Analisi di sensibilità a tornado: le leve che contano davvero

Il grafico del post: Analisi di sensibilità a tornado: le leve che contano davvero.
Così come è uscito su LinkedIn. Dati: Campione app mobile, 104 settimane di installazioni e nove driver.

Prima di simulare scenari, esegui questo. È un grafico a tornado, e ti dice da quali leve dipende davvero la risposta.

Ogni riga è un driver spostato in giù e in su da solo, con tutto il resto fermo. La barra è l’effetto di quello spostamento sull’orizzonte.

Prezzo dell’abbonamento: circa 43.000 installazioni a settimana in entrambe le direzioni. Google Ads: circa 8.000. Apple Search Ads: 7.000. Meta: 6.000. TikTok: 1.600. Il resto sono arrotondamenti.

La leva del prezzo è cinque volte la più grande delle leve media, e non è affatto una decisione media.

Quell’ordine cambia l’argomento della conversazione di pianificazione. Un team può passare un mese a ottimizzare la ripartizione tra Google e Meta, che agli estremi vale qualche migliaio di installazioni a settimana, mentre una decisione di prezzo presa in un altro edificio ne muove quarantatremila.

Tre modi di usare bene un grafico di sensibilità.

Decidere dove mettere la tua attenzione. Le prime due righe sono quelle in cui contano l’impegno di modellazione e la qualità dei dati. Le ultime possono restare approssimate senza cambiare nessuna decisione.

Da dove viene l’oscillazione, e quanto vale. Installazioni settimanali guadagnate e perse per driver · netto +60, intervallo da −144 a +258
La stessa analisi da un’altra angolazione.

Decidere che cosa verificare due volte. Un driver con una leva enorme e un coefficiente debole è l’oggetto più pericoloso del modello, perché l’intero scenario poggia su un numero che nessuno ha interrogato.

E decidere che cosa lasciare fuori. I driver le cui barre a questa scala sono invisibili si possono tenere costanti nello scenario senza perdite, il che rende la simulazione più semplice da spiegare e non meno accurata.

Una nota su questa esecuzione in particolare, e TEA la stampa con il risultato: Apple Search Ads ha un effetto stimato non positivo, quindi in questo modello spendere di più lì abbassa il KPI. Con canali correlati di solito significa che il modello non riesce a separarli, non che il canale faccia danni. Una barra del tornado per un driver in quello stato misura la confusione del modello, e va letta così, non come un’istruzione.

Se la leva più grande del tuo tornado non è una variabile di marketing, è un risultato da portare ai piani alti, non qualcosa di cui imbarazzarsi. È l’argomento più forte che esista perché il marketing sia nella stanza quando si decide il prezzo, ed è costruito con i numeri dell’azienda stessa.

Il grafico ti dà anche un modo difendibile per dire di no. Quando qualcuno chiede uno scenario su un driver la cui barra è invisibile, la risposta non è che non sia interessante. La risposta è che il modello non riesce a rilevare una differenza a quella scala, ed ecco il grafico che mostra perché.

Il grafico è l’output reale di Simulazione di scenari in TEA.

tea, il prodotto

Il tuo file, questa domanda

Quindici analisi su un CSV di dati settimanali, con intervalli e diagnostica in vista, e una frase chiara quando i dati non possono rispondere. Gratis durante la beta, su invito.

Chiedi un posto nella beta

tea, il prodotto

Quindici analisi econometriche sul tuo CSV: Simulazione di scenari, curve di saturazione, elasticità, allocazione del budget. Intervalli e diagnostica in vista, e una frase chiara quando il file non può rispondere.

Gratis durante la beta, su invito.

Chiedi un posto nella beta →

Ti è piaciuto? Eseguilo sui tuoi dati.

tea esegue Simulazione di scenari e altre quattordici analisi su qualsiasi CSV settimanale, in pochi minuti. Gratis durante la beta, su invito.

Entra nella beta