Il costo per lead è sceso, ma non sai perché

Il calo del costo per lead rischia di nascondere l’attribuzione gonfiata dagli algoritmi di Meta

È un classico della pubblicità performance: lanci una campagna con un nuovo obiettivo, vedi il costo per lead crollare e già immagini il report del mese. Peccato che quel calo — la riduzione del costo per lead del 19% — non significhi automaticamente che ogni lead in più sia davvero attribuibile alla piattaforma. Meta spinge l’adozione di strumenti come le campagne Advantage+ e la nuova AI Mode, ma la domanda che ogni performance manager dovrebbe farsi è: quanto di quel risultato è reale incremento e quanto è rumore statistico gonfiato da modelli di attribuzione opachi?

Il miraggio del costo per lead ridotto

Il dato fornito da Meta stesso — un calo medio del 19% nel costo per lead di qualità grazie all’uso di Conversions API — sembra una vittoria netta. Ma è facile dimenticare che la metrica “costo per lead” racconta solo una parte della storia. Se l’attribuzione dell’ultimo clic o il modello di conversione di Meta attribuiscono alla piattaforma lead che sarebbero arrivati comunque (via ricerca organica, passaparola o altri canali), il vero costo incrementale resta nascosto. Senza un test di incrementalità — ad esempio un esperimento geo o un holdout regionale — non c’è modo di separare il contributo reale di Meta dal rumore statistico.

Advantage+ e Reels: performance o illusione?

Meta pubblicizza l’allocazione dinamica del budget di Advantage+ come un modo per posizionare gli annunci dove generano più risultati. Le raccomandazioni sperimentali per i posizionamenti Reels sono presentate come un metodo testato per migliorare le performance. Inoltre, Meta riporta che la pubblicità su Reels in tendenza aumenta la notorietà spontanea del brand del 20% e la memorabilità dell’annuncio di 5,5 punti percentuali. Numeri che sembrano solidi, ma che misurano correlazione, non causalità.

Un brand che investe su Reels in un periodo di forte stagionalità potrebbe vedere un picco di notorietà dovuto al contesto, non all’annuncio in sé. I test incrementali — come gli esperimenti geo o i modelli di marketing mix (MMM) — sono l’unico modo per isolare l’effetto reale della piattaforma.

AI Mode: un nuovo strato di opacità

L’introduzione di la modalità AI Mode su Facebook e i nuovi preset fotografici generati dall’AI aggiungono un ulteriore livello di complessità alla misurazione. AI Mode risponde a domande degli utenti basandosi su contenuti pubblici di Gruppi e Reel: diventa un nuovo touchpoint che può intercettare l’intenzione d’acquisto. Ma come viene attribuita la conversione a questo canale? Meta non rende pubblici i dettagli del modello di attribuzione. Lo stesso vale per l’affermazione che le campagne Advantage+ con obiettivo vendite riducono il costo per risultato del 20%. Se l’algoritmo ottimizza su un obiettivo che include conversioni che sarebbero avvenute comunque (ad esempio grazie a un’email automatizzata o a una visita diretta), il risparmio è solo apparente.

La domanda che resta aperta è: Meta fornirà mai strumenti di test incrementali nativi, o gli advertiser continueranno a dover ricorrere a esperimenti geo e holdout per capire se l’AI sta davvero aggiungendo valore — o sta solo ridistribuendo risultati già prevedibili? Senza trasparenza sui modelli di attribuzione, l’unica difesa è costruire un framework di misurazione indipendente che separi il segnale dal rumore.