Informes sobre experimentos

Para evaluar cómo los cambios en las campañas y la exposición a los anuncios afectan el rendimiento, consulta los recursos de informes de medición de efectividad y experimentos en la API de Google Ads.

La API de Google Ads admite dos formas de generar informes sobre los experimentos A/B estándares:

• Informes de experimentos directos: Consulta el recurso experiment para obtener métricas. Esta opción proporciona métricas para los grupos de control y de tratamiento en una sola respuesta, junto con datos de comparación estadística, como el aumento y los valores p. Los informes de experimentos directos son la única forma de generar informes sobre los experimentos dentro de la campaña.
• Informes de campañas: Consulta el recurso campaign para obtener métricas con el campo campaign.experiment_type para distinguir entre las campañas de base y las campañas experimentales. Esta opción solo está disponible para los experimentos que usan campañas de control y de tratamiento independientes, como los experimentos administrados por el sistema.

En el caso de los experimentos estándar, esta guía se enfoca principalmente en los informes de experimentos directos, que admiten todos los tipos de experimentos que se pueden informar. Para los estudios de medición de efectividad, consulta la guía de informes de efectividad o las secciones de resumen de esta página para Brand Lift, Efectividad de conversiones (incluida la Efectividad de conversiones + A/B) y Efectividad de búsqueda.

Informes de experimentos directos

Para recuperar las métricas de rendimiento y las comparaciones estadísticas entre tus grupos de control y de tratamiento en una sola respuesta en todas las versiones compatibles de la API de Google Ads (v23 y posteriores), consulta directamente el recurso experiment.

Métricas e importancia estadística

En el caso de las métricas principales, como los clics, las impresiones, el costo, las conversiones y el valor de conversión, el recurso experiment proporciona métricas de tratamiento (por ejemplo, metrics.clicks) y métricas de control (por ejemplo, metrics.control_clicks) en la misma fila.

El recurso experiment también proporciona campos para ayudarte a evaluar la importancia estadística de cualquier diferencia entre los grupos:

• metrics.*_p_value: Es la probabilidad de observar resultados que sean, al menos, tan extremos como la diferencia medida si el experimento no tiene un efecto real en la métrica. Un valor p más bajo indica una mayor importancia estadística.
• metrics.*_point_estimate: Es el porcentaje estimado de efectividad (positivo o negativo) en la métrica determinada para el grupo de tratamiento en comparación con el grupo de control. Junto con el campo metrics.*_margin_of_error, este valor define un intervalo de confianza con un nivel de confianza prescrito para la diferencia estimada. La cantidad estimada es (treatment / control) - 1, y la estimación puntual es el centro del intervalo de confianza.
• metrics.*_margin_of_error: Es el radio del intervalo de confianza, que se centra en el valor metrics.*_point_estimate. La API calcula este margen para un nivel de confianza prescrito que depende del tipo de experimento.

Los siguientes campos de métricas principales se admiten en el recurso experiment, incluido un valor de grupo de tratamiento, un valor de grupo de control y los campos de estadísticas que se mencionaron anteriormente:

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

En el caso de las conversiones, específicamente, los campos estadísticos están disponibles a través de los siguientes campos de absolute_change, en lugar de como valores relativos:

• metrics.conversions_absolute_change_p_value: Es el valor p de la hipótesis nula de que el experimento no tiene efecto en el cambio absoluto de las conversiones. Varía entre 0 y 1.
• metrics.conversions_absolute_change_point_estimate: Es la estimación puntual cuando se calcula el efecto del experimento en el cambio absoluto de las conversiones.
• metrics.conversions_absolute_change_margin_of_error: Es el margen de error cuando se estima el efecto del experimento en el cambio absoluto de las conversiones.

Para obtener ayuda con la creación de consultas válidas para el recurso experiment, utiliza la herramienta Compilador de consultas de Google Ads.

Consulta de ejemplo

La siguiente consulta del lenguaje de consulta de Google Ads (GAQL) recupera las métricas clave de un experimento:

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

Reemplaza lo siguiente:

• EXPERIMENT_ID: Es el ID de número entero del experimento (experiment.experiment_id).

Interpreta los resultados

Usa los campos de valor p, estimación puntual y margen de error para determinar si tu experimento generó resultados con importancia estadística. Por ejemplo, si la métrica metrics.conversions_absolute_change_p_value es menor que el umbral elegido (como 0.05 para un 95% de confianza) y la métrica metrics.conversions_absolute_change_point_estimate menos la métrica metrics.conversions_absolute_change_margin_of_error es mayor que cero, el grupo de tratamiento tiene un rendimiento significativamente mejor que el grupo de control en términos de conversiones.

En el siguiente ejemplo de código, se muestra cómo evaluar los resultados en función de las estimaciones del valor p y la efectividad:

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

Nota: Aunque aquí no se proporciona una muestra de código de REST directa para este paso, puedes lograrlo con una solicitud de REST manual.

Consulta la documentación de la interfaz de REST de la API de Google Ads y las páginas de referencia específicas de cada método. Deberás construir la carga útil de JSON según las definiciones de proto.

Recursos clave:

• Usa REST
• Estructura de la interfaz de REST
• Asignaciones de campos JSON
• Consulta la referencia de la API de REST para conocer el servicio y el método específicos.

Beneficios en comparación con los informes de campañas

Los informes de experimentos directos ofrecen varias ventajas en comparación con la consulta de informes de campañas por separado:

• Métricas centralizadas: Recupera las métricas de los grupos de control y de tratamiento en una sola fila.
• Datos de confianza estadística: Proporciona valores p calculados, estimaciones puntuales y márgenes de error.
• Eficiencia: Elimina la necesidad de unir o comparar manualmente los resultados de varios informes.
• Compatibilidad con experimentos dentro de la campaña: Admite comparaciones de control frente a tratamiento para experimentos dentro de la campaña, donde la división del tráfico se produce dentro de una sola campaña.

Informes de campañas

En todas las versiones compatibles de la API de Google Ads (v23 y posteriores), para los experimentos que crean campañas de tratamiento independientes (por ejemplo, SEARCH_CUSTOM), puedes consultar el recurso campaign y usar el campo campaign.experiment_type para identificar las campañas BASE (control) y EXPERIMENT (tratamiento). Este enfoque es útil cuando necesitas segmentar las métricas a un nivel más detallado (como por grupo de anuncios o palabra clave) o ver los metadatos de la campaña que no están disponibles en el recurso experiment. Sin embargo, los informes de campañas requieren que realices comparaciones de rendimiento y cálculos estadísticos de forma manual.

No puedes usar los informes a nivel de la campaña para comparar los grupos de experimentos dentro de la campaña, ya que la división del tráfico se produce de forma interna dentro de una sola campaña. Si consultas el recurso campaign para un experimento dentro de la campaña, solo se devuelven los totales agregados.

Informes de Brand Lift

En la API de Google Ads v25 y versiones posteriores, evalúa cómo tus campañas publicitarias influyen en la percepción de la marca consultando los recursos de solo lectura (OUTPUT_ONLY) LiftMeasurementFlight, LiftMeasurementConfig y los recursos de desglose de Brand Lift (LiftMeasurementAgeRange, LiftMeasurementCampaign, LiftMeasurementDevice, LiftMeasurementGender y LiftMeasurementVideo). En la API de Google Ads v27 y versiones posteriores, también puedes seleccionar el campo lift_guidance (lift_guidance.outcome y lift_guidance.guidance_message) para la interpretación estadística a nivel de la fila.

Para conocer los umbrales de generación de informes de respuestas de encuestas, los diagnósticos de respuestas vacías (results: []), la interpretación de resultados y los ejemplos de consultas de GAQL, consulta los informes de Brand Lift en la guía de informes de efectividad.

Informes de Efectividad de conversiones

En la versión 25 y posteriores de la API de Google Ads, los informes de Efectividad de conversiones miden el impacto incremental de tus anuncios en las conversiones, el valor de conversión, el costo por conversión incremental (iCPA) y el retorno de la inversión publicitaria incremental (ROAS incremental). Para ello, comparan un grupo expuesto con un grupo de control no expuesto en instantáneas de evaluación acumulativas diarias (segments.conversion_lift_start_date y segments.conversion_lift_end_date) en el recurso LiftMeasurementConfig. En la versión 26 y posteriores de la API de Google Ads, también puedes descubrir las configuraciones y campañas vinculadas a través de los campos campaign.lift_measurement_config y lift_measurement_config.campaigns. En la versión 27 y posteriores de la API de Google Ads, selecciona lift_measurement_config.lift_guidance para la interpretación estadística a nivel de la fila.

Para obtener información sobre el descubrimiento de estudios y vuelos, los períodos de instantáneas acumulativas, los alcances de las acciones de conversión (SELECTED en comparación con ALL), los desgloses dimensionales, los umbrales de generación de informes y los ejemplos de consultas de GAQL, consulta los informes de efectividad de conversiones en la guía de informes de efectividad.

Informes de pruebas A/B y de efectividad de conversiones

En la versión 25 y posteriores de la API de Google Ads, los estudios de efectividad de conversiones y A/B combinan un experiment de dos grupos (que se descubre a través del recurso ExperimentArm y el campo experiment.lift_measurement_config) con la medición de aislamiento en el recurso LiftMeasurementConfig. Incluye el segmento segments.experiment_arm y las métricas de puntuación del ganador bayesiano (metrics.*_winner_score) para evaluar la efectividad causal por grupo y las probabilidades de ganar en comparaciones directas.

Para el descubrimiento de grupos experimentales, las consultas por grupo y por grupo combinado, la interpretación de la puntuación del ganador y las consultas por lotes de varios estudios, consulta Informes de pruebas A/B y de Efectividad de conversiones en la guía de informes de efectividad.

Informes de efectividad de búsqueda

En la versión 26 y posteriores de la API de Google Ads, los informes de efectividad de búsqueda miden el aumento incremental en el volumen de búsquedas orgánicas en la Búsqueda de Google y YouTube que generan tus campañas publicitarias. Consulta el recurso SearchLiftKeywordBundle para obtener los paquetes de palabras clave configurados y el recurso LiftMeasurementConfig (con lift_measurement_config.lift_guidance en la API de Google Ads v27 y versiones posteriores) para obtener las métricas de búsqueda incremental relativas y normalizadas.

Para conocer las reglas de segmentación de la Efectividad de búsqueda, las definiciones de las métricas y los ejemplos de consultas de GAQL, consulta los informes de Efectividad de búsqueda en la guía de informes de efectividad.

Prácticas recomendadas

Las siguientes prácticas recomendadas se aplican a los experimentos A/B estándar (como los experimentos de campaña y dentro de la campaña). Los estudios de medición de efectividad (Brand Lift, Efectividad de conversiones y Efectividad de búsqueda) usan configuraciones específicas del estudio y registran límites de confianza unilaterales del 90% (*_p90_lower_bound y *_p90_upper_bound, que juntos forman un intervalo de confianza bilateral del 80% con p_value <= 0.10) en lugar de un umbral de confianza del 95%. Consulta la guía de informes de efectividad para conocer los umbrales y la interpretación de los estudios de efectividad.

• Selecciona un nivel de confianza adecuado: Establecer un umbral de valor p más bajo puede proporcionar orientación direccional más rápido, especialmente con presupuestos o volúmenes de conversiones más bajos. Un nivel de confianza del 95% (p_value <= 0.05) es el estándar académico y proporciona una mayor precisión en un período más largo.
• Ejecuta los experimentos durante un período suficientemente largo: Ejecuta los experimentos durante, al menos, 4 semanas para tener en cuenta los ciclos de rendimiento semanales, las demoras en las conversiones y los períodos de aprendizaje.
• Dale tiempo al período inicial: En el caso de las campañas que usan ofertas automáticas o prueban funciones nuevas, ignora las primeras 1 o 2 semanas de datos para que los modelos de ofertas y los niveles de tráfico puedan recalibrarse según la división.
• Usa divisiones de 50/50: Por lo general, una división del tráfico de 50/50 es la forma más rápida de obtener resultados con importancia estadística.
• Programa con anticipación: Configura la fecha de inicio de tu experimento para que sea entre 3 y 7 días en el futuro, de modo que haya tiempo para los procesos de revisión y aprobación de anuncios.

Importante: Solo puedes ejecutar un experimento A/B estándar por campaña en un momento determinado.