· 11 min · Samet Durgun · Dati delle piattaforme verificati il

AppLovin è incrementale per la mia app, e come lo testo?

Sono Samet Durgun, fractional Head of UA. Mi occupo di paid UA per app in abbonamento e giochi mobile, e qui scrivo quello che vedo negli account che gestisco. Questo articolo rientra nel tema Fractional Head of UA; altro su di me.

AppLovin è incrementale per la tua app solo nella misura in cui spegnerlo ti costerebbe install e revenue che non otterresti da nessun’altra parte, e nessun valore di ROAS nel tuo MMP o nella dashboard di AppLovin risponde a questa domanda, perché quei valori mostrano credito, non causa. Il test che risponde è un geo holdout: AppLovin spento in regioni abbinate e acceso in tutte le altre, nello stesso periodo, con i risultati letti dai dati degli store e del backend e riportati come ROAS incrementale con un intervallo di confidenza. La condizione che cambia la risposta è la tua capacità di misurare il risultato per area geografica: i paesi funzionano per qualsiasi app, gli stati e le aree metropolitane degli USA solo quando i tuoi dati possono dividere gli USA in quel modo, e se non puoi, la risposta è che non lo sai ancora.

Ambito: campagne app di AppLovin Ads (iOS e Android) attribuite tramite un MMP, qualsiasi regione, con le pagine di AppLovin, Impact, Apple, Google, Meta e Haus verificate il 1 ottobre 2026. Le pagine di supporto di AppLovin non riportano date di aggiornamento, quindi considera la data di verifica come l’unica data.

Non ho pubblicato un risultato di incrementalità su AppLovin. Quello che segue è il metodo che applicherei su un account, costruito sulla documentazione di AppLovin e sugli strumenti pubblici per gli esperimenti.

Per cosa riceve credito AppLovin in un account app?

Per le app, AppLovin non decide l’attribuzione da solo. La sua pagina Set up MMP tracking dice che per far girare campagne in AppLovin Ads devi configurare il tracking con un mobile measurement partner (Adjust, AppsFlyer, Kochava, Tenjin, Singular o Branch), e che va fatto prima che qualsiasi campagna parta. AppLovin ha rinominato la sua piattaforma AppLovin Ads e l’ha aperta a tutti gli inserzionisti il 22 giugno 2026; Axon resta il nome del suo sistema di raccomandazione AI.

Le pagine dei partner precisano le impostazioni. La pagina AppsFlyer di AppLovin chiede i postback di install e di eventi in app per “All media sources, including organic”, l’attribuzione view through degli install attivata, un lookback click through di almeno 7 giorni e un lookback view through di almeno 24 ore. La sua pagina Adjust chiede i dati di tutte le fonti di attribuzione, una finestra di click di almeno 7 giorni e una finestra di impression di almeno 24 ore.

Quindi l’affermazione che AppLovin conta solo i click, e che per questo è prudente, non va estesa alle app. Viene dal post di AppLovin di giugno 2026 Different numbers, one channel: making sense of AppLovin through a measurement lens, scritto soprattutto per ecommerce e brand consumer, che dice che lì il reporting interno alla piattaforma registra solo l’attribuzione click through.

Una finestra view through mostra che AppLovin ha servito un annuncio a quel dispositivo nella finestra prima dell’install e che l’MMP ha dato il credito ad AppLovin. Non mostra che l’annuncio abbia causato l’install. Chi ha visto un playable e quella sera avrebbe installato dalla ricerca viene contato lo stesso. I postback organici non significano nemmeno che AppLovin riceva credito per gli utenti organici; mandano ad AppLovin i dati su ogni install ed evento, mentre è sempre l’MMP a decidere a chi va il credito.

La revenue attribuita può anche essere sbagliata prima ancora che si arrivi all’incrementalità. Nel test sulle bid strategy di Google Ads da 27.000 $ che ho fatto a febbraio 2026, l’evento di revenue dell’account mandava 1 $ invece di 0 $ quando una conversione non aveva valore. Questo ha gonfiato il ROAS riportato da Google ovunque, e soprattutto su iOS. Quindi prima di testare cosa causa un network, controllerei cosa gli viene mandato. I numeri attribuiti divergono tra loro anche quando niente è rotto: perché Google Ads, il tuo MMP e SKAN riportano conversioni iOS diverse spiega quali divari sono normali.

Cosa significa una percentuale di incrementalità?

Dipende dal denominatore, e due numeri molto diversi ricevono la stessa etichetta.

  • Lift su una baseline: la percentuale di cui le regioni trattate superano ciò che il controllo prevede per loro. La base è ciò che sarebbe successo senza AppLovin.
  • Quota incrementale della revenue attribuita: la percentuale della revenue accreditata ad AppLovin che senza AppLovin non ci sarebbe stata. La base è la revenue attribuita.

Nessuno dei due è un dato di costo. Un valore di lift non dice niente sull’efficienza finché non dividi la revenue incrementale per la spesa che l’ha prodotta. Il numero che riporterei è il ROAS incrementale, revenue incrementale divisa per la spesa AppLovin nelle regioni trattate, accanto al ROAS attribuito per le stesse regioni e date. L’incrementale può anche risultare superiore all’attribuito: in un account che ho studiato, i giorni con 100 install paid di Meta in più su iOS mostravano circa 28 install organici in più nell’MMP, segno che l’attribuzione può sottostimare il paid.

Prima di agire sul valore di lift di chiunque, vorrei sapere quale risultato è stato misurato, quanto è stato speso, quanto è durato il test e quanto è ampio l’intervallo.

Perché spegnere e riaccendere AppLovin non dà la risposta?

Perché cambiano anche le settimane. Spegnere AppLovin a marzo e riaccenderlo ad aprile confronta due mesi diversi: la stagionalità, un evento di live ops, una messa in evidenza sullo store, un test di prezzo e i cambiamenti su Meta o Google finiscono tutti nello stesso confronto, e la spesa paid continua a produrre install organici anche dopo. La pagina Intro to analysis di Google Meridian stima il controfattuale con una time based regression, che richiede serie temporali del periodo di pretest e del periodo di test, più design e assegnazione dei geo definiti prima del test. Il gruppo di controllo deve girare nello stesso periodo del trattamento.

Come progetterei un geo holdout per AppLovin?

Scegli un’unità geografica su cui puoi fare sia targeting sia misurazione. La Campaign Management API di AppLovin fa targeting per country_code. Solo dentro gli USA accetta anche region_codes (stati) o metro_names (aree metropolitane), che non si possono combinare. Non ho trovato nessun campo di esclusione geografica, quindi una regione di holdout è semplicemente una regione che lasci fuori dal targeting.

Accetta che per un po’ il test vada contro i consigli di scaling di AppLovin. Scale your campaign consiglia di selezionare tutti i paesi che supporti con un unico budget globale, e un budget che porti come minimo tra le 15 e le 20 conversioni al giorno sull’intera campagna. Un holdout toglie regioni di proposito, quindi le regioni trattate hanno comunque bisogno di budget sufficiente per quel volume di conversioni.

Dimensionalo prima di spendere. La GeoLift Methodology open source di Meta combina l’augmented synthetic control per la stima con il generalized synthetic control per l’inferenza, e i suoi calcolatori di potenza suggeriscono durata del test, investimento e quali e quanti mercati usare. Per i test che conduce con i brand, il post di AppLovin sulla misurazione dice che gli holdout sono in genere dal 20 al 50% dell’area geografica, progettati per almeno il 90% di potenza statistica, e che le campagne dovrebbero essere uscite dal learning e in delivery stabile prima che un test inizi. Sono cifre per i brand, non una regola per le app, ma il requisito di potenza vale lo stesso.

Tieni costante tutto il resto. Mantieni invariati il goal, il target e il set di creative di AppLovin, e non ricostruire le campagne durante il test: l’API imposta goal_type e roas_day_target solo alla creazione. Tieni uguali i budget degli altri canali, i prezzi, le promozioni e le live ops nelle regioni trattate e in quelle di controllo, o almeno fai in modo che si muovano insieme.

Fallo durare oltre la finestra di ottimizzazione. Setting up your app campaign di AppLovin offre target Day 7 e Day 28 e dice che le finestre più lunghe “generally target highest value users”. Se la campagna ottimizza al Day 28, le coorti installate durante il test devono maturare fino alla stessa età in entrambi i gruppi prima di leggere la revenue.

Domanda Cosa risponde Da dove arrivano i numeri Cosa non può dirti
Per cosa ha ricevuto credito AppLovin? Attribuzione dell’MMP, con finestre di click di almeno 7 giorni e finestre view di almeno 24 ore Report dell’MMP Se quegli utenti sarebbero arrivati comunque
Quale partner ha toccato l’ordine? Incrementality % di Impact Modello di attribuzione di Impact Niente di causale; non ha un gruppo di controllo
Cosa ha causato AppLovin? Geo holdout, lift e ROAS incrementale con un intervallo Console degli store per territorio, revenue del backend Effetti in regioni o periodi fuori dal test
Come si confronta AppLovin nel mix nel tempo? MMM calibrato con esperimenti Serie temporali di spesa e risultati La causa, a meno che un esperimento non lo calibri

Da dove arrivano i dati sui risultati?

Non dalla dashboard di AppLovin, e non dai soli install attribuiti dall’MMP, perché quelli sono i numeri sotto test. App Store Connect Analytics ti permette di filtrare le metriche dell’app per territorio, che Apple determina dall’indirizzo di fatturazione del cliente. La pagina View app statistics di Google Play elenca country/region, il paese o la regione dell’utente, come dimensione. La revenue arriva dal backend dei tuoi abbonamenti o dal tuo registro, divisa allo stesso modo.

Nessuna delle due console degli store elenca gli stati degli USA, quindi un test per stato o area metropolitana richiede dati sui risultati che registrino lo stato. Lo confermerei prima di scegliere il design, perché decide se gli USA si possono dividere o no.

Come leggo il risultato?

Riporterei quattro numeri: install incrementali, revenue incrementale, ROAS incrementale e il suo intervallo di confidenza, accanto al ROAS attribuito per le stesse regioni e date. L’analisi di Meridian riporta la stessa struttura: lift, lift percentuale, intervalli di confidenza, p value e conversioni incrementali per dollaro, che equipara al ROAS incrementale quando il risultato è la revenue.

Un risultato non significativo di solito è non conclusivo, non zero: l’intervallo mostra quanto grande poteva essere un effetto che il test non ha colto. Se l’intervallo è ampio, il passo successivo è un test più lungo o più grande, non un verdetto. Se è stretto, userei il rapporto tra ROAS incrementale e ROAS attribuito come fattore di lavoro sui target di AppLovin, solo per quelle regioni e quel periodo. Il post di AppLovin sulla misurazione descrive un test di incrementalità come un esperimento legato a un momento preciso, in cui dimensione dell’holdout, livello di budget, durata del test, composizione dei geo e stabilità delle campagne interagiscono tra loro, quindi rifarei il test quando questi cambiano.

Dove si collocano MMM e studi di lift?

L’MMM aiuta quando un esperimento lo calibra. La pagina Calibrate treatment priors di Meridian dice che esperimenti e MMM hanno spesso estimandi diversi: il controfattuale dell’MMM è spesa zero, mentre alcuni esperimenti misurano rispetto a una spesa ridotta, in una finestra, una regione e un setup specifici. Dice che non esiste un’unica formula per tradurre un esperimento in un prior, e il suo CalibrationBuilder aggiunge incertezza agli esperimenti più vecchi e corregge in base alla scala di spesa. Un MMM senza un esperimento alle spalle dà una stima dell’effetto di AppLovin, non un test di quell’effetto.

I risultati di lift pubblicati su AppLovin che ho trovato riguardano i brand. Is AppLovin More Than a Hype Channel? Lessons From Haus Incrementality Tests di Haus copre geo holdout da gennaio 2025 a marzo 2026. Gli inserzionisti sono brand DTC e omnichannel, quindi è un contesto utile ma dice poco su app o giochi. Se un network si offre di condurre un test di lift per te, chiedi il design, la fonte dei risultati e l’intervallo prima che il test inizi. Il team di un network vede un solo network, ed è anche per questo che non può decidere sull’intero mix; ne parlo in chi dovrebbe gestire la UA di un gioco mobile dopo il soft launch.

Perché l’Incrementality % di Impact è credito modellato, non lift?

La domanda arriva quando un canale di partner o affiliate sta accanto ad AppLovin e rivendica gli stessi utenti. La Incrementality FAQ di Impact definisce l’Incrementality % come il credito frazionario totale del modello diviso per il totale degli ordini a cui il partner ha partecipato. Il modello è un “U-Shaped Time Decay Attribution Model” con un time decay di 7 giorni che pesa di più la prima e l’ultima interazione. La stessa pagina dice che un’Incrementality % alta significa che il partner sta generando “real additional value”.

Lo score descrive solo la posizione di un partner nei percorsi che Impact ha visto, non cosa sarebbe successo senza quel partner. L’Incrementality by Partner Report divide i ruoli in % Introduce, % Influence, % Close e % Solo, definisce l’Adjusted CPA come costo totale delle azioni diviso per le azioni incrementali e l’Adjusted ROAS come revenue incrementale divisa per il costo totale delle azioni, e consiglia almeno 30 giorni di dati. Quegli input incrementali sono il credito modellato, quindi anche i valori adjusted sono modellati. La pagina Incrementality Dashboard Explained dice che la funzione richiede edizioni o add on specifici. La stessa logica dell’holdout risponde alla domanda causale per un partner.

Come uso questo metodo nel mio lavoro?

Per un gioco che compra su AppLovin accanto a Meta, la pagina sull’acquisizione utenti per giochi mobile spiega come i due si combinano. Il growth audit legge cosa viene mandato a ogni network e dice quando l’attribuzione non basta a rispondere, per esempio se AppLovin è stato incrementale, e serve prima un test. Puoi prenotarlo da solo a qualsiasi livello di spesa.

Fonti

Tutte verificate il 1 ottobre 2026.

Domande frequenti

AppLovin conta gli install view through per le campagne app?

Per le campagne app, l'attribuzione passa dal tuo MMP, e le pagine di setup di AppLovin chiedono finestre view through. La sua pagina su AppsFlyer chiede che l'attribuzione view through degli install sia attiva, con un lookback view through di almeno 24 ore accanto a un lookback click through di almeno 7 giorni, e la sua pagina su Adjust chiede una finestra di impression di almeno 24 ore. L'affermazione che AppLovin riporta solo i click viene dal suo post di giugno 2026 sulla misurazione, scritto soprattutto per ecommerce e brand consumer, e vale per il reporting interno alla piattaforma.

Spegnere e riaccendere AppLovin dimostra se è incrementale?

Non da solo. Un confronto prima e dopo mescola il canale con tutto il resto che è cambiato in quelle settimane: stagionalità, eventi di live ops, messa in evidenza sugli store, altri canali e l'effetto residuo della spesa precedente. Quello che separa AppLovin dal calendario è un geo holdout: regioni senza AppLovin misurate nelle stesse settimane delle regioni con AppLovin, rispetto a un modello stimato sulle settimane precedenti al test.

L'MMM può dirmi se AppLovin funziona per la mia app?

Può sostenere la risposta, non renderla definitiva. La documentazione di Meridian di Google dice che gli esperimenti di incrementalità sono forse la base più solida per impostare i prior del modello, e avverte che esperimenti e MMM spesso definiscono il ROI in modo diverso: il controfattuale dell'MMM è spesa zero, mentre un test può confrontare con una spesa ridotta, in una finestra, in regioni e con impostazioni di campagna specifiche. Un modello senza un esperimento alle spalle è una stima dell'effetto di AppLovin, non una prova.

L'Incrementality % di Impact è il risultato di un test di lift?

No. Impact la definisce come il credito frazionario totale del suo modello di attribuzione U shaped con time decay diviso per il totale degli ordini a cui il partner ha partecipato, con il primo e l'ultimo touch pesati di più. Descrive dove si trova un partner nel percorso di conversione. Non confronta gli utenti esposti con un gruppo di controllo, quindi non può dirti cosa sarebbe successo senza il partner.