تقرير عن التجارب

هناك طريقتان رئيسيتان لإعداد تقارير عن تجارب A/B العادية:

  • إعداد تقارير التجارب المباشرة: يمكنك طلب البحث عن المورد experiment للحصول على المقاييس. يوفّر هذا الخيار مقاييس لمجموعتَي التجربة والضابطة في ردّ واحد، بالإضافة إلى بيانات المقارنة الإحصائية، مثل التحسُّن وقيم الاحتمالية. هذه هي الطريقة الوحيدة لإعداد تقارير عن التجارب داخل الحملة.
  • إعداد تقارير الحملات: يمكنك طلب البحث عن المورد campaign للحصول على المقاييس، وذلك باستخدام campaign.experiment_type للتمييز بين الحملات الأساسية والتجريبية. لا يتوفّر هذا الخيار إلّا للتجارب التي تستخدِم حملات ضابطة وتجريبية منفصلة، مثل التجارب التي يديرها النظام.

بالنسبة إلى التجارب العادية، يركّز هذا الدليل بشكل أساسي على إعداد تقارير التجارب المباشرة، وهو متوافق مع جميع أنواع التجارب التي تتيح إعداد التقارير. بالنسبة إلى دراسات قياس التحسُّن، يمكنك أيضًا إعداد تقارير عن تأثير العلامة التجارية ومقياس "زيادة الإحالات الناجحة" ومقياس "زيادة البحث" باستخدام مراجع مخصّصة لقياس التحسُّن.

تقارير التجارب المباشرة

يمكنك الاستعلام عن مورد experiment مباشرةً لاسترداد مقاييس الأداء والمقارنات الإحصائية بين مجموعتَي التحكّم والتجربة.

المقاييس والدلالة الإحصائية

بالنسبة إلى المقاييس الأساسية، مثل النقرات ومرّات الظهور والتكلفة والإحالات الناجحة وقيمة الإحالة الناجحة، يوفّر المورد experiment كلاً من مقاييس المجموعة التجريبية (مثل metrics.clicks) ومقاييس المجموعة الضابطة (مثل metrics.control_clicks) في الصف نفسه.

وتوفّر أيضًا حقولاً لمساعدتك في تقييم الدلالة الإحصائية لأي اختلاف بين المجموعات:

  • metrics.*_p_value: احتمالية حدوث النتائج المرصودة إذا لم يكن للتجربة أي تأثير فعلي في المقياس. تشير القيمة الاحتمالية الأقل إلى دلالة إحصائية أعلى.
  • ‫metrics.*_point_estimate: النسبة المئوية المقدَّرة للتحسُّن (إيجابي أو سلبي) في المقياس المحدّد لمجموعة التجربة مقارنةً بالمجموعة الضابطة ويصفان مع margin_of_error فاصل ثقة بمستوى ثقة محدّد للفرق الذي يتم تقديره. الكمية التي يتم تقديرها هي (مجموعة التجربة / المجموعة الضابطة - 1). التقدير النقطي هو مركز فاصل الثقة.
  • ‫metrics.*_margin_of_error: نصف قطر فاصل الثقة الذي يتوسّطه point_estimate ويتم احتسابها لمستوى ثقة محدّد يعتمد على نوع التجربة.

تتوفّر حقول المقاييس الأساسية التالية في المورد experiment، بما في ذلك قيمة مجموعة تجريبية وقيمة مجموعة ضابطة وحقول الإحصاءات المدرَجة سابقًا:

  • clicks
  • impressions
  • cost_micros
  • conversions
  • cost_per_conversion
  • conversion_value
  • conversion_value_per_cost

بالنسبة إلى الإحالات الناجحة على وجه التحديد، تتوفّر الحقول الإحصائية من خلال حقول absolute_change التالية، بدلاً من القيم النسبية:

للحصول على مساعدة في إنشاء طلبات بحث صالحة لمورد experiment، استخدِم أداة إنشاء طلبات البحث في "إعلانات Google".

مثال على طلب البحث

يسترجع طلب البحث التالي في GAQL المقاييس الرئيسية لتجربة معيّنة:

SELECT
  experiment.experiment_id,
  experiment.name,
  experiment.type,
  metrics.clicks,
  metrics.control_clicks,
  metrics.clicks_point_estimate,
  metrics.clicks_margin_of_error,
  metrics.clicks_p_value,
  metrics.conversions,
  metrics.control_conversions,
  metrics.conversions_absolute_change_point_estimate,
  metrics.conversions_absolute_change_margin_of_error,
  metrics.conversions_absolute_change_p_value
FROM experiment
WHERE experiment.experiment_id = EXPERIMENT_ID

تفسير النتائج

يمكنك استخدام حقول القيمة الاحتمالية والتقدير النقطي وهامش الخطأ لتحديد ما إذا كانت تجربتك قد حقّقت نتائج ذات دلالة إحصائية. على سبيل المثال، إذا كانت قيمة conversions_absolute_change_p_value أقل من الحدّ الذي اخترته (مثل 0.05 لمستوى ثقة% 95) وكانت قيمة conversions_absolute_change_point_estimate - conversions_absolute_change_margin_of_error أكبر من الصفر، يعني ذلك أنّ أداء مجموعة التجربة أفضل بكثير من أداء المجموعة الضابطة من حيث الإحالات الناجحة.

في ما يلي مقتطف من رمز Python البرمجي يوضّح كيفية تقييم النتائج استنادًا إلى القيمة الاحتمالية وتقديرات التحسّن:

جافا

private void evaluateExperiment(
    GoogleAdsClient googleAdsClient, long customerId, GoogleAdsRow row) {
  Metrics metrics = row.getMetrics();
  String experimentResourceName = row.getExperiment().getResourceName();

  // 1. Evaluate conversion success as a primary success signal if available.
  // - Point Estimate: Represents the estimated average lift or difference in conversions.
  // - Margin of Error: Outlines the confidence interval bounds. Note that the margin_of_error
  //   provided by the API is calculated for a preset confidence level which is set based on the
  //   experiment type.
  // - Lower Bound: (Point Estimate - Margin of Error). If this value is above 0,
  //   we have statistical significance that performance has improved.
  double convPValue = metrics.getConversionsAbsoluteChangePValue();
  double convLift = metrics.getConversionsAbsoluteChangePointEstimate();
  double convError = metrics.getConversionsAbsoluteChangeMarginOfError();
  double convLowerBound = convLift - convError;

  if (convPValue <= P_VALUE_THRESHOLD) {
    if (convLowerBound > 0) {
      System.out.printf(
          "Significant Success: Conversions increased. Even at the lower bound, the lift is %.2f."
              + " Promoting changes.%n",
          convLowerBound);
      promoteExperiment(googleAdsClient, customerId, experimentResourceName);
      return;
    } else if ((convLift + convError) < 0) {
      System.out.printf(
          "Significant Decline: Even the upper bound (%.2f) is below zero. Ending experiment.%n",
          convLift + convError);
      endExperiment(googleAdsClient, customerId, experimentResourceName);
      return;
    }
  }

  // 2. Fall back to evaluating click metrics if conversions are inconclusive.
  double clickPValue = metrics.getClicksPValue();
  double clickLift = metrics.getClicksPointEstimate();
  double clickError = metrics.getClicksMarginOfError();
  double clickLowerBound = clickLift - clickError;

  if (clickPValue <= P_VALUE_THRESHOLD && clickLowerBound > 0) {
    System.out.printf("Click volume is significantly up (+%.1f%%).%n", clickLift * 100);

    // Graduation is only supported for separate campaign experiments, not
    // intra-campaign experiments where there is no separate treatment campaign.
    ExperimentType experimentType = row.getExperiment().getType();
    if (experimentType != ExperimentType.ADOPT_BROAD_MATCH_KEYWORDS
        && experimentType != ExperimentType.ADOPT_AI_MAX) {
      System.out.println("Graduating treatment campaign for further manual analysis.");
      graduateExperiment(googleAdsClient, customerId, experimentResourceName);
    } else {
      System.out.println(
          "Intra-campaign trial detected: graduation is not supported. Continuing to run the"
              + " experiment to gather more conversion data.");
    }
  } else {
    // 3. Print status if no action was taken.
    System.out.printf(
        "Inconclusive: No significant lift in Conversions (p=%.2f) or Clicks (p=%.2f). Current"
            + " estimated lift: %.2f +/- %.2f. Allowing the experiment to continue running.%n",
        convPValue, clickPValue, convLift, convError);
  }
}

#C

private static void EvaluateExperiment(GoogleAdsClient client, long customerId, GoogleAdsRow row)
{
    // This function evaluates performance metrics and immediately takes action
    // to update the experiment's status (promote, end, or graduate) if
    // statistical significance thresholds are met.
    var metrics = row.Metrics;
    string experimentResourceName = row.Experiment.ResourceName;

    bool hasConvMetrics = metrics.HasConversionsAbsoluteChangePValue
        && metrics.HasConversionsAbsoluteChangePointEstimate
        && metrics.HasConversionsAbsoluteChangeMarginOfError;

    bool hasClickMetrics = metrics.HasClicksPValue
        && metrics.HasClicksPointEstimate
        && metrics.HasClicksMarginOfError;

    // 1. Evaluate conversion success as a primary success signal if available.
    // - Point Estimate: Represents the estimated average lift or difference in conversions.
    // - Margin of Error: Outlines the confidence interval bounds. Note that the margin_of_error
    //   provided by the API is calculated for a preset confidence level which is set based on
    //   the experiment type.
    // - Lower Bound: (Point Estimate - Margin of Error). If this value is above 0,
    //   we have statistical significance that performance has improved.
    if (hasConvMetrics)
    {
        double convPValue = metrics.ConversionsAbsoluteChangePValue;
        double convLift = metrics.ConversionsAbsoluteChangePointEstimate;
        double convError = metrics.ConversionsAbsoluteChangeMarginOfError;
        double convLowerBound = convLift - convError;

        if (convPValue <= P_VALUE_THRESHOLD)
        {
            if (convLowerBound > 0)
            {
                Console.WriteLine(
                    $"Significant Success: Conversions increased. Even at the lower" +
                    $" bound, the lift is {convLowerBound:F2}. Promoting changes.");
                PromoteExperiment(client, customerId, experimentResourceName);
                return;
            }
            else if ((convLift + convError) < 0)
            {
                Console.WriteLine(
                    $"Significant Decline: Even the upper bound ({convLift + convError:F2}) " +
                    $"is below zero. Ending experiment.");
                EndExperiment(client, customerId, experimentResourceName);
                return;
            }
        }
    }

    // 2. Evaluate click volume as a secondary signal.
    // This is helpful as an early indicator or for lower-volume accounts.
    if (hasClickMetrics)
    {
        double clickPValue = metrics.ClicksPValue;
        double clickLift = metrics.ClicksPointEstimate;
        double clickError = metrics.ClicksMarginOfError;
        double clickLowerBound = clickLift - clickError;

        if (clickPValue <= P_VALUE_THRESHOLD && clickLowerBound > 0)
        {
            // We have a directional winner: high confidence in more traffic,
            // but not enough data to confirm conversion impact yet.
            Console.WriteLine(
                $"Click volume is significantly up (+{clickLift * 100:F1}%).");

            // Graduation is only supported for separate campaign experiments, not
            // intra-campaign experiments where there is no separate treatment campaign.
            if (row.Experiment.Type != ExperimentType.AdoptBroadMatchKeywords
                && row.Experiment.Type != ExperimentType.AdoptAiMax)
            {
                Console.WriteLine("Graduating treatment campaign for further manual analysis.");
                GraduateExperiment(client, customerId, experimentResourceName);
            }
            else
            {
                Console.WriteLine(
                    "Intra-campaign trial detected: graduation is not supported. " +
                    "Continuing to run the experiment to gather more conversion data.");
            }
            return;
        }
    }

    // 3. Print status if no action was taken.
    if (hasConvMetrics || hasClickMetrics)
    {
        string convStatus = hasConvMetrics
            ? $"Conversions (p={metrics.ConversionsAbsoluteChangePValue:F2}, " +
              $"lift={metrics.ConversionsAbsoluteChangePointEstimate:F2} +/- " +
              $"{metrics.ConversionsAbsoluteChangeMarginOfError:F2})"
            : "Conversions (not populated)";

        string clickStatus = hasClickMetrics
            ? $"Clicks (p={metrics.ClicksPValue:F2}, " +
              $"lift={metrics.ClicksPointEstimate:F2} +/- " +
              $"{metrics.ClicksMarginOfError:F2})"
            : "Clicks (not populated)";

        Console.WriteLine(
            $"Inconclusive: No significant action taken. {convStatus}, {clickStatus}. " +
            "Allowing the experiment to continue running.");
    }
    else
    {
        Console.WriteLine(
            "Conversion and click performance metrics are not yet populated. " +
            "Allowing the experiment to continue running.");
    }
}

PHP

This example is not yet available in PHP; you can take a look at the other languages.

Python

def evaluate_experiment(
    client: GoogleAdsClient, customer_id: str, row: GoogleAdsRow
) -> None:
    """Evaluates the performance of the experiment and updates it accordingly
    (for example, promotes, ends, or graduates).

    Checks conversion and click metrics against statistical significance thresholds
    to determine the appropriate action to take on the experiment.

    Args:
        client: an initialized GoogleAdsClient instance.
        customer_id: a client customer ID.
        row: a GoogleAdsRow containing the experiment and metrics.
    """
    # This function evaluates performance metrics and immediately takes action
    # to update the experiment's status (promote, end, or graduate) if
    # statistical significance thresholds are met.
    metrics = row.metrics
    experiment_resource_name = row.experiment.resource_name

    has_conv_metrics = (
        "conversions_absolute_change_p_value" in metrics
        and "conversions_absolute_change_point_estimate" in metrics
        and "conversions_absolute_change_margin_of_error" in metrics
    )
    has_click_metrics = (
        "clicks_p_value" in metrics
        and "clicks_point_estimate" in metrics
        and "clicks_margin_of_error" in metrics
    )

    # 1. Evaluate conversion success as a primary success signal if available.
    # - Point Estimate: Represents the estimated average lift or difference in conversions.
    # - Margin of Error: Outlines the confidence interval bounds. Note that the margin_of_error provided by the API is calculated for a preset confidence level which is set based on the experiment type.
    # - Lower Bound: (Point Estimate - Margin of Error). If this value is above 0,
    #   we have statistical significance that performance has improved.
    if has_conv_metrics:
        conv_p_value = metrics.conversions_absolute_change_p_value
        conv_lift = metrics.conversions_absolute_change_point_estimate
        conv_error = metrics.conversions_absolute_change_margin_of_error
        conv_lower_bound = conv_lift - conv_error

        if conv_p_value <= P_VALUE_THRESHOLD:
            if conv_lower_bound > 0:
                print(
                    "Significant Success: Conversions increased. Even at the lower"
                    f" bound, the lift is {conv_lower_bound:.2f}. Promoting"
                    " changes."
                )
                promote_experiment(
                    client, customer_id, experiment_resource_name
                )
                return
            elif (conv_lift + conv_error) < 0:
                print(
                    "Significant Decline: Even the upper bound"
                    f" ({conv_lift + conv_error:.2f}) is below zero. Ending"
                    " experiment."
                )
                end_experiment(client, customer_id, experiment_resource_name)
                return

        # 2. Evaluate click volume as a secondary signal.
        # This is helpful as an early indicator or for lower-volume accounts.
        click_p_value = metrics.clicks_p_value
        click_lift = metrics.clicks_point_estimate
        click_error = metrics.clicks_margin_of_error
        click_lower_bound = click_lift - click_error

        if click_p_value <= P_VALUE_THRESHOLD and click_lower_bound > 0:
            # We have a directional winner: high confidence in more traffic,
            # but not enough data to confirm conversion impact yet.
            print(f"Click volume is significantly up (+{click_lift*100:.1f}%).")

            # Graduation is only supported for separate campaign experiments, not
            # intra-campaign experiments where there is no separate treatment campaign.
            experiment_type_name = row.experiment.type_.name
            if (
                experiment_type_name != "ADOPT_BROAD_MATCH_KEYWORDS"
                and experiment_type_name != "ADOPT_AI_MAX"
            ):
                print(
                    "Graduating treatment campaign for further manual analysis."
                )
                graduate_experiment(
                    client, customer_id, experiment_resource_name
                )
            else:
                print(
                    "Intra-campaign trial detected: graduation is not supported. "
                    "Continuing to run the experiment to gather more conversion data."
                )
            return

    # 3. Print status if no action was taken.
    if has_conv_metrics or has_click_metrics:
        conv_status = (
            f"Conversions (p={metrics.conversions_absolute_change_p_value:.2f}, "
            f"lift={metrics.conversions_absolute_change_point_estimate:.2f} +/- "
            f"{metrics.conversions_absolute_change_margin_of_error:.2f})"
            if has_conv_metrics
            else "Conversions (not populated)"
        )
        click_status = (
            f"Clicks (p={metrics.clicks_p_value:.2f}, "
            f"lift={metrics.clicks_point_estimate:.2f} +/- "
            f"{metrics.clicks_margin_of_error:.2f})"
            if has_click_metrics
            else "Clicks (not populated)"
        )
        print(
            f"Inconclusive: No significant action taken. {conv_status}, {click_status}."
            " Allowing the experiment to continue running."
        )
    else:
        print(
            "Conversion and click performance metrics are not yet populated. "
            "Allowing the experiment to continue running."
        )

Ruby

def evaluate_experiment(client, customer_id, row)
  # This function evaluates performance metrics and immediately takes action
  # to update the experiment's status (promote, end, or graduate) if
  # statistical significance thresholds are met.
  metrics = row.metrics
  experiment_resource_name = row.experiment.resource_name

  has_conv_metrics = !metrics.nil? &&
                     metrics.has_conversions_absolute_change_p_value? &&
                     metrics.has_conversions_absolute_change_point_estimate? &&
                     metrics.has_conversions_absolute_change_margin_of_error?
  has_click_metrics = !metrics.nil? &&
                      metrics.has_clicks_p_value? &&
                      metrics.has_clicks_point_estimate? &&
                      metrics.has_clicks_margin_of_error?

  # 1. Evaluate conversion success as a primary success signal if available.
  # - Point Estimate: Represents the estimated average lift or difference in conversions.
  # - Margin of Error: Outlines the confidence interval bounds. Note that the margin_of_error
  #   provided by the API is calculated for a preset confidence level which is set based on the experiment type.
  # - Lower Bound: (Point Estimate - Margin of Error). If this value is above 0,
  #   we have statistical significance that performance has improved.
  if has_conv_metrics
    conv_p_value = metrics.conversions_absolute_change_p_value
    conv_lift = metrics.conversions_absolute_change_point_estimate
    conv_error = metrics.conversions_absolute_change_margin_of_error
    conv_lower_bound = conv_lift - conv_error

    if conv_p_value <= P_VALUE_THRESHOLD
      if conv_lower_bound > 0
        puts sprintf(
          "Significant Success: Conversions increased. Even at the lower " \
          "bound, the lift is %.2f. Promoting changes.",
          conv_lower_bound,
        )
        promote_experiment(client, customer_id, experiment_resource_name)
        return
      elsif (conv_lift + conv_error) < 0
        puts sprintf(
          "Significant Decline: Even the upper bound (%.2f) is below zero. " \
          "Ending experiment.",
          conv_lift + conv_error,
        )
        end_experiment(client, customer_id, experiment_resource_name)
        return
      end
    end
  end

  # 2. Evaluate click volume as a secondary signal.
  # This is helpful as an early indicator or for lower-volume accounts.
  if has_click_metrics
    click_p_value = metrics.clicks_p_value
    click_lift = metrics.clicks_point_estimate
    click_error = metrics.clicks_margin_of_error
    click_lower_bound = click_lift - click_error

    if click_p_value <= P_VALUE_THRESHOLD && click_lower_bound > 0
      # We have a directional winner: high confidence in more traffic,
      # but not enough data to confirm conversion impact yet.
      puts sprintf("Click volume is significantly up (+%.1f%%).", click_lift * 100)

      # Graduation is only supported for separate campaign experiments, not
      # intra-campaign experiments where there is no separate treatment campaign.
      experiment_type = row.experiment.type
      if experiment_type != :ADOPT_BROAD_MATCH_KEYWORDS && experiment_type != :ADOPT_AI_MAX
        puts "Graduating treatment campaign for further manual analysis."
        graduate_experiment(client, customer_id, experiment_resource_name)
      else
        puts "Intra-campaign trial detected: graduation is not supported. " \
             "Continuing to run the experiment to gather more conversion data."
      end
      return
    end
  end

  # 3. Print status if no action was taken.
  if has_conv_metrics || has_click_metrics
    conv_status = if has_conv_metrics
      sprintf(
        "Conversions (p=%.2f, lift=%.2f +/- %.2f)",
        metrics.conversions_absolute_change_p_value,
        metrics.conversions_absolute_change_point_estimate,
        metrics.conversions_absolute_change_margin_of_error,
      )
    else
      "Conversions (not populated)"
    end

    click_status = if has_click_metrics
      sprintf(
        "Clicks (p=%.2f, lift=%.2f +/- %.2f)",
        metrics.clicks_p_value,
        metrics.clicks_point_estimate,
        metrics.clicks_margin_of_error,
      )
    else
      "Clicks (not populated)"
    end

    puts "Inconclusive: No significant action taken. #{conv_status}, #{click_status}. " \
         "Allowing the experiment to continue running."
  else
    puts "Conversion and click performance metrics are not yet populated. " \
         "Allowing the experiment to continue running."
  end
end

Perl

This example is not yet available in Perl; you can take a look at the other languages.

curl

مزايا تقارير الحملات

يقدّم إعداد تقارير التجارب المباشرة مزايا عديدة مقارنةً بالاستعلام عن تقارير الحملات بشكل منفصل:

  1. المقاييس المركزية: يمكنك استرداد مقاييس المجموعة الضابطة ومجموعة التجربة في صف واحد.
  2. بيانات الثقة الإحصائية: توفّر قيم p المحسوبة والتقديرات النقطية وهوامش الخطأ.
  3. الكفاءة: تلغي الحاجة إلى دمج النتائج أو مقارنتها يدويًا من تقارير متعددة.
  4. دعم التجارب ضمن الحملة: هذه هي الطريقة الوحيدة لمقارنة المجموعة الضابطة بمجموعة التجربة في التجارب ضمن الحملة، حيث يتم تقسيم عدد الزيارات داخل حملة واحدة.

إعداد تقارير الحملة

بالنسبة إلى التجارب التي تنشئ حملات تجريبية منفصلة (على سبيل المثال، SEARCH_CUSTOM)، يمكنك الاستعلام عن مورد campaign واستخدام campaign.experiment_type لتحديد حملات BASE (الضابطة) وEXPERIMENT (التجريبية). يكون هذا النهج مفيدًا إذا كنت بحاجة إلى تقسيم المقاييس على مستوى أكثر دقة (مثل المجموعة الإعلانية أو الكلمة الرئيسية) أو عرض البيانات الوصفية للحملة غير المتاحة في المورد experiment. ومع ذلك، يتطلب منك إجراء مقارنات الأداء والحسابات الإحصائية يدويًا.

لا يمكنك استخدام التقارير على مستوى الحملة لمقارنة مجموعات التجارب ضمن الحملة الواحدة، لأنّ تقسيم عدد الزيارات يتم داخليًا ضمن حملة واحدة. يؤدي الاستعلام عن campaign لتجربة ضمن الحملة إلى عرض الإجماليات المجمّعة فقط.

تقارير "تأثير العلامة التجارية"

يمكنك إعداد تقارير عن دراسات "تأثير العلامة التجارية" في Google Ads API باستخدام موارد مخصّصة لقياس "تأثير العلامة التجارية".

مراجع "تأثير العلامة التجارية" وطرق عرض التقسيم

يمكنك طلب البحث في المورد LiftMeasurementFlight لاسترداد نتائج دراسة تأثير العلامة التجارية على مستوى الفترة الإعلانية، بما في ذلك النطاقات الزمنية للفترة الإعلانية (start_date وend_date) في المنطقة الزمنية للعميل.

لتحليل مقاييس "تأثير العلامة التجارية" على مستوى سمات شرائح مختلفة، يمكنك طلب موارد التقسيم المقابلة:

يحدّد التعداد BrandLiftMeasurementType نوع القياس للدراسة، مثل الوعي بالعلامة التجارية أو تذكُّر الإعلان.

أمثلة على طلبات البحث حول تأثير العلامة التجارية

بما أنّ البيانات الوصفية للحملات المحدّدة المدة وإحصاءات التحسّن تتوفّر في موارد منفصلة، يتطلّب الاستعلام عن تفاصيل الحملات المحدّدة المدة وإحصاءات الأداء طلبات بحث منفصلة في لغة طلب البحث في Google Ads‏ (GAQL).

طلب البحث عن تفاصيل الرحلة الجوية

لاسترداد البيانات الوصفية لحملة "تأثير العلامة التجارية"، مثل حالتها ونوع القياس والتواريخ المُجدوَلة، يمكنك طلب البحث في المورد LiftMeasurementFlight:

SELECT
  lift_measurement_flight.lift_measurement_config_id,
  lift_measurement_flight.lift_measurement_flight_id,
  lift_measurement_flight.name,
  lift_measurement_flight.status,
  lift_measurement_flight.lift_type,
  lift_measurement_flight.start_date,
  lift_measurement_flight.end_date
FROM lift_measurement_flight
WHERE lift_measurement_flight.lift_measurement_config_id = CONFIG_ID

طلب بحث عن الإحصاءات

لاسترداد مقاييس "تأثير العلامة التجارية"، يمكنك الاستعلام عن مورد التقسيم المناسب (أو إعدادات الدراسة الإجمالية على LiftMeasurementConfig). على سبيل المثال، يستردّ طلب البحث التالي مقاييس "تأثير العلامة التجارية" مقسّمة حسب الحملة من LiftMeasurementCampaign:

SELECT
  lift_measurement_campaign.lift_measurement_config_id,
  lift_measurement_campaign.campaign,
  metrics.absolute_brand_lift,
  metrics.relative_brand_lift
FROM lift_measurement_campaign
WHERE lift_measurement_campaign.lift_measurement_config_id = CONFIG_ID

تقارير "زيادة الإحالات الناجحة"

يمكنك قياس التأثير المتزايد لإعلاناتك في الإحالات الناجحة باستخدام تقارير "زيادة الإحالات الناجحة" في Google Ads API.

إعدادات ومقاييس "زيادة الإحالات الناجحة"

يمكنك إرسال طلب بحث إلى المورد LiftMeasurementConfig لاسترداد إعدادات دراسة "زيادة الإحالات الناجحة" وبيانات الأداء.

يوفّر هذا المرجع مقاييس "زيادة الإحالات الناجحة" لتقييم الأداء المتزايد:

تتيح تقارير "زيادة الإحالات الناجحة" أيضًا التقسيم حسب إجراءات الإحالات الناجحة واسترداد تفاصيل الحملات المرتبطة وتفاصيل التجارب وأهداف الإحالات الناجحة.

اعتبارًا من v26، يمكنك الاطّلاع على إعدادات قياس التحسُّن المرتبطة بحملة معيّنة مباشرةً من المورد campaign باستخدام Campaign.lift_measurement_config. يساعد ذلك في تجنُّب الحاجة إلى المقارنة بين مصادر بيانات متعددة لمورد LiftMeasurementConfig بشكل منفصل:

SELECT
  campaign.id,
  campaign.lift_measurement_config
FROM campaign
WHERE campaign.id = CAMPAIGN_ID

يحتوي حقل lift_measurement_config الذي تم عرضه على اسم المرجع بالتنسيق customers/{customer_id}/liftMeasurementConfigs/{lift_measurement_config_id}.

ملاحظة: يحتوي lift_measurement_config على اسم المورد للإعدادات المرتبطة مؤخرًا (نشطة أو غير نشطة) إذا كانت الحملة قد نفّذت تجارب تأثير متعددة.

مثال على طلب بحث عن مقياس "زيادة الإحالات الناجحة"

يستردّ طلب البحث التالي في GAQL إعدادات مقياس "زيادة الإحالات الناجحة" ومقاييس الأداء الرئيسية. يُرجى العِلم أنّ segments.conversion_lift_start_date وsegments.conversion_lift_end_date هما حقلان من النوع INT64 تم تنسيقهما كأعداد صحيحة من 8 أرقام بدون علامات اقتباس بتنسيق YYYYMMDD (على سبيل المثال، 20260501):

SELECT
  lift_measurement_config.lift_measurement_config_id,
  segments.conversion_lift_start_date,
  segments.conversion_lift_end_date,
  segments.conversion_lift_included_conversion_action_types,
  metrics.conversion_lift_baseline_conversions,
  metrics.conversion_lift_exposed_conversions,
  metrics.incremental_conversions,
  metrics.cost_per_incremental_conversion,
  metrics.relative_conversion_lift,
  metrics.incremental_conversion_value,
  metrics.relative_conversion_value_lift
FROM lift_measurement_config
WHERE segments.conversion_lift_start_date = YYYYMMDD
  AND segments.conversion_lift_end_date = YYYYMMDD
  AND lift_measurement_config.lift_measurement_config_id = CONFIG_ID

تقارير "زيادة البحث"

يمكنك قياس الزيادة في حجم طلبات البحث المجانية الناتجة عن حملاتك الإعلانية باستخدام تقارير "زيادة البحث" في Google Ads API. يحدّد مقياس "زيادة البحث" الفرق في سلوك البحث عن علامتك التجارية أو منتجاتك بين المستخدمين الذين شاهدوا إعلاناتك ومجموعة التحكّم التي لم تشاهدها.

مراجع مقياس "زيادة البحث" وتقسيمه

يمكنك الاستعلام عن مورد SearchLiftKeywordBundle للحصول على تفاصيل حول مجموعات الكلمات الرئيسية التي تم ضبطها لدراسات "زيادة البحث". ‫SearchLiftKeywordBundle هو حقل للقراءة فقط في واجهة برمجة التطبيقات (جميع الحقول هي OUTPUT_ONLY)، ويتم ضبط حِزم الكلمات الرئيسية في واجهة مستخدم "إعلانات Google" أو من خلال ممثلي Google أو فريق Global Product Solutions‏ (GPS). الحقول التي يمكن البحث فيها في GAQL هي resource_name وsearch_lift_keyword_bundle_id وsource (SearchLiftMatchingInfoSource) وstatus (SearchLiftKeywordBundleStatus) (لا يمكن اختيار الحقل المتكرّر keywords في طلبات البحث في GAQL).

يمكنك الاستعلام عن المورد LiftMeasurementConfig لاسترداد مقاييس "زيادة البحث" وإعدادات الدراسة الإجمالية.

يمكنك تقسيم أداء مقياس "زيادة البحث" باستخدام السمات التالية:

  • segments.search_lift_keyword_bundle: التقسيم حسب اسم مورد حزمة الكلمات الرئيسية متوافقة مع segments.search_property وsegments.date والشرائح الديمغرافية (segments.device وsegments.age_range وsegments.gender).
  • segments.search_property: يمكنك التقسيم حسب موقع البحث الذي تم إجراء البحث فيه، والذي يتم تحديده من خلال SearchLiftSearchProperty (مثل &quot;بحث Google&quot; أو YouTube). يُرجى العِلم أنّ segments.search_property يتوافق فقط مع segments.search_lift_keyword_bundle وsegments.date، ولا يمكن الجمع بين segments.search_property والشرائح الديمغرافية (segments.device أو segments.age_range أو segments.gender)، كما أنّ ذلك يؤدي إلى تعذُّر التحقّق من صحة طلب البحث في واجهة برمجة التطبيقات.
  • الشرائح الديمغرافية وشرائح التاريخ: segments.device وsegments.age_range وsegments.gender وsegments.date

مقاييس "زيادة البحث"

يوفّر المورد LiftMeasurementConfig مقاييس "زيادة البحث" لتقييم التغييرات في سلوك البحث:

  • metrics.relative_search_lift: الفرق في حجم طلبات البحث بين المجموعة التجريبية والمجموعة الضابطة، ويتم التعبير عنه كجزء من طلبات البحث في المجموعة الضابطة.
  • metrics.relative_search_lift_p90_lower_bound وmetrics.relative_search_lift_p90_upper_bound: الحدّان الأدنى والأقصى لفاصل الثقة بنسبة% 90 لمقياس "زيادة البحث" النسبي.
  • metrics.incremental_searches_p_value: القيمة الاحتمالية للزيادة في البحث، والتي تمثّل الاحتمال الإحصائي لحدوث الزيادة الملحوظة في طلبات البحث عن طريق الصدفة.
  • metrics.search_lift_cost_micros: إجمالي تكلفة (بالوحدات الدقيقة) مرّات ظهور الإعلانات التي تم عرضها لشريحة قياس "زيادة البحث" هذه.
  • metrics.search_lift_impressions: إجمالي عدد مرّات ظهور الإعلان التي تم عرضها لشريحة قياس "زيادة البحث" هذه

يتم تسجيل المقاييس المتزايدة الموحّدة التالية، بالإضافة إلى الحدّين الأدنى والأقصى لفاصل الثقة المقابل بنسبة %90 (*_p90_lower_bound و*_p90_upper_bound)، عندما يكون التحسّن إيجابيًا من الناحية الإحصائية:

أمثلة على طلبات البحث في دراسة "زيادة البحث"

توضّح طلبات البحث التالية في GAQL كيفية استرداد حِزم الكلمات الرئيسية ومقاييس الأداء في مقياس "زيادة البحث".

طلب بحث عن حزمة الكلمات الرئيسية

لاسترداد مجموعات الكلمات الرئيسية التي تم ضبطها لقياسات "زيادة البحث":

SELECT
  search_lift_keyword_bundle.resource_name,
  search_lift_keyword_bundle.search_lift_keyword_bundle_id,
  search_lift_keyword_bundle.source,
  search_lift_keyword_bundle.status
FROM search_lift_keyword_bundle

طلب البحث عن المقاييس

تتوافق قيم search_lift_keyword_bundle.resource_name التي تم استردادها في طلب البحث عن حزمة الكلمات الرئيسية مع القيم المعروضة في segments.search_lift_keyword_bundle في طلب البحث التالي. للعثور على CONFIG_ID لدراستك، يمكنك البحث عن lift_measurement_config (على سبيل المثال، SELECT lift_measurement_config.lift_measurement_config_id, lift_measurement_config.name FROM lift_measurement_config).

لاسترداد مقاييس "زيادة البحث" مقسّمة حسب حزمة الكلمات الرئيسية وموقع البحث:

SELECT
  lift_measurement_config.lift_measurement_config_id,
  segments.search_lift_keyword_bundle,
  segments.search_property,
  metrics.relative_search_lift,
  metrics.relative_search_lift_p90_lower_bound,
  metrics.relative_search_lift_p90_upper_bound,
  metrics.incremental_searches_p_value,
  metrics.search_lift_cost_micros,
  metrics.search_lift_impressions,
  metrics.normalized_incremental_searches,
  metrics.normalized_incremental_searches_p90_lower_bound,
  metrics.normalized_incremental_searches_p90_upper_bound
FROM lift_measurement_config
WHERE lift_measurement_config.lift_measurement_config_id = CONFIG_ID

أفضل الممارسات

تنطبق أفضل الممارسات التالية على تجارب A/B العادية (مثل تجارب الحملات والتجارب ضمن الحملات). تستخدم دراسات قياس التحسّن (تأثير العلامة التجارية، مقياس "زيادة الإحالات الناجحة"، ومقياس "زيادة البحث") إعدادات خاصة بالدراسة وتسجّل فواصل ثقة بنسبة% 90 (*_p90_lower_bound و*_p90_upper_bound) بدلاً من حدّ ثقة بنسبة% 95.

  • اختيار مستوى ثقة مناسب: يمكن أن يؤدي ضبط حدّ أدنى للقيمة الاحتمالية إلى تقديم إرشادات توجيهية بشكل أسرع، خاصةً مع الميزانيات أو أعداد الإحالات الناجحة المنخفضة. يُعدّ مستوى الثقة بنسبة% 95 (القيمة الاحتمالية <= 0.05) المعيار الأكاديمي، وقد يكون أفضل للحصول على نتائج أكثر دقة على مدى فترة زمنية أطول.
  • إجراء التجارب لفترة كافية: ننصحك بإجراء التجارب لمدة 4 أسابيع على الأقل لمراعاة دورات الأداء الأسبوعية وتأخُّر اكتمال الإحالات الناجحة وفترات التعلّم.
  • منح وقت كافٍ لتحسين الأداء: بالنسبة إلى الحملات التي تستخدم عروض الأسعار المبرمَجة أو تختبر ميزات جديدة، تجاهَل بيانات أول أسبوع أو أسبوعَين لمنح نماذج عروض الأسعار ومستويات الزيارات وقتًا كافيًا لإعادة ضبطها وفقًا للتقسيم.
  • استخدام تقسيم بنسبة ‎50/50: يُعدّ تقسيم عدد الزيارات بنسبة ‎50/50 بشكل عام أسرع طريقة للحصول على نتائج ذات دلالة إحصائية.
  • الجدولة مسبقًا: حدِّد تاريخ بدء التجربة قبل 3 إلى 7 أيام من موعدها لإتاحة الوقت لعمليات مراجعة الإعلانات والموافقة عليها.
السابق
تجارب مزج الحملات
التالي
استرداد البيانات الجغرافية