Come modellare saturazione e adstock?

Un modello di risposta media — persistenza poi saturazione — è stimato su 560 combinazioni di parametri dichiarate. La migliore spiega 0,938098 della varianza. Ma otto combinazioni spiegano i dati a meno dell’1 %, e fra esse la curvatura va da 0,600000 a 1,400000 e il punto di semi-saturazione da 25 a 65: la curva non è determinata. Lo è invece la persistenza, ritrovata esattamente a 0,600000, e il rendimento di un’unità di spesa in più, compreso fra 1,478765 e 1,586695. Verdetto: RESPONSE_CURVE_IDENTIFIED_FOR_REALLOCATION.

Una direzione media deve arbitrare un budget settimanale. Il suo modello di mix spiega molto bene lo storico e produce una curva di risposta liscia, corredata di un punto di saturazione numerico. La domanda da porsi prima di spostare un euro è questa: quella curva è l’unica compatibile con i dati, oppure altre curve, molto diverse, li spiegherebbero altrettanto bene? La risposta cambia completamente ciò che è lecito fare del modello.

Per queste 156 settimane, questo modello dichiarato e questa griglia dichiarata di 560 combinazioni, quali combinazioni di persistenza, curvatura e punto di semi-saturazione spiegano i dati a meno dell’1 % dalla migliore? E queste combinazioni concordano sull’unica quantità che un arbitraggio usa davvero, il rendimento di un’unità di spesa in più al livello di spesa attualmente osservato? La domanda non riguarda la bontà dell’adattamento, ma ciò che i dati determinano realmente.

Prendere la combinazione che si adatta meglio e leggerne i parametri come grandezze è l’errore centrale di questa famiglia di modelli. Nulla in un buon adattamento garantisce che i parametri siano determinati: persistenza, curvatura e punto di semi-saturazione si compensano fra loro, cosicché curve molto diverse quasi si sovrappongono sull’intervallo di spesa osservato. Su questo file, la combinazione migliore dà una curvatura di 1,000000 e un punto di semi-saturazione di 45, mentre i valori che hanno realmente generato i dati sono 1,80 e 55 — e il loro adattamento è peggiore solo del 2,556023 %.

Il metodo consiste nel non fermarsi al miglior adattamento. Si percorre una griglia dichiarata di combinazioni, si stima ciascuna, poi si conservano tutte quelle che spiegano i dati a meno dell’1 % dalla migliore: è l’insieme che i dati non sanno separare. In quell’insieme si guardano due cose. I parametri sono stretti? E soprattutto, concordano sul rendimento di un’unità di spesa in più, che è l’unica quantità consumata da un arbitraggio? Un insieme ampio di parametri può benissimo concordare su quel rendimento, ed è questo che decide.

Sono fissati prima di ogni lettura: la numerazione delle settimane senza lacune, la spesa media settimanale, il fatturato settimanale, la forma del modello, l’inizializzazione della persistenza a zero, l’ordine delle trasformazioni — prima persistenza, poi saturazione —, la base composta da una costante, una tendenza lineare e due armoniche annuali, la griglia di 560 combinazioni, la tolleranza dell’1 % che definisce la regione, il livello di spesa a cui si legge il rendimento marginale, e le due soglie. Il file sigillato contiene 156 settimane. Il caso è sintetico e dichiarato tale.

La persistenza cumula la spesa passata: A(t) = x(t) + λ·A(t−1), con A(0) = 0 e λ il tasso di riporto. La saturazione trasforma quello stock in una quota fra zero e uno: S(t) = A(t)^β / (γ^β + A(t)^β), dove β regola la curvatura e γ è il livello al quale la quota raggiunge esattamente la metà. Quella quota entra linearmente accanto alla base, e il suo coefficiente dà l’ampiezza. Il rendimento di un’unità in più è la derivata della risposta rispetto allo stock, letta allo stock medio della combinazione considerata.

Il calcolo dichiarato segue sette tappe: validare lo schema e rifiutare ogni file non conforme o troppo corto; costruire le colonne di base; per ogni tasso di riporto dichiarato, costruire una volta la serie di persistenza e registrarne il livello medio; per ciascuna delle 560 combinazioni, costruire il regressore saturato e risolvere in forma chiusa i sette parametri lineari per eliminazione di Gauss con pivot parziale, rifiutando un disegno singolare; trattenere la combinazione con la minima somma dei quadrati residui e raccogliere tutte quelle entro l’1 %; in quella regione, calcolare l’estensione di ogni parametro e l’intervallo del rendimento marginale, rifiutando un rendimento marginale non positivo; applicare le due soglie dichiarate, poi la regola di verdetto.

Illustrazione sintetica — valori didattici, non osservati

Sul file sigillato: 156 settimane, 560 combinazioni. La migliore ha una persistenza di 0,600000, una curvatura di 1,000000, un punto di semi-saturazione di 45 e un’ampiezza di 629,019162; spiega 0,938098 della varianza con una deviazione standard residua di 25,033965. Otto combinazioni rientrano nella tolleranza dell’1 %. In quella regione, la persistenza va da 0,600000 a 0,600000, estensione nulla, controllo superato; la curvatura va da 0,600000 a 1,400000 e il punto di semi-saturazione da 25 a 65. Il rendimento marginale va da 1,478765 a 1,586695, cioè un rapporto di 1,072987, controllo superato; la combinazione migliore ne dà 1,535957. I veri parametri non sono nella regione, con un adattamento peggiore del 2,556023 %, e implicano un rendimento di 1,539121. Verdetto: RESPONSE_CURVE_IDENTIFIED_FOR_REALLOCATION.

Il modello presuppone che la persistenza sia geometrica e senza ritardo di picco, che la saturazione segua questa forma precisa, che la base catturi bene tendenza e stagionalità, e che la spesa non sia stata pianificata in funzione di ciò che si cerca di misurare. Quest’ultima ipotesi è la più pesante e l’unica che conti davvero: in questo caso sintetico è vera per costruzione, nella vita reale è quasi sempre falsa. Tre cose non sono verificabili qui: la forma funzionale stessa, ciò che accadrebbe a un livello di spesa mai osservato, e l’effetto causale di uno spostamento di budget.

La diagnosi decisiva sta in un confronto. La bontà di adattamento è alta, 0,938098, e non dice nulla: sarebbe quasi identica per otto combinazioni diverse. L’estensione dei parametri nella regione dice molto di più: la persistenza è fissata, la curvatura più che raddoppia, il punto di semi-saturazione va da 25 a 65. Eppure l’intervallo del rendimento marginale resta stretto, con un rapporto di 1,072987. Essendo il caso sintetico, si può verificare ciò che nessuna analisi reale consente: il vero rendimento, 1,539121, cade proprio in quell’intervallo, anche se i veri parametri ne sono esclusi.

Alternative dichiarate prima del risultato: imporre vincoli di segno e stimare tutti i parametri simultaneamente anziché in due tempi; restringere la griglia attorno alla combinazione migliore per vedere se la regione si riduce; sostituire la persistenza geometrica con una forma che ammetta un ritardo di picco; oppure sostituire la lettura osservazionale con un esperimento geografico che faccia variare la spesa in modo controllato. Ogni variante va annunciata prima della lettura e riportata anche se allarga la regione.

Il risultato utilizzabile è una pendenza locale, non una curva. Al livello di spesa osservato, un’unità in più rende circa 1,54, e quel valore è robusto a tutto ciò che i dati non sanno dirimere. La curva invece non è determinata: la combinazione migliore sbaglia sia sulla curvatura sia sul punto di semi-saturazione, e il fatto che si adatti meglio dei veri valori è una proprietà del rumore, non una scoperta. È esattamente per questo che il dossier autorizza un aggiustamento marginale del budget e nulla di più.

Consentito: aggiustare il budget al margine attorno al livello osservato, appoggiandosi al rendimento marginale e al suo intervallo; pubblicare la dimensione della regione e l’estensione dei parametri accanto alla bontà di adattamento, mai l’una senza le altre; esigere da un fornitore quella regione con ogni curva di risposta consegnata; e concludere che la persistenza è determinata qui perché la spesa arriva in salve nette. Consentito anche: dire che il risultato vale solo nell’intervallo di spesa osservato.

Vietato: citare 1,000000 come la curvatura del canale o 45 come il suo punto di saturazione, mentre otto combinazioni spiegano i dati altrettanto bene e i veri valori stanno altrove; prolungare la curva oltre l’intervallo di spesa osservato, dove le combinazioni della regione divergono; leggere 0,938098 come prova che il modello è corretto; presentare il rendimento marginale come l’effetto causale di uno spostamento di budget; o scegliere la tolleranza dopo aver visto la dimensione della regione. Vietato anche: presentare questo caso sintetico come una misura osservata.

La decisione ragionevole è uno spostamento di budget modesto, calibrato sul rendimento marginale e limitato dal suo intervallo, all’interno dell’intervallo di spesa già praticato. Ogni ambizione più ampia — trovare il punto di saturazione, definire un budget ottimale, confrontare due canali sulle loro curve — richiede di far variare la spesa apposta, con un esperimento geografico, anziché leggere più finemente uno storico che non contiene l’informazione. Il modello indica in quale direzione spingere; non dice fin dove.

Usare questo protocollo ogni volta che una curva di risposta media è consegnata per fondare un arbitraggio, e prima di ogni ottimizzazione automatizzata del budget. Evitarlo quando la spesa è variata poco nel periodo, perché la regione sarà allora molto ampia e il protocollo non farà che constatarlo. Evitarlo anche quando la spesa è stata pianificata in funzione delle vendite attese, caso abituale su dati reali, che introduce un bias che questo dossier non tratta. Ed evitarlo come sostituto di un esperimento quando la domanda riguarda l’effetto di un cambio di budget.

Il CSV CC0 contiene le 156 settimane sintetiche. Python e R sono le implementazioni di riferimento; SPSS riprende lo stesso calcolo in un blocco Python; SAS impiega la stessa griglia ma affida i 560 adattamenti alla propria procedura di regressione per gruppi, e verifica i due flag anziché ogni decimale. Il risultato finale raccoglie i dati, il dizionario delle variabili, la forma del modello dichiarata, l’ordine delle trasformazioni, la griglia, la tolleranza di regione, le due soglie, le sette tappe numerate, la combinazione migliore, la dimensione della regione e l’estensione di ogni parametro, l’intervallo del rendimento marginale, i tre diagnostici propri del caso sintetico, i due flag, il verdetto e le versioni software.

Jin, Wang, Sun, Chan e Koehler pongono la forma persistenza poi saturazione e osservano che i parametri della funzione di Hill sono essenzialmente non identificabili in certi casi, che due curve molto diverse quasi coincidono sull’intervallo osservato ma divergono al di fuori, che nessun metodo statistico risolve il problema, e che il mix ottimale ricavato dal modello ha una grande varianza. Chan e Perry ricordano che la relazione stimata può cambiare radicalmente per piccoli cambiamenti dei dati, che gli inserzionisti restano spesso in un intervallo di spesa stretto, e che il budget osservato porta un bias di selezione. Chen, Zhang, Han e Lim descrivono la pratica corrente di stima in più tempi e propongono di stimare congiuntamente persistenza, forma e scala. Heusch propone di giudicare un modello sulla capacità di ritrovare una verità nota anziché sull’adattamento, e segnala che i generatori sintetici producono una spesa esogena. Una riserva va detta: di queste quattro fonti, una sola è sottoposta a revisione paritaria. Le due affermazioni su cui questo dossier si appoggia di più provengono da rapporti tecnici pubblicati apertamente dai loro autori, non da articoli con revisione; è lì che sono formulate pubblicamente e con precisione, e il calcolo di questo dossier regge da sé. Riferimenti fondativi: Jin et al. (2017) e Chan & Perry (2017), rapporti tecnici Google, senza revisione. Sviluppi recenti: Chen et al. (2021, preprint arXiv; pubblicato in Journal of Applied Statistics, con revisione) e Heusch (2026, preprint arXiv, senza revisione).

1. Jin, Wang, Sun, Chan & Koehler (2017) ↗Testo integrale verificato, con estratto breve localizzato nella fonte.
2. Chan & Perry (2017) ↗Testo integrale verificato, con estratto breve localizzato nella fonte.
3. Chen, Zhang, Han & Lim (2021) ↗Testo integrale verificato, con estratto breve localizzato nella fonte.
4. Heusch (2026) ↗Testo integrale verificato, con estratto breve localizzato nella fonte.