Testy inkrementalności i Conversion Lift: jak sprawdzić, czy kampania naprawdę sprzedaje

Czym jest inkrementalność i dlaczego atrybucja jej nie mierzy?

Inkrementalność to różnica między wynikiem z kampanią a wynikiem bez niej. Jeśli kampania brandowa ma w panelu 300 konwersji, a test pokazuje, że bez niej i tak byłoby 240, to przyrost wynosi 60 konwersji, czyli 20% raportowanego wyniku.

Atrybucja, nawet oparta na danych, dzieli zasługę za konwersje, które się wydarzyły. Nie wie, które z nich wydarzyłyby się i tak, bo nie ma punktu odniesienia. Dlatego kampanie kierowane do osób już zdecydowanych, czyli brand, remarketing czy część Performance Max, wyglądają w atrybucji świetnie, a ich przyrost bywa niewielki. Różnice między modelami opisujemy w porównaniu atrybucji opartej na danych i ostatniego kliknięcia, a sposób czytania ról kanałów w poradniku o ścieżkach konwersji w GA4.

Pojęcia, które pojawią się w dalszej części:

• Grupa kontrolna (holdback). Część użytkowników lub regionów, którym nie pokazujesz reklam.
• Przyrostowe konwersje. Konwersje w grupie testowej minus oczekiwane konwersje bez reklam.
• iCPA i iROAS. Koszt jednej przyrostowej konwersji i przyrostowy przychód podzielony przez koszt.
• Moc testu. Prawdopodobieństwo wykrycia efektu, jeśli on istnieje. Zbyt mała moc oznacza wynik „brak efektu”, który niczego nie dowodzi.

Jakie są metody testów inkrementalności?

Wybór metody zależy od kanału, budżetu i dostępnych danych. Poniższa tabela porównuje pięć podejść stosowanych w 2026 r.

Testy geograficzne i Marketing Mix Modeling dobrze się uzupełniają: test daje wiarygodny wynik dla jednego kanału w jednym okresie, a model rozciąga ten wynik na cały budżet. Jak to połączyć, opisujemy w poradniku o testach geo i kalibracji MMM. Google Meridian ma od 10 września 2026 r. ogólnie dostępny moduł GeoX do testów geograficznych, a sam model omawiamy w tekście o Google Meridian w praktyce.

Conversion Lift w Google Ads po zmianach z października 2026 roku

Na początku października 2026 r. Google rozszerzył dokumentację Conversion Lift opartego na użytkownikach o kampanie w sieci wyszukiwania i Performance Max. Wcześniej taki test był dostępny głównie dla kampanii wideo, Display, Demand Gen i aplikacji. Branża opisuje to jako udostępnienie samoobsługowego testu dla Search i PMax, choć Google zaznacza, że funkcja nie jest dostępna na wszystkich kontach.

Wymagania według stanu na październik 2026 r.:

• co najmniej 1000 zaobserwowanych konwersji (konwersje z danych uzupełniających się nie liczą),
• minimalny budżet kampanii objętych badaniem 5000 USD lub równowartość, a poniżej tej kwoty badania nie da się zapisać,
• co najmniej jedno zgodne działanie powodujące konwersję,
• kampania może być jednocześnie tylko w jednym badaniu,
• nieobsługiwane są m.in. kampanie aplikacji kierowane na iOS i reklamy podróży (Travel Ads).

Badanie tworzysz w sekcji eksperymentów kampanii, w karcie badań wzrostu: wybierasz Conversion Lift i wariant oparty na użytkownikach. Grupa kontrolna może wynosić od 1% do 50% użytkowników. Kreator pokazuje moc badania od 50% do 95% w krokach co 5 punktów i zaleca 90%. Wyniki z mocą 50–90% Google traktuje jako kierunkowe, a poniżej 90% podpowiada, jak zwiększyć budżet. Test powinien trwać co najmniej 7 dni, a przy długim czasie do konwersji ponad 14 dni.

Raport pokazuje przyrostowe konwersje i iCPA, a przy raportowaniu wartości przyrostowy przychód i iROAS. Dla kampanii Performance Max to pierwsza okazja, żeby sprawdzić, ile sprzedaży dokłada kampania, która w atrybucji zbiera dużo konwersji brandowych i remarketingowych. Kontekst zmian w tym typie kampanii opisujemy w artykule o Performance Max w 2026 r., a przy kampaniach w sieci wyszukiwania po automatycznej migracji test jest dobrym sposobem oceny AI Max for Search.

Jak zaplanować test inkrementalności krok po kroku?

Większość nieudanych testów psuje się na etapie planowania, a nie analizy. Poniższa procedura dotyczy zarówno Conversion Lift, jak i testów geograficznych.

1. Sformułuj hipotezę i decyzję. Np. „Jeśli iROAS kampanii PMax przekroczy 3, zwiększamy budżet o 20%; jeśli będzie poniżej 1,5, ograniczamy go”. Bez decyzji z góry wynik łatwo zinterpretować pod tezę.
2. Wybierz jedną metrykę główną. Zakupy lub przychód z systemu sprzedaży, a nie mikrokonwersje.
3. Policz wymaganą skalę. Sprawdź w kreatorze moc badania albo, przy teście geo, policz minimalny wykrywalny efekt na podstawie zmienności sprzedaży. Zasady liczenia próby i istotności statystycznej omawiamy w poradniku o wielkości próby w testach.
4. Ustal czas trwania. Minimum dwa pełne tygodnie i co najmniej jeden pełny cykl decyzji zakupowej. Unikaj okresów z dużymi promocjami.
5. Zamroź zmiany. Na czas testu nie zmieniaj struktury kampanii, kreacji ani celów stawek, bo zmiana w trakcie miesza efekty.
6. Przy teście geo dobierz regiony. Podziel województwa lub większe miasta na grupy o podobnej historii sprzedaży i podobnej sezonowości, z grupą kontrolną obejmującą 20–50% sprzedaży.
7. Przeanalizuj wynik i podejmij decyzję. Porównaj iCPA lub iROAS z progiem rentowności i zapisz wynik wraz z warunkami testu.

Dodatkowe zasady testowania, które nie zaburzają nauki algorytmów, opisujemy w tekście o eksperymentach w Google Ads i Meta Ads.

Jak przeanalizować test geograficzny?

Przy teście geo nie dostajesz gotowego raportu, więc analizę robisz sam. Najprostsze podejście porównuje, jak zmieniła się sprzedaż w regionach testowych względem kontrolnych między okresem przed testem a okresem testu.

Logika jest następująca: jeśli regiony kontrolne w czasie testu sprzedawały np. 5% więcej niż przed testem, to bez kampanii regiony testowe też sprzedawałyby o 5% więcej. Wszystko ponad to jest przyrostem. Zapytanie zakłada, że masz tabelę z dziennym przychodem według regionu i kolumną grupa z wartościami test (regiony z kampanią) i kontrola (regiony bez kampanii):

WITH sumy AS (
  SELECT
    grupa,
    SUM(IF(data BETWEEN '2026-08-03' AND '2026-09-13', przychod, 0)) AS przed,
    SUM(IF(data BETWEEN '2026-09-14' AND '2026-10-11', przychod, 0)) AS w_tescie
  FROM `twoj-projekt.sprzedaz.przychod_dzienny_region`
  GROUP BY grupa
)
SELECT
  ROUND(t.w_tescie, 0) AS przychod_test,
  ROUND(t.przed * SAFE_DIVIDE(k.w_tescie, k.przed), 0) AS przychod_oczekiwany,
  ROUND(t.w_tescie - t.przed * SAFE_DIVIDE(k.w_tescie, k.przed), 0) AS przychod_przyrostowy
FROM sumy AS t
CROSS JOIN sumy AS k
WHERE t.grupa = 'test' AND k.grupa = 'kontrola';

Przykład hipotetyczny: regiony testowe przed testem miały 600 000 zł przychodu, a w czasie testu 450 000 zł. Regiony kontrolne odpowiednio 900 000 zł i 630 000 zł, czyli w okresie testu 70% wartości sprzed testu. Oczekiwany przychód regionów testowych bez kampanii to 600 000 × 0,7 = 420 000 zł, więc przyrost wynosi 30 000 zł. Jeśli kampania kosztowała w tym czasie 12 000 zł, iROAS wynosi 2,5.

To szacunek punktowy, bez przedziału ufności. Do decyzji o dużych budżetach potrzebujesz metody, która policzy niepewność, np. syntetycznej grupy kontrolnej, bootstrapu albo narzędzia GeoX w Meridianie. Sprzedaż z marketplace’ów i sklepów stacjonarnych dodaj do danych, jeśli kampania może na nią wpływać, bo inaczej zaniżysz przyrost. Podobne wyzwania pojawiają się przy pomiarze retail media.

Jak interpretować wyniki i jakich błędów unikać?

Wynik testu porównuj z progiem rentowności, a nie z ROAS z panelu. Jeśli marża brutto wynosi 40%, kampania zwraca się przy iROAS co najmniej 2,5 (1 ÷ 0,4). ROAS z panelu będzie prawie zawsze wyższy niż iROAS, bo obejmuje konwersje, które wydarzyłyby się i tak. Stosunek tych dwóch liczb możesz potem wykorzystać jako współczynnik korekty dla danego typu kampanii. Wzory i różnice między wskaźnikami opisujemy w tekście o ROAS, POAS i MER.

Najczęstsze błędy w testach inkrementalności:

• Za mała skala. Test bez wystarczającej mocy kończy się wynikiem „nieistotny”, który bywa błędnie odczytywany jako „kampania nie działa”.
• Zmiany w trakcie testu. Nowe kreacje, promocje albo zmiana celu stawek w połowie testu uniemożliwiają interpretację.
• Przenikanie między grupami. W testach geo użytkownicy dojeżdżający do pracy w innym regionie albo kampanie ogólnopolskie w innych kanałach zacierają różnice.
• Mierzenie w panelu zamiast w systemie sprzedaży. Przyrost liczony na konwersjach z platformy dziedziczy jej ograniczenia pomiarowe.
• Jednorazowość. Inkrementalność zmienia się z sezonem i skalą budżetu. Test sprzed roku nie mówi wiele o kampanii z dwukrotnie wyższym budżetem.

Meta oferuje dodatkowo atrybucję przyrostową, czyli model szacujący, czy konwersja wynikała z reklamy. To przydatne uzupełnienie, ale nadal model, a nie eksperyment z grupą kontrolną. O tym i o zmianach w liczeniu kliknięć piszemy w artykule o atrybucji w Meta od marca 2026 r.. Wszystkie poradniki o atrybucji i pomiarze efektów znajdziesz w podtemacie Atrybucja.