Melaporkan eksperimen

Ada dua cara utama untuk melaporkan eksperimen A/B standar:

• Pelaporan eksperimen langsung: Buat kueri resource experiment untuk mendapatkan metrik. Opsi ini memberikan metrik untuk grup kontrol dan grup perlakuan dalam satu respons, beserta data perbandingan statistik seperti peningkatan dan nilai p. Ini adalah satu-satunya cara untuk melaporkan eksperimen intra-kampanye.
• Pelaporan kampanye: Buat kueri resource campaign untuk metrik, menggunakan campaign.experiment_type untuk membedakan antara kampanye dasar dan kampanye eksperimen. Opsi ini hanya tersedia untuk eksperimen yang menggunakan kampanye kontrol dan perlakuan terpisah, seperti eksperimen yang dikelola sistem.

Untuk eksperimen standar, panduan ini berfokus terutama pada pelaporan eksperimen langsung, yang kompatibel dengan semua jenis eksperimen yang mendukung pelaporan. Untuk studi pengukuran peningkatan, Anda juga dapat melaporkan Brand Lift, Conversion Lift, dan Search Lift menggunakan resource pengukuran peningkatan khusus.

Pelaporan eksperimen langsung

Anda dapat mengkueri resource experiment secara langsung untuk mengambil metrik performa dan perbandingan statistik antara grup kontrol dan grup perlakuan.

Metrik dan signifikansi statistik

Untuk metrik inti seperti klik, tayangan iklan, biaya, konversi, dan nilai konversi, resource experiment menyediakan metrik perlakuan (misalnya, metrics.clicks) dan metrik kontrol (misalnya, metrics.control_clicks) di baris yang sama.

Laporan ini juga menyediakan kolom untuk membantu Anda mengevaluasi signifikansi statistik dari setiap perbedaan antara grup:

• metrics.*_p_value: Probabilitas bahwa hasil yang diamati akan terjadi jika eksperimen tidak memiliki efek aktual pada metrik. Nilai p yang lebih rendah menunjukkan signifikansi statistik yang lebih tinggi.
• metrics.*_point_estimate: Estimasi persentase peningkatan (positif atau negatif) dalam metrik tertentu untuk grup perlakuan dibandingkan dengan grup kontrol. Bersama dengan margin_of_error, keduanya menjelaskan interval kepercayaan dengan tingkat keyakinan yang ditentukan untuk perbedaan yang diperkirakan. Kuantitas yang diperkirakan adalah (perlakuan / kontrol - 1). Estimasi titik adalah pusat interval kepercayaan.
• metrics.*_margin_of_error: Radius interval kepercayaan, yang berpusat di point_estimate. Kekuatan eksperimen dihitung untuk tingkat keyakinan yang ditentukan, yang bergantung pada jenis eksperimen.

Kolom metrik inti berikut didukung di resource experiment, termasuk nilai grup perlakuan, nilai grup kontrol, dan kolom statistik yang tercantum sebelumnya:

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

Khusus untuk konversi, kolom statistik tersedia melalui kolom absolute_change berikut, bukan sebagai nilai relatif:

• metrics.conversions_absolute_change_p_value: Nilai p untuk hipotesis nol bahwa eksperimen tidak berpengaruh pada perubahan absolut konversi. Rentang dari 0 hingga 1.
• metrics.conversions_absolute_change_point_estimate: Estimasi titik saat memperkirakan efek eksperimen terhadap perubahan absolut konversi.
• metrics.conversions_absolute_change_margin_of_error: Margin error saat memperkirakan efek eksperimen terhadap perubahan absolut konversi.

Untuk mendapatkan bantuan dalam membuat kueri yang valid ke resource experiment, gunakan alat Pembuat Kueri Google Ads.

Contoh kueri

Kueri GAQL berikut mengambil metrik utama untuk eksperimen:

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

Menafsirkan Hasil

Anda dapat menggunakan kolom nilai p, estimasi titik, dan margin error untuk menentukan apakah eksperimen Anda telah menghasilkan hasil yang signifikan secara statistik. Misalnya, jika conversions_absolute_change_p_value berada di bawah nilai minimum yang Anda pilih (seperti 0.05 untuk keyakinan 95%) dan conversions_absolute_change_point_estimate - conversions_absolute_change_margin_of_error lebih besar dari nol, grup perlakuan berperforma jauh lebih baik daripada grup kontrol dalam hal konversi.

Berikut adalah cuplikan Python yang menunjukkan cara mengevaluasi hasil berdasarkan nilai p dan estimasi peningkatan:

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

Catatan: Meskipun contoh kode REST langsung untuk langkah ini tidak disediakan di sini, Anda dapat melakukannya menggunakan permintaan REST manual.

Lihat dokumentasi antarmuka REST Google Ads API dan halaman referensi khusus metode. Anda harus membuat payload JSON berdasarkan definisi proto.

Referensi Utama:

• Menggunakan REST
• Struktur Antarmuka REST
• Pemetaan Kolom JSON
• Lihat Referensi REST API untuk layanan dan metode tertentu.

Manfaat dibandingkan dengan pelaporan kampanye

Pelaporan eksperimen langsung menawarkan beberapa keunggulan dibandingkan membuat kueri laporan kampanye secara terpisah:

1. Metrik terpusat: Ambil metrik untuk kontrol dan perlakuan dalam satu baris.
2. Data keyakinan statistik: Memberikan nilai p, estimasi titik, dan margin error yang dihitung.
3. Efisiensi: Menghilangkan kebutuhan untuk menggabungkan atau membandingkan hasil dari beberapa laporan secara manual.
4. Dukungan intra-kampanye: Ini adalah satu-satunya cara untuk membandingkan kontrol versus perlakuan untuk eksperimen intra-kampanye, yang traffic-nya dibagi dalam satu kampanye.

Pelaporan kampanye

Untuk eksperimen yang membuat kampanye perlakuan terpisah (misalnya, SEARCH_CUSTOM), Anda dapat mengkueri resource campaign dan menggunakan campaign.experiment_type untuk mengidentifikasi kampanye BASE (kontrol) dan EXPERIMENT (perlakuan). Pendekatan ini berguna jika Anda perlu menyegmentasikan metrik pada tingkat yang lebih terperinci (seperti menurut grup iklan atau kata kunci) atau melihat metadata kampanye yang tidak tersedia di resource experiment. Namun, Anda harus melakukan perbandingan performa dan penghitungan statistik secara manual.

Anda tidak dapat menggunakan pelaporan tingkat kampanye untuk membandingkan grup eksperimen untuk eksperimen intra-kampanye, karena pemisahan traffic terjadi secara internal dalam satu kampanye. Membuat kueri campaign untuk eksperimen intra-kampanye hanya akan menampilkan total gabungan.

Pelaporan Brand Lift

Anda dapat melaporkan studi Brand Lift di Google Ads API menggunakan resource pengukuran Brand Lift khusus.

Catatan: ID pelanggan (CID) yang ingin Anda kueri harus ada dalam daftar yang diizinkan yang dikelola oleh Global Product Solutions (GPS). Hubungi perwakilan Google atau kontak GPS Anda sebelum memulai integrasi.

Referensi Brand Lift dan tampilan perincian

Buat kueri resource LiftMeasurementFlight untuk mengambil hasil studi Brand Lift tingkat tayangan iklan, termasuk rentang tanggal tayangan iklan (start_date dan end_date) dalam zona waktu pelanggan.

Untuk menganalisis metrik Brand Lift di berbagai dimensi segmen, buat kueri resource pengelompokan yang sesuai:

• LiftMeasurementCampaign: Pengelompokan menurut kampanye.
• LiftMeasurementAgeRange: Pengelompokan menurut rentang usia.
• LiftMeasurementDevice: Pengelompokan menurut perangkat.
• LiftMeasurementGender: Pengelompokan menurut gender.
• LiftMeasurementVideo: Pengelompokan menurut aset video.

Enum BrandLiftMeasurementType menentukan jenis pengukuran untuk studi, seperti brand awareness atau ingatan iklan.

Contoh kueri Brand Lift

Karena metadata penerbangan dan statistik peningkatan berada di resource yang terpisah, membuat kueri detail penerbangan dan statistik performa memerlukan kueri GAQL yang terpisah.

Kueri detail penerbangan

Untuk mengambil metadata untuk periode Brand Lift seperti status, jenis pengukuran, dan tanggal yang dijadwalkan, buat kueri resource 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

Kueri statistik

Untuk mengambil metrik Brand Lift, buat kueri resource pengelompokan yang sesuai (atau konfigurasi studi keseluruhan di LiftMeasurementConfig). Misalnya, kueri berikut mengambil metrik Brand Lift yang dikelompokkan menurut kampanye dari 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

Pelaporan Conversion Lift

Anda dapat mengukur dampak inkremental iklan terhadap konversi menggunakan pelaporan Conversion Lift di Google Ads API.

Catatan: ID pelanggan (CID) yang ingin Anda kueri harus ada dalam daftar yang diizinkan yang dikelola oleh Global Product Solutions (GPS). Hubungi perwakilan Google atau kontak GPS Anda sebelum memulai integrasi. Selain itu, akses tingkat akun pengelola untuk Conversion Lift sedang dalam pengembangan.

Konfigurasi dan metrik Conversion Lift

Buat kueri resource LiftMeasurementConfig untuk mengambil konfigurasi studi Conversion Lift dan data performa.

Resource ini menyediakan metrik Conversion Lift untuk mengevaluasi performa inkremental:

• metrics.conversion_lift_baseline_conversions: Konversi dasar pengukuran untuk studi.
• metrics.conversion_lift_exposed_conversions: Konversi yang diamati dalam grup terekspos.
• metrics.incremental_conversions: Konversi inkremental yang diatribusikan ke iklan.
• metrics.cost_per_incremental_conversion: Biaya per konversi inkremental.
• metrics.relative_conversion_lift: Peningkatan relatif dalam konversi.
• metrics.conversion_lift_baseline_conversion_value: Nilai konversi dasar pengukuran.
• metrics.conversion_lift_exposed_conversion_value: Nilai konversi dalam grup terekspos.
• metrics.incremental_conversion_value: Nilai konversi inkremental yang diatribusikan ke iklan.
• metrics.relative_conversion_value_lift: Peningkatan relatif dalam nilai konversi.

Pelaporan Conversion Lift juga memungkinkan segmentasi menurut tindakan konversi dan pengambilan detail kampanye tertaut, detail eksperimen, dan sasaran konversi.

Mulai v26, Anda dapat menemukan konfigurasi pengukuran peningkatan yang ditautkan ke kampanye langsung dari resource campaign menggunakan Campaign.lift_measurement_config. Hal ini menghindari keharusan untuk mereferensikan silang resource LiftMeasurementConfig secara terpisah:

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

Kolom lift_measurement_config yang ditampilkan berisi nama resource dalam format customers/{customer_id}/liftMeasurementConfigs/{lift_measurement_config_id}.

Catatan: lift_measurement_config berisi nama resource konfigurasi yang paling baru ditautkan (aktif atau tidak aktif) jika kampanye telah menjalankan beberapa eksperimen peningkatan.

Contoh kueri Conversion Lift

Kueri GAQL berikut mengambil konfigurasi Conversion Lift dan metrik performa utama. Perhatikan bahwa segments.conversion_lift_start_date dan segments.conversion_lift_end_date adalah kolom INT64 yang diformat sebagai bilangan bulat 8 digit tanpa tanda petik dalam format YYYYMMDD (misalnya, 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

Pelaporan Search Lift

Anda dapat mengukur peningkatan volume kueri penelusuran organik yang didorong oleh kampanye iklan menggunakan pelaporan Search Lift di Google Ads API. Search Lift mengukur perbedaan perilaku penelusuran untuk merek atau produk Anda antara pengguna yang melihat iklan Anda dan grup kontrol yang tidak melihat iklan.

Catatan: ID pelanggan (CID) yang ingin Anda kueri harus ada dalam daftar yang diizinkan yang dikelola oleh Global Product Solutions (GPS). Hubungi perwakilan Google atau kontak GPS Anda sebelum memulai integrasi.

Referensi dan segmentasi Search Lift

Buat kueri resource SearchLiftKeywordBundle untuk mengambil detail tentang paket kata kunci yang dikonfigurasi untuk studi Search Lift. SearchLiftKeywordBundle bersifat hanya baca di API (semua kolom adalah OUTPUT_ONLY), dan paket kata kunci dikonfigurasi di UI Google Ads atau oleh perwakilan Google / Global Product Solutions (GPS). Kolom yang dapat dikueri di GAQL adalah resource_name, search_lift_keyword_bundle_id, source (SearchLiftMatchingInfoSource), dan status (SearchLiftKeywordBundleStatus) (kolom keywords berulang tidak dapat dipilih dalam kueri GAQL).

Buat kueri resource LiftMeasurementConfig untuk mengambil metrik Search Lift dan konfigurasi studi secara keseluruhan.

Anda dapat menyegmentasikan performa Search Lift menggunakan dimensi berikut:

• segments.search_lift_keyword_bundle: Segmentasikan menurut nama resource paket kata kunci. Kompatibel dengan segments.search_property, segments.date, dan segmen demografis (segments.device, segments.age_range, dan segments.gender).
• segments.search_property: Segmen menurut properti penelusuran tempat penelusuran terjadi, yang ditentukan oleh SearchLiftSearchProperty (seperti Google Penelusuran atau YouTube). Perhatikan bahwa segments.search_property hanya kompatibel dengan segments.search_lift_keyword_bundle dan segments.date; menggabungkan segments.search_property dengan segmen demografis (segments.device, segments.age_range, atau segments.gender) tidak didukung dan akan gagal dalam validasi kueri API.
• Segmen demografis dan tanggal: segments.device, segments.age_range, segments.gender, dan segments.date.

Metrik Search Lift

Resource LiftMeasurementConfig menyediakan metrik Search Lift untuk mengevaluasi perubahan perilaku penelusuran:

• metrics.relative_search_lift: Perbedaan volume kueri penelusuran antara grup terekspos dan grup kontrol, yang dinyatakan sebagai pecahan kueri penelusuran di grup kontrol.
• metrics.relative_search_lift_p90_lower_bound dan metrics.relative_search_lift_p90_upper_bound: Batas bawah dan atas interval kepercayaan 90% untuk Search Lift relatif.
• metrics.incremental_searches_p_value: Nilai p untuk penelusuran inkremental, yang mewakili probabilitas statistik bahwa peningkatan kueri penelusuran yang diamati terjadi secara kebetulan.
• metrics.search_lift_cost_micros: Total biaya (dalam mikro) tayangan iklan yang ditayangkan untuk segmen pengukuran Search Lift ini.
• metrics.search_lift_impressions: Jumlah total tayangan iklan yang ditayangkan untuk segmen pengukuran Search Lift ini.

Metrik inkremental yang dinormalisasi berikut—bersama dengan batas bawah dan atas interval kepercayaan 90% yang sesuai (*_p90_lower_bound dan *_p90_upper_bound)—dilaporkan saat peningkatan positif secara statistik:

• metrics.normalized_incremental_searches (dengan metrics.normalized_incremental_searches_p90_lower_bound dan metrics.normalized_incremental_searches_p90_upper_bound): Perkiraan jumlah kueri penelusuran inkremental yang didorong oleh eksposur iklan, yang dinormalisasi di seluruh grup terekspos dan kontrol.
• metrics.normalized_incremental_searches_per_cost (dengan metrics.normalized_incremental_searches_per_cost_p90_lower_bound dan metrics.normalized_incremental_searches_per_cost_p90_upper_bound): Estimasi kueri penelusuran inkremental yang dihasilkan per unit pembelanjaan iklan.
• metrics.normalized_incremental_searches_per_impression (dengan metrics.normalized_incremental_searches_per_impression_p90_lower_bound dan metrics.normalized_incremental_searches_per_impression_p90_upper_bound): Estimasi kueri penelusuran inkremental yang dihasilkan per tayangan iklan.

Contoh kueri Search Lift

Kueri GAQL berikut menunjukkan cara mengambil paket kata kunci dan metrik performa Search Lift.

Kueri paket kata kunci

Untuk mengambil paket kata kunci yang dikonfigurasi untuk pengukuran Search Lift:

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

Kueri metrik

Nilai search_lift_keyword_bundle.resource_name yang diambil dalam kueri paket kata kunci sesuai dengan nilai yang ditampilkan di segments.search_lift_keyword_bundle dalam kueri berikut. Untuk menemukan CONFIG_ID untuk studi Anda, buat kueri lift_measurement_config (misalnya, SELECT lift_measurement_config.lift_measurement_config_id, lift_measurement_config.name FROM lift_measurement_config).

Untuk mengambil metrik Search Lift yang disegmentasikan menurut paket kata kunci dan properti penelusuran:

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

Praktik terbaik

Praktik terbaik berikut berlaku untuk eksperimen A/B standar (seperti eksperimen kampanye dan intra-kampanye). Studi pengukuran peningkatan (Brand Lift, Conversion Lift, dan Search Lift) menggunakan konfigurasi khusus studi dan melaporkan interval kepercayaan 90% (*_p90_lower_bound dan *_p90_upper_bound), bukan nilai minimum keyakinan 95%.

• Pilih tingkat keyakinan yang sesuai: Menetapkan nilai minimum p-value yang lebih rendah dapat memberikan panduan arah lebih cepat, terutama dengan anggaran atau volume konversi yang lebih rendah. Keyakinan 95% (nilai p <= 0,05) dianggap sebagai standar akademis dan mungkin lebih baik untuk hasil yang lebih akurat dalam jangka waktu yang lebih lama.
• Jalankan eksperimen dalam waktu yang cukup lama: Jalankan eksperimen minimal selama 4 minggu untuk memperhitungkan siklus performa mingguan, jeda konversi, dan periode mempelajari.
• Berikan waktu untuk peningkatan: Untuk kampanye yang menggunakan bidding otomatis atau menguji fitur baru, abaikan data 1-2 minggu pertama untuk memberikan waktu bagi model bidding dan tingkat traffic untuk melakukan kalibrasi ulang terhadap pemisahan.
• Gunakan pemisahan 50/50: Pemisahan traffic 50/50 umumnya merupakan cara tercepat untuk mencapai hasil yang signifikan secara statistik.
• Jadwalkan lebih awal: Tetapkan tanggal mulai eksperimen Anda 3-7 hari ke depan untuk memberikan waktu bagi proses peninjauan dan persetujuan iklan.

Penting: Anda hanya dapat menjalankan satu eksperimen per kampanye pada satu waktu.