Как создавать отчеты об экспериментах

Есть два основных способа создавать отчеты о стандартных A/B-экспериментах:

• Прямые отчеты об экспериментах. Запрашивайте показатели из ресурса experiment. В этом случае вы получите показатели для контрольной и экспериментальной групп в одном ответе, а также статистические данные для сравнения, такие как рост и p-значения. Это единственный способ создавать отчеты об экспериментах внутри кампании.
• Отчеты о кампаниях. Запросите ресурс campaign, чтобы получить показатели, и используйте campaign.experiment_type, чтобы различать исходные кампании и кампании-эксперименты. Этот вариант доступен только для экспериментов, в которых используются отдельные контрольные и экспериментальные кампании, например для экспериментов, управляемых системой.

В этом руководстве мы в основном рассматриваем отчеты о прямых экспериментах, которые совместимы со всеми типами экспериментов, поддерживающими отчеты. Для исследований роста вы также можете создавать отчеты об эффективности продвижения бренда, росте конверсий и эффективности на основе поисковых запросов, используя специальные ресурсы.

Отчеты об экспериментах

Вы можете напрямую запрашивать ресурс experiment, чтобы получать показатели эффективности и статистические сравнения контрольной и экспериментальной групп.

Показатели и статистическая значимость

Для основных показателей, таких как клики, показы, стоимость, конверсии и ценность конверсий, ресурс experiment предоставляет показатели экспериментальной группы (например, metrics.clicks) и показатели контрольной группы (например, metrics.control_clicks) в одной строке.

Также в нем есть поля, которые помогут вам оценить статистическую значимость различий между группами:

• metrics.*_p_value – вероятность того, что наблюдаемые результаты были бы получены, если бы эксперимент не оказал фактического влияния на показатель. Чем ниже p-значение, тем выше статистическая значимость.
• metrics.*_point_estimate – расчетный процент роста (положительного или отрицательного) по заданному показателю для экспериментальной группы по сравнению с контрольной. Вместе с margin_of_error они описывают доверительный интервал с заданным уровнем достоверности для оцениваемой разницы. Рассчитываемая величина – (экспериментальная группа / контрольная группа – 1). Точечная оценка — это центр доверительного интервала.
• metrics.*_margin_of_error – радиус доверительного интервала с центром в точке point_estimate. Она рассчитывается для заданного уровня достоверности, который зависит от типа эксперимента.

Для ресурса experiment поддерживаются следующие поля основных показателей, включая значение экспериментальной группы, значение контрольной группы и перечисленные выше поля статистики:

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

Для конверсий статистические поля доступны в следующих полях absolute_change, а не в виде относительных значений:

• metrics.conversions_absolute_change_p_value – p-значение для нулевой гипотезы о том, что эксперимент не влияет на абсолютное изменение конверсий. Значение может быть от 0 до 1.
• metrics.conversions_absolute_change_point_estimate – точечная оценка при определении влияния эксперимента на абсолютное изменение конверсий.
• metrics.conversions_absolute_change_margin_of_error – погрешность при оценке влияния эксперимента на абсолютное изменение конверсий.

Чтобы составить корректные запросы к ресурсу experiment, воспользуйтесь конструктором запросов Google Рекламы.

Пример запроса

Следующий запрос GAQL позволяет получить ключевые показатели эксперимента:

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

Проанализируйте результаты

Чтобы определить, являются ли результаты эксперимента статистически значимыми, можно использовать поля "p-значение", "Точечная оценка" и "Погрешность". Например, если conversions_absolute_change_p_value ниже выбранного вами порогового значения (например, 0.05 для уровня достоверности 95 %) и conversions_absolute_change_point_estimate - conversions_absolute_change_margin_of_error больше нуля, то экспериментальная группа значительно превосходит контрольную по количеству конверсий.

Ниже приведен фрагмент кода на Python, демонстрирующий, как оценивать результаты на основе p-значения и оценок роста.

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

Примечание. Хотя здесь не приводится пример кода REST для этого шага, вы можете выполнить его с помощью ручного запроса REST.

Ознакомьтесь с документацией по REST-интерфейсу Google Ads API и справочными страницами по методам. Вам нужно будет создать полезную нагрузку JSON на основе определений proto.

Полезные ресурсы:

• Использование REST
• Структура интерфейса REST
• Сопоставление полей JSON
• Ознакомьтесь с документацией по REST API для конкретного сервиса и метода.

Преимущества по сравнению с отчетами о кампаниях

Отчеты об экспериментах имеют ряд преимуществ по сравнению с отдельными запросами отчетов о кампаниях:

1. Централизованные показатели. Получайте показатели для контрольной и экспериментальной групп в одной строке.
2. Данные о статистической достоверности. Рассчитанные p-значения, точечные оценки и пределы погрешности.
3. Эффективность. Вам не нужно вручную объединять или сравнивать результаты из нескольких отчетов.
4. Поддержка экспериментов в рамках кампании. Это единственный способ сравнить контрольную и экспериментальную группы в экспериментах в рамках кампании, когда трафик разделяется в одной кампании.

Отчеты о кампаниях

Для экспериментов, в которых создаются отдельные экспериментальные кампании (например, SEARCH_CUSTOM), вы можете запросить ресурс campaign и использовать campaign.experiment_type, чтобы определить BASE (контрольные) и EXPERIMENT (экспериментальные) кампании. Этот подход полезен, если вам нужно сегментировать показатели на более детальном уровне (например, по группе объявлений или ключевому слову) или просмотреть метаданные кампании, недоступные в ресурсе experiment. Однако в этом случае вам придется вручную сравнивать эффективность и выполнять статистические расчеты.

Для сравнения групп в экспериментах в рамках кампании нельзя использовать отчеты на уровне кампании, поскольку разделение трафика происходит внутри одной кампании. При запросе campaign для эксперимента в рамках кампании возвращаются только агрегированные итоговые значения.

Отчеты Brand Lift

Вы можете создавать отчеты об исследованиях Brand Lift в Google Ads API, используя специальные ресурсы для оценки эффективности продвижения бренда.

Примечание. Идентификатор клиента, который вы хотите запросить, должен быть в белом списке, управляемом Global Product Solutions (GPS). Прежде чем начать интеграцию, свяжитесь с представителем Google или контактным лицом GPS.

Ресурсы и разбивка данных Brand Lift

Запросите ресурс LiftMeasurementFlight, чтобы получить результаты исследования Brand Lift на уровне периода показа, включая диапазоны дат (start_date и end_date) в часовом поясе клиента.

Чтобы проанализировать показатели Brand Lift по разным параметрам сегментов, запросите соответствующие ресурсы разбивки:

• LiftMeasurementCampaign – разбивка по кампаниям.
• LiftMeasurementAgeRange – разбивка по возрастным диапазонам.
• LiftMeasurementDevice – разбивка по устройствам.
• LiftMeasurementGender – разбивка по полу.
• LiftMeasurementVideo – разбивка по видеообъектам.

Перечисление BrandLiftMeasurementType определяет тип показателя, который будет отслеживаться в ходе исследования, например узнаваемость бренда или запоминаемость рекламы.

Примеры запросов Brand Lift

Поскольку метаданные кампаний и статистика роста находятся в разных ресурсах, для получения сведений о кампаниях и статистики эффективности требуются отдельные запросы GAQL.

Запрос сведений о рейсе

Чтобы получить метаданные о периоде исследования Brand Lift, например его статус, тип измерения и запланированные даты, отправьте запрос к ресурсу 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

Запрос статистики

Чтобы получить показатели Brand Lift, запросите нужный ресурс разбивки (или общую конфигурацию исследования в LiftMeasurementConfig). Например, следующий запрос позволяет получить показатели Brand Lift с разбивкой по кампаниям из 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

Отчеты о росте конверсий

Вы можете измерить дополнительное влияние рекламы на конверсии с помощью отчетов Conversion Lift в Google Ads API.

Примечание. Идентификатор клиента, который вы хотите запросить, должен быть в белом списке, управляемом Global Product Solutions (GPS). Прежде чем начать интеграцию, свяжитесь с представителем Google или специалистом по глобальным партнерским решениям. Кроме того, мы работаем над тем, чтобы сделать доступным Conversion Lift на уровне управляющего аккаунта.

Настройка и показатели роста конверсий

Запросите ресурс LiftMeasurementConfig, чтобы получить конфигурации и данные об эффективности исследования роста конверсий.

Ресурс предоставляет показатели Conversion Lift, позволяющие оценить дополнительную эффективность:

• metrics.conversion_lift_baseline_conversions – конверсии в контрольной группе.
• metrics.conversion_lift_exposed_conversions – конверсии, зарегистрированные в экспериментальной группе.
• metrics.incremental_conversions – дополнительные конверсии, связанные с рекламой.
• metrics.cost_per_incremental_conversion – цена за дополнительную конверсию.
• metrics.relative_conversion_lift – относительный рост конверсий.
• metrics.conversion_lift_baseline_conversion_value – ценность конверсий в контрольной группе.
• metrics.conversion_lift_exposed_conversion_value – ценность конверсий в экспериментальной группе.
• metrics.incremental_conversion_value – дополнительная ценность конверсий, связанная с рекламой.
• metrics.relative_conversion_value_lift – относительный рост ценности конверсий.

Отчеты Conversion Lift также позволяют сегментировать данные по действиям-конверсиям и получать сведения о связанных кампаниях, экспериментах и целях конверсий.

Начиная с версии v26 вы можете узнавать конфигурацию измерения роста, связанную с кампанией, непосредственно из ресурса campaign с помощью Campaign.lift_measurement_config. Это позволяет не обращаться к ресурсу LiftMeasurementConfig отдельно.

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

Возвращенное поле lift_measurement_config содержит название ресурса в формате customers/{customer_id}/liftMeasurementConfigs/{lift_measurement_config_id}.

Примечание. Если в кампании проводилось несколько экспериментов по эффективности продвижения, то lift_measurement_config содержит название ресурса для последней связанной конфигурации (активной или неактивной).

Пример запроса для получения данных о росте конверсий

Следующий запрос GAQL позволяет получить конфигурации и ключевые показатели эффективности Conversion Lift. Обратите внимание, что segments.conversion_lift_start_date и segments.conversion_lift_end_date – это поля INT64, отформатированные как восьмизначные целые числа без кавычек в формате YYYYMMDD (например, 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

Отчеты об эффективности на основе поисковых запросов

Вы можете измерить рост объема поисковых запросов в органическом поиске, вызванный вашими рекламными кампаниями, с помощью отчетов Search Lift в Google Ads API. Search Lift позволяет оценить разницу в поисковом поведении пользователей, которые видели вашу рекламу, и не видевших ее пользователей из контрольной группы.

Примечание. Идентификатор клиента, который вы хотите запросить, должен быть в белом списке, управляемом Global Product Solutions (GPS). Прежде чем начать интеграцию, свяжитесь с представителем Google или контактным лицом GPS.

Ресурсы и сегментация для Search Lift

Запросите ресурс SearchLiftKeywordBundle, чтобы получить сведения о наборах ключевых слов, настроенных для исследований эффективности на основе поисковых запросов. SearchLiftKeywordBundle доступен в API только для чтения (все поля OUTPUT_ONLY), а пакеты ключевых слов настраиваются в интерфейсе Google Рекламы или представителями Google / Global Product Solutions (GPS). Поля, которые можно запрашивать в GAQL: resource_name, search_lift_keyword_bundle_id, source (SearchLiftMatchingInfoSource) и status (SearchLiftKeywordBundleStatus). Повторяющееся поле keywords нельзя выбрать в запросах GAQL.

Запросите ресурс LiftMeasurementConfig, чтобы получить показатели эффективности на основе поисковых запросов и общие настройки исследования.

Вы можете сегментировать данные об эффективности Search Lift по следующим параметрам:

• segments.search_lift_keyword_bundle Сегментирование по названию ресурса пакета ключевых слов. Совместимы с segments.search_property, segments.date и сегментами на основе демографических данных (segments.device, segments.age_range и segments.gender).
• segments.search_property – сегментирование по ресурсу, на котором выполнялся поиск, определяемому параметром SearchLiftSearchProperty (например, Google Поиск или YouTube). Обратите внимание, что segments.search_property совместим только с segments.search_lift_keyword_bundle и segments.date. Сочетание segments.search_property с сегментами на основе демографических данных (segments.device, segments.age_range или segments.gender) не поддерживается и не проходит проверку запроса API.
• Демографические сегменты и сегменты по дате: segments.device, segments.age_range, segments.gender и segments.date.

Показатели эффективности на основе поисковых запросов

Ресурс LiftMeasurementConfig предоставляет метрики Search Lift для оценки изменений в поисковом поведении.

• metrics.relative_search_lift – разница в количестве поисковых запросов между экспериментальной и контрольной группами, выраженная как доля поисковых запросов в контрольной группе.
• metrics.relative_search_lift_p90_lower_bound и metrics.relative_search_lift_p90_upper_bound – нижняя и верхняя границы доверительного интервала в 90% для относительного роста эффективности на основе поисковых запросов.
• metrics.incremental_searches_p_value – p-значение для дополнительных поисковых запросов, представляющее собой статистическую вероятность того, что наблюдаемый рост количества поисковых запросов произошел случайно.
• metrics.search_lift_cost_micros – общая стоимость (в микроединицах) показов объявлений, выполненных для этого сегмента Search Lift.
• metrics.search_lift_impressions – общее количество показов объявлений, выполненных в рамках этого сегмента исследования Search Lift.

Если рост статистически положителен, в отчетах приводятся следующие нормализованные дополнительные показатели, а также соответствующие им нижняя и верхняя границы доверительного интервала 90 % (*_p90_lower_bound и *_p90_upper_bound):

• metrics.normalized_incremental_searches (с metrics.normalized_incremental_searches_p90_lower_bound и metrics.normalized_incremental_searches_p90_upper_bound) – расчетное количество дополнительных поисковых запросов, связанных с показом рекламы, нормализованное по экспериментальной и контрольной группам.
• metrics.normalized_incremental_searches_per_cost (с metrics.normalized_incremental_searches_per_cost_p90_lower_bound и metrics.normalized_incremental_searches_per_cost_p90_upper_bound) – расчетное количество дополнительных поисковых запросов, сгенерированных на единицу расходов на рекламу.
• metrics.normalized_incremental_searches_per_impression (с metrics.normalized_incremental_searches_per_impression_p90_lower_bound и metrics.normalized_incremental_searches_per_impression_p90_upper_bound) – расчетное количество дополнительных поисковых запросов, сгенерированных на показ объявления.

Примеры запросов для исследования эффективности на основе поисковых запросов

В приведенных ниже запросах GAQL показано, как получить пакеты ключевых слов и показатели эффективности Search Lift.

Запрос набора ключевых слов

Чтобы получить наборы ключевых слов, настроенные для измерения 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

Запрос показателей

Значения search_lift_keyword_bundle.resource_name, полученные в запросе пакета ключевых слов, соответствуют значениям, возвращенным в segments.search_lift_keyword_bundle в следующем запросе. Чтобы узнать CONFIG_ID для вашего исследования, запросите lift_measurement_config (например, SELECT lift_measurement_config.lift_measurement_config_id, lift_measurement_config.name FROM lift_measurement_config).

Чтобы получить показатели Search Lift с сегментацией по набору ключевых слов и ресурсу поиска, выполните следующие действия:

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

Рекомендации

Приведенные ниже рекомендации относятся к стандартным A/B-экспериментам (например, экспериментам в кампаниях и внутри кампаний). В исследованиях Brand Lift, Conversion Lift и Search Lift используются специальные конфигурации и сообщаются доверительные интервалы 90 % (*_p90_lower_bound и *_p90_upper_bound), а не порог достоверности 95 %.

• Выберите подходящий уровень достоверности. Если задать более низкое пороговое значение p-value, вы быстрее получите данные о тенденциях, особенно при небольших бюджетах или объемах конверсий. Доверительный интервал 95 % (p-значение <= 0,05) считается академическим стандартом и может лучше подходить для получения более точных результатов за более длительный период времени.
• Проводите эксперименты достаточно долго. Эксперимент должен длиться не менее четырех недель, чтобы учесть еженедельные циклы эффективности, задержки конверсий и периоды обучения.
• Дайте время на адаптацию. Если вы используете автоматическое назначение ставок или тестируете новые функции, не учитывайте данные за первые 1–2 недели. Это время необходимо, чтобы модели назначения ставок и уровни трафика адаптировались к разделению.
• Разделяйте трафик поровну. Как правило, это самый быстрый способ получить статистически значимые результаты.
• Запланируйте эксперимент заранее. Установите дату начала эксперимента через 3–7 дней, чтобы у вас было время на проверку и одобрение объявлений.

Важно! В каждой кампании можно проводить только один эксперимент одновременно.