportunidade de campanhas em pausa (5-15% do orçamento de teste). Custo total: 5-15k € típico para um teste significativo, muito mais alto à escala enterprise.
O que é ROAS incremental vs ROAS reportado?
ROAS reportado (baseado em atribuição): valor total de conversão / despesa publicitária. Inclui conversões que teriam acontecido na mesma. ROAS reportado típico de e-commerce: 3-5x. ROAS incremental (baseado em lift): apenas conversões incrementais / despesa publicitária. Frequentemente 30-60% mais baixo do que reportado. Campanhas brand frequentemente mostram 8-10x de ROAS reportado mas 2-3x de ROAS incremental — a maioria do tráfego brand teria convertido na mesma.
Incrementality testing pode substituir atribuição?
Não, respondem a perguntas diferentes. Atribuição = que touchpoint creditar / como licitar em Smart Bidding. Incrementality = este canal/campanha está realmente a acrescentar valor? Use atribuição para otimização contínua (Smart Bidding, alocação de orçamento), incrementality para validação estratégica (trimestral / anual). Ambos têm um papel.