Berichte zu Tests

Es gibt zwei Möglichkeiten, Berichte zu Standard-A/B-Tests zu erstellen:

• Direkte Testberichte: Fragen Sie die Ressource experiment nach Messwerten ab. Diese Option liefert Messwerte für Kontroll- und Testgruppen in einer einzigen Antwort sowie statistische Vergleichsdaten wie Steigerung und p-Werte. Nur so können Berichte zu kampagneninternen Tests erstellt werden.
• Kampagnenberichte: Fragen Sie die Ressource campaign nach Messwerten ab und verwenden Sie campaign.experiment_type, um zwischen Basis- und Testkampagnen zu unterscheiden. Diese Option ist nur für Tests verfügbar, bei denen separate Kontroll- und Testkampagnen verwendet werden, z. B. systemverwaltete Tests.

Bei Standardtests konzentriert sich dieser Leitfaden hauptsächlich auf die direkte Testberichterstellung, die mit allen Testtypen kompatibel ist, die Berichte unterstützen. Für Studien zur Steigerungsmessung können Sie auch Berichte zur Anzeigenwirkung auf die Markenbekanntheit, zur Conversion-Steigerung und zum Suchanstieg mit speziellen Ressourcen für die Steigerungsmessung erstellen.

Testberichte

Sie können die Ressource experiment direkt abfragen, um Leistungsmesswerte und statistische Vergleiche zwischen Kontroll- und Testgruppe abzurufen.

Messwerte und statistische Signifikanz

Für wichtige Messwerte wie Klicks, Impressionen, Kosten, Conversions und Conversion-Wert liefert die Ressource experiment sowohl Testmesswerte (z. B. metrics.clicks) als auch Kontrollmesswerte (z. B. metrics.control_clicks) in derselben Zeile.

Außerdem enthält sie Felder, mit denen Sie die statistische Signifikanz von Unterschieden zwischen den Testgruppen bewerten können:

• metrics.*_p_value: Die Wahrscheinlichkeit, dass die beobachteten Ergebnisse auftreten würden, wenn der Test keine tatsächlichen Auswirkungen auf den Messwert hätte. Ein niedrigerer p-Wert weist auf eine höhere statistische Signifikanz hin.
• metrics.*_point_estimate: Der geschätzte prozentuale Anstieg (positiv oder negativ) des angegebenen Messwerts für die Testgruppe im Vergleich zur Kontrollgruppe. Zusammen mit margin_of_error beschreiben sie ein Konfidenzintervall mit einem vorgegebenen Konfidenzniveau für die geschätzte Differenz. Die geschätzte Größe ist (Test / Kontrolle – 1). Die Punktschätzung ist die Mitte des Konfidenzintervalls.
• metrics.*_margin_of_error: Der Radius des Konfidenzintervalls, das auf point_estimate zentriert ist. Sie wird für ein vorgeschriebenes Konfidenzniveau berechnet, das vom Testtyp abhängt.

Die folgenden Kernmesswertfelder werden für die Ressource experiment unterstützt, einschließlich eines Werts für die Testgruppe, eines Werts für die Kontrollgruppe und der zuvor aufgeführten Statistikfelder:

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

Speziell für Conversions sind die statistischen Felder über die folgenden absolute_change-Felder und nicht als relative Werte verfügbar:

• metrics.conversions_absolute_change_p_value: Der p-Wert für die Nullhypothese, dass der Test keine Auswirkungen auf die absolute Änderung der Conversions hat. Liegt im Bereich von 0 bis 1.
• metrics.conversions_absolute_change_point_estimate: Die Punktschätzung, wenn die absolute Änderung der Conversions durch den Test geschätzt wird.
• metrics.conversions_absolute_change_margin_of_error: Die Fehlermarge bei der Schätzung der absoluten Änderung der Conversions durch den Test.

Wenn Sie Hilfe beim Erstellen gültiger Abfragen für die Ressource experiment benötigen, können Sie das Tool Google Ads Query Builder verwenden.

Beispielanfrage

Mit der folgenden GAQL-Abfrage werden wichtige Messwerte für einen Test abgerufen:

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

Ergebnisse interpretieren

Anhand der Felder für den p-Wert, die Punktschätzung und die Fehlerspanne können Sie feststellen, ob Ihr Test statistisch signifikante Ergebnisse geliefert hat. Wenn beispielsweise conversions_absolute_change_p_value unter dem von Ihnen gewählten Schwellenwert liegt (z. B. 0.05 für ein Konfidenzniveau von 95 %) und conversions_absolute_change_point_estimate - conversions_absolute_change_margin_of_error größer als null ist, schneidet die Testgruppe in Bezug auf Conversions deutlich besser ab als die Kontrollgruppe.

Hier ist ein Python-Snippet, das zeigt, wie Ergebnisse anhand von p-Wert- und Steigerungsschätzungen ausgewertet werden:

Java

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);
  }
}
EvaluateAndUpdateExperiment.java
      

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.");
    }
}
EvaluateAndUpdateExperiment.cs
      

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."
        )
evaluate_and_update_experiment.py
      

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
evaluate_and_update_experiment.rb
      

Perl

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

curl

Hinweis: Für diesen Schritt wird hier kein direktes REST-Codebeispiel bereitgestellt. Sie können dies jedoch mit einer manuellen REST-Anfrage erreichen.

Weitere Informationen finden Sie in der Dokumentation zur REST-Schnittstelle der Google Ads API und auf den methodenspezifischen Referenzseiten. Sie müssen die JSON-Nutzlast anhand der Proto-Definitionen erstellen.

Wichtige Ressourcen:

• REST verwenden
• Struktur der REST-Schnittstelle
• JSON-Feldzuordnungen
• Informationen zum jeweiligen Dienst und zur Methode finden Sie in der REST API-Referenz.

Vorteile gegenüber Kampagnenberichten

Die direkte Berichterstellung für Tests bietet mehrere Vorteile gegenüber der separaten Abfrage von Kampagnenberichten:

1. Zentralisierte Messwerte: Messwerte für Kontroll- und Testgruppe in einer einzigen Zeile abrufen.
2. Statistische Konfidenzdaten: Liefert berechnete p-Werte, Punktschätzungen und Fehlerspannen.
3. Effizienz: Ergebnisse aus mehreren Berichten müssen nicht mehr manuell zusammengeführt oder verglichen werden.
4. Unterstützung für Tests innerhalb einer Kampagne: Dies ist die einzige Möglichkeit, die Kontroll- und die Testgruppe bei Tests innerhalb einer Kampagne zu vergleichen, bei denen der Traffic innerhalb einer einzelnen Kampagne aufgeteilt wird.

Berichte zu Kampagnen

Bei Tests, für die separate Testkampagnen erstellt werden (z. B. SEARCH_CUSTOM), können Sie die Ressource campaign abfragen und campaign.experiment_type verwenden, um BASE-Kampagnen (Kontrollgruppe) und EXPERIMENT-Kampagnen (Testgruppe) zu identifizieren. Dieser Ansatz ist nützlich, wenn Sie Messwerte auf einer detaillierteren Ebene segmentieren müssen (z. B. nach Anzeigengruppe oder Keyword) oder Kampagnenmetadaten aufrufen möchten, die in der Ressource experiment nicht verfügbar sind. Sie müssen jedoch Leistungsvergleiche und statistische Berechnungen manuell durchführen.

Sie können Berichte auf Kampagnenebene nicht verwenden, um Verzweigungen für kampagneninterne Tests zu vergleichen, da die Aufteilung des Traffics intern innerhalb einer einzelnen Kampagne erfolgt. Wenn Sie campaign für einen kampagneninternen Test abfragen, werden nur aggregierte Summen zurückgegeben.

Berichte zur Anzeigenwirkung auf die Markenbekanntheit

Sie können Berichte zu Brand Lift-Studien in der Google Ads API mit speziellen Ressourcen für die Analyse der Anzeigenwirkung auf die Markenbekanntheit erstellen.

Hinweis: Die Kundennummer, die Sie abfragen möchten, muss auf der Zulassungsliste stehen, die von Global Product Solutions (GPS) verwaltet wird. Wenden Sie sich an Ihren Google-Ansprechpartner oder GPS-Kontakt, bevor Sie mit der Integration beginnen.

Brand Lift-Ressourcen und Aufschlüsselungsansichten

Fragen Sie die Ressource LiftMeasurementFlight ab, um die Ergebnisse der Brand Lift-Studie auf Flight-Ebene abzurufen, einschließlich der Flight-Zeiträume (start_date und end_date) in der Zeitzone des Kunden.

Wenn Sie Messwerte zur Anzeigenwirkung auf die Markenbekanntheit über verschiedene Segmentdimensionen hinweg analysieren möchten, fragen Sie die entsprechenden Aufschlüsselungsressourcen ab:

• LiftMeasurementCampaign: Aufschlüsselung nach Kampagne.
• LiftMeasurementAgeRange: Aufschlüsselung nach Altersgruppe.
• LiftMeasurementDevice: Aufschlüsselung nach Gerät.
• LiftMeasurementGender: Aufschlüsselung nach Geschlecht.
• LiftMeasurementVideo: Aufschlüsselung nach Video-Asset.

Das Enum BrandLiftMeasurementType gibt den Messtyp für die Studie an, z. B. Markenbekanntheit oder Anzeigenerinnerung.

Beispiele für Brand Lift-Abfragen

Da sich Flight-Metadaten und Statistiken zur Steigerung in separaten Ressourcen befinden, sind für die Abfrage von Flight-Details und Leistungsstatistiken separate GAQL-Abfragen erforderlich.

Abfrage von Fluginformationen

Wenn Sie Metadaten für einen Brand Lift-Flight abrufen möchten, z. B. den Status, den Messtyp und die geplanten Termine, fragen Sie die Ressource LiftMeasurementFlight ab:

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

Statistikabfrage

Wenn Sie Messwerte zur Anzeigenwirkung auf die Markenbekanntheit abrufen möchten, fragen Sie die entsprechende Aufschlüsselungsressource (oder die allgemeine Studienkonfiguration unter LiftMeasurementConfig) ab. Mit der folgenden Abfrage werden beispielsweise Messwerte zur Anzeigenwirkung auf die Markenbekanntheit nach Kampagne aus LiftMeasurementCampaign abgerufen:

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

Berichte zur Conversion-Steigerung

Mit Berichten zur Conversion-Steigerung in der Google Ads API können Sie die zusätzliche Wirkung Ihrer Anzeigen auf Conversions messen.

Hinweis: Die Kundennummer, die Sie abfragen möchten, muss auf der Zulassungsliste stehen, die von Global Product Solutions (GPS) verwaltet wird. Wenden Sie sich an Ihren Google-Ansprechpartner oder GPS-Kontakt, bevor Sie mit der Integration beginnen. Außerdem wird derzeit der Zugriff auf die Conversion-Steigerung auf Verwaltungskontoebene entwickelt.

Konfiguration und Messwerte für die Conversion-Steigerung

Fragen Sie die Ressource LiftMeasurementConfig ab, um Studienkonfigurationen und Leistungsdaten für Studien zur Conversion-Steigerung abzurufen.

Die Ressource bietet Messwerte zur Conversion-Steigerung, um die inkrementelle Leistung zu bewerten:

• metrics.conversion_lift_baseline_conversions: Baseline-Conversions für die Studie.
• metrics.conversion_lift_exposed_conversions: Conversions, die in der Testgruppe erfasst wurden.
• metrics.incremental_conversions: Zusätzliche Conversions, die Anzeigen zugeordnet werden.
• metrics.cost_per_incremental_conversion: Kosten pro zusätzlicher Conversion.
• metrics.relative_conversion_lift: Relative Anzeigenwirkung auf Conversions.
• metrics.conversion_lift_baseline_conversion_value: Baseline-Conversion-Wert.
• metrics.conversion_lift_exposed_conversion_value: Conversion-Wert in der Testgruppe.
• metrics.incremental_conversion_value: Zusätzlicher Conversion-Wert, der Anzeigen zugeordnet wird.
• metrics.relative_conversion_value_lift: Relative Steigerung des Conversion-Werts.

In Berichten zur Conversion-Steigerung können Sie auch nach Conversion-Aktionen segmentieren und Details zu verknüpften Kampagnen, Tests und Conversion-Zielvorhaben abrufen.

Ab v26 können Sie die Konfiguration für die Messung der Anzeigenwirkung auf die Markenbekanntheit, die mit einer Kampagne verknüpft ist, direkt über die Ressource campaign mit Campaign.lift_measurement_config abrufen. So müssen Sie nicht separat auf die LiftMeasurementConfig-Ressource verweisen:

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

Das zurückgegebene Feld lift_measurement_config enthält den Ressourcennamen im Format customers/{customer_id}/liftMeasurementConfigs/{lift_measurement_config_id}.

Hinweis:lift_measurement_config enthält den Ressourcennamen der zuletzt verknüpften Konfiguration (aktiv oder inaktiv), wenn für die Kampagne mehrere Tests zur Steigerung durchgeführt wurden.

Beispiel für eine Abfrage zur Conversion-Steigerung

Mit der folgenden GAQL-Abfrage werden Konfigurationen für die Conversion-Steigerung und wichtige Leistungsmesswerte abgerufen. Beachten Sie, dass segments.conversion_lift_start_date und segments.conversion_lift_end_date INT64-Felder sind, die als achtstellige Ganzzahlen ohne Anführungszeichen im Format YYYYMMDD formatiert sind (z. B. 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

Berichte zum Suchanstieg

Mit Berichten zum Suchanstieg in der Google Ads API können Sie den Anstieg des Volumens organischer Suchanfragen messen, der auf Ihre Werbekampagnen zurückzuführen ist. Mit dem Suchanstieg wird der Unterschied im Suchverhalten für Ihre Marke oder Produkte zwischen Nutzern, die Ihre Anzeigen gesehen haben, und einer Kontrollgruppe, die sie nicht gesehen hat, quantifiziert.

Hinweis: Die Kundennummer, die Sie abfragen möchten, muss auf der Zulassungsliste stehen, die von Global Product Solutions (GPS) verwaltet wird. Wenden Sie sich an Ihren Google-Ansprechpartner oder GPS-Kontakt, bevor Sie mit der Integration beginnen.

Ressourcen und Segmentierung für den Suchanstieg

Fragen Sie die Ressource SearchLiftKeywordBundle ab, um Details zu Keyword-Sets abzurufen, die für Suchanstiegsanalysen konfiguriert sind. SearchLiftKeywordBundle ist in der API Lesezugriff (alle Felder sind OUTPUT_ONLY) und Keyword-Bundles werden in der Google Ads-Benutzeroberfläche oder von Google-Vertretern / Global Product Solutions (GPS) konfiguriert. Die abfragbaren Felder in GAQL sind resource_name, search_lift_keyword_bundle_id, source (SearchLiftMatchingInfoSource) und status (SearchLiftKeywordBundleStatus). Das wiederkehrende Feld keywords kann in GAQL-Abfragen nicht ausgewählt werden.

Fragen Sie die Ressource LiftMeasurementConfig ab, um Messwerte zum Suchanstieg und allgemeine Studienkonfigurationen abzurufen.

Sie können die Leistung des Suchanstiegs nach den folgenden Dimensionen segmentieren:

• segments.search_lift_keyword_bundle: Segmentierung nach dem Ressourcennamen des Keyword-Pakets. Kompatibel mit segments.search_property, segments.date und demografischen Segmenten (segments.device, segments.age_range und segments.gender).
• segments.search_property: Segmentierung nach der Such-Property, in der die Suche stattgefunden hat, definiert durch SearchLiftSearchProperty (z. B. Google Suche oder YouTube). segments.search_property ist nur mit segments.search_lift_keyword_bundle und segments.date kompatibel. Die Kombination von segments.search_property mit demografischen Segmenten (segments.device, segments.age_range oder segments.gender) wird nicht unterstützt und führt zu einem Fehler bei der API-Abfragevalidierung.
• Demografische und Datumssegmente: segments.device, segments.age_range, segments.gender und segments.date.

Messwerte für den Suchanstieg

Die Ressource LiftMeasurementConfig liefert Messwerte zum Suchanstieg, mit denen Sie Änderungen im Suchverhalten bewerten können:

• metrics.relative_search_lift: Die Differenz im Suchvolumen zwischen der Test- und der Kontrollgruppe, ausgedrückt als Bruchteil der Suchanfragen in der Kontrollgruppe.
• metrics.relative_search_lift_p90_lower_bound und metrics.relative_search_lift_p90_upper_bound: Die Unter- und Obergrenze des 90% igen Konfidenzintervalls für den relativen Suchanstieg.
• metrics.incremental_searches_p_value: Der p-Wert für zusätzliche Suchanfragen, der die statistische Wahrscheinlichkeit darstellt, dass der beobachtete Anstieg der Suchanfragen zufällig aufgetreten ist.
• metrics.search_lift_cost_micros: Die Gesamtkosten (in Mikros) der Anzeigenimpressionen, die für dieses Suchanstiegs-Messsegment ausgeliefert wurden.
• metrics.search_lift_impressions: Die Gesamtzahl der Anzeigenimpressionen, die für dieses Segment der Suchanstiegsmessung ausgeliefert wurden.

Die folgenden normalisierten inkrementellen Messwerte werden zusammen mit den entsprechenden Unter- und Obergrenzen des 90%igen Konfidenzintervalls (*_p90_lower_bound und *_p90_upper_bound) gemeldet, wenn die Steigerung statistisch positiv ist:

• metrics.normalized_incremental_searches (mit metrics.normalized_incremental_searches_p90_lower_bound und metrics.normalized_incremental_searches_p90_upper_bound): Geschätzte Anzahl zusätzlicher Suchanfragen, die durch die Anzeigenpräsenz ausgelöst wurden, normalisiert über die Test- und Kontrollgruppen hinweg.
• metrics.normalized_incremental_searches_per_cost (mit metrics.normalized_incremental_searches_per_cost_p90_lower_bound und metrics.normalized_incremental_searches_per_cost_p90_upper_bound): Geschätzte zusätzliche Suchanfragen, die pro Einheit der Werbeausgaben generiert werden.
• metrics.normalized_incremental_searches_per_impression (mit metrics.normalized_incremental_searches_per_impression_p90_lower_bound und metrics.normalized_incremental_searches_per_impression_p90_upper_bound): Geschätzte zusätzliche Suchanfragen, die pro Anzeigenimpression generiert werden.

Beispielabfragen für den Suchanstieg

In den folgenden GAQL-Abfragen wird gezeigt, wie Sie Keyword-Bundles und Leistungsmesswerte für den Suchanstieg abrufen.

Abfrage für Keyword-Set

So rufen Sie Keyword-Sets ab, die für die Messung des Suchanstiegs konfiguriert sind:

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

Messwertabfrage

Die in der Keyword-Bundle-Abfrage abgerufenen search_lift_keyword_bundle.resource_name-Werte entsprechen den Werten, die in der folgenden Abfrage in segments.search_lift_keyword_bundle zurückgegeben werden. Wenn Sie die CONFIG_ID für Ihre Studie ermitteln möchten, fragen Sie lift_measurement_config ab (z. B. SELECT lift_measurement_config.lift_measurement_config_id, lift_measurement_config.name FROM lift_measurement_config).

So rufen Sie Messwerte für den Suchanstieg ab, die nach Keyword-Set und Sucheigenschaft segmentiert sind:

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

Best Practices

Die folgenden Best Practices gelten für Standard-A/B-Tests (z. B. Kampagnen- und kampagneninterne Tests). Für Studien zur Steigerung (Anzeigenwirkung auf die Markenbekanntheit, Conversion-Steigerung und Suchanstieg) werden studienspezifische Konfigurationen verwendet. Außerdem werden Konfidenzintervalle von 90 % (*_p90_lower_bound und *_p90_upper_bound) anstelle eines Konfidenzschwellenwerts von 95% angegeben.

• Geeignetes Konfidenzniveau auswählen: Wenn Sie einen niedrigeren p-Wert-Schwellenwert festlegen, erhalten Sie schneller richtungsweisende Informationen, insbesondere bei geringeren Budgets oder Conversion-Volumina. Ein Konfidenzniveau von 95 % (p-Wert <= 0,05) gilt als akademischer Standard und ist möglicherweise besser für genauere Ergebnisse über einen längeren Zeitraum geeignet.
• Tests lange genug laufen lassen: Tests sollten mindestens 4 Wochen laufen, um wöchentliche Leistungszyklen, Conversion-Verzögerungen und Lernphasen zu berücksichtigen.
• Anlaufphase einplanen: Bei Kampagnen mit automatischer Gebotseinstellung oder beim Testen neuer Funktionen sollten Sie die Daten der ersten ein bis zwei Wochen ignorieren, damit sich die Gebotsmodelle und der Traffic an die Aufteilung anpassen können.
• 50/50-Aufteilung verwenden: Eine 50/50-Aufteilung des Traffics ist in der Regel der schnellste Weg, um statistisch signifikante Ergebnisse zu erzielen.
• Im Voraus planen: Legen Sie das Startdatum des Tests 3–7 Tage in der Zukunft fest, damit genügend Zeit für die Überprüfung und Freigabe der Anzeigen bleibt.

Wichtig :Sie können jeweils nur einen Test pro Kampagne ausführen.