Berichte zu Tests

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

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

Bei Standardtests konzentriert sich dieser Leitfaden hauptsächlich auf direkte Testberichte, die mit allen Testtypen kompatibel sind, die Berichte unterstützen. Für Studien zur Analyse der Anzeigenwirkung können Sie auch Berichte zur Anzeigenwirkung auf die Markenbekanntheit, zur Conversion-Steigerung und zum Suchanstieg mit entsprechenden Ressourcen für die Analyse der Anzeigenwirkung erstellen.

Direkte Testberichte

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

Messwerte und statistische Signifikanz

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

Außerdem sind Felder verfügbar, mit denen Sie die statistische Signifikanz von Unterschieden zwischen den Verzweigungen bewerten können:

  • metrics.*_p_value: Die Wahrscheinlichkeit, dass die beobachteten Ergebnisse auftreten, wenn der Test keine tatsächlichen Auswirkungen auf den Messwert hat. Ein niedrigerer p-Wert deutet auf eine höhere statistische Signifikanz hin.
  • metrics.*_point_estimate: Die geschätzte prozentuale Steigerung (positiv oder negativ) des angegebenen Messwerts für den Testarm im Vergleich zum Kontrollarm. Zusammen mit margin_of_error beschreiben sie ein Konfidenzintervall mit einem vorgegebenen Konfidenzniveau für den geschätzten Unterschied. Die geschätzte Menge ist (Testverzweigung / Kontrollverzweigung – 1). Die Punktschätzung ist die Mitte des Konfidenzintervalls.
  • metrics.*_margin_of_error: Der Radius des Konfidenzintervalls, das um point_estimate zentriert ist. Er wird für ein vorgegebenes Konfidenzniveau berechnet, das vom Testtyp abhängt.

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

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

Für Conversions sind die Statistikfelder als absolute Werte über die folgenden Felder absolute_change verfügbar und nicht als relative Werte:

Mit dem Google Ads Query Builder können Sie gültige Abfragen für die Ressource experiment erstellen.

Beispielanfrage

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

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

Ergebnisse interpretieren

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

Hier ist ein Python-Codebeispiel, das zeigt, wie Sie Ergebnisse anhand von p-Wert und Schätzungen der Steigerung bewerten können:

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);
  }
}

C#

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

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

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

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

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

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

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

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

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

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

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

PHP

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

Python

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

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

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

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

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

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

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

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

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

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

Ruby

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

Perl

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

curl

Vorteile gegenüber Kampagnenberichten

Direkte Testberichte bieten mehrere Vorteile gegenüber der separaten Abfrage von Kampagnenberichten:

  1. Zentrale Messwerte: Rufen Sie Messwerte für Kontroll- und Testverzweigung in einer einzigen Zeile ab.
  2. Statistische Konfidenzdaten: Bereitstellung von berechneten p-Werten, Punkt schätzungen und Fehlerspannen.
  3. Effizienz: Sie müssen Ergebnisse aus mehreren Berichten nicht mehr manuell zusammenführen oder vergleichen.
  4. Unterstützung für kampagneninterne Tests: Dies ist die einzige Möglichkeit, Kontroll- und Testverzweigung für kampagneninterne Tests zu vergleichen, bei denen der Traffic innerhalb einer einzelnen Kampagne aufgeteilt wird.

Kampagnenberichte

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

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

Berichte zur Anzeigenwirkung auf die Markenbekanntheit

Sie können in der Google Ads API Berichte zu Studien zur Anzeigenwirkung auf die Markenbekanntheit mit entsprechenden Ressourcen für die Analyse der Anzeigenwirkung erstellen.

Ressourcen und Aufschlüsselungsansichten für die Analyse der Anzeigenwirkung auf die Markenbekanntheit

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

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

Die BrandLiftMeasurementType Enum gibt den Analysetyp für die Studie an, z. B. Markenbekanntheit oder Anzeigenerinnerung.

Beispielabfragen zur Anzeigenwirkung auf die Markenbekanntheit

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

Abfrage von Flight-Details

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

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

Statistikabfrage

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

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

Berichte zur Conversion-Steigerung

Mit Berichten zur Conversion-Steigerung in der Google Ads API können Sie die zusätzlichen Auswirkungen Ihrer Anzeigen auf Conversions analysieren.

Konfiguration und Messwerte für die Conversion-Steigerung

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

Die Ressource enthält Messwerte zur Conversion-Steigerung, mit denen Sie die zusätzliche Leistung bewerten können:

Mit Berichten zur Conversion-Steigerung können Sie auch nach Conversion-Aktionen segmentieren und verknüpfte Kampagnendetails, Testdetails und Conversion-Zielvorhaben abrufen.

Beispielabfrage zur Conversion-Steigerung

Mit der folgenden GAQL-Abfrage werden Konfigurationen und wichtige Leistungsmesswerte für die Conversion-Steigerung abgerufen. segments.conversion_lift_start_date und segments.conversion_lift_end_date sind INT64-Felder, die als nicht in Anführungszeichen gesetzte 8-stellige Ganzzahlen im Format YYYYMMDD formatiert sind (z. B. 20260501):

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

Berichte zum Suchanstieg

Mit Berichten zum Suchanstieg in der Google Ads API können Sie die Steigerung des organischen Suchvolumens analysieren, die auf Ihre Werbekampagnen zurückzuführen ist. Der Suchanstieg quantifiziert den Unterschied im Suchverhalten für Ihre Marke oder Ihre Produkte zwischen Nutzern, die Ihre Anzeigen gesehen haben, und einer Kontrollgruppe, die Ihre Anzeigen nicht gesehen hat.

Ressourcen und Segmentierung für den Suchanstieg

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

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

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

  • segments.search_lift_keyword_bundle: Nach dem Ressourcennamen des Keyword-Sets segmentieren. Kompatibel mit segments.search_property, segments.date und demografischen Segmenten (segments.device, segments.age_range und segments.gender).
  • segments.search_property: Nach der Suchplattform segmentieren, auf der die Suche ausgeführt wurde, definiert durch SearchLiftSearchProperty (z. B. Google Suche oder YouTube). segments.search_property ist nur mit segments.search_lift_keyword_bundle und segments.date kompatibel. Die Kombination von segments.search_property mit demografischen Segmenten (segments.device, segments.age_range oder segments.gender) wird nicht unterstützt und führt zu einem Fehler bei der API-Abfragevalidierung.
  • Demografische und Datumssegmente: segments.device, segments.age_range, segments.gender und segments.date.

Messwerte für den Suchanstieg

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

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

Beispielabfragen zum Suchanstieg

Die folgenden GAQL-Abfragen zeigen, wie Sie Keyword-Sets und Leistungsmesswerte für den Suchanstieg abrufen können.

Abfrage von Keyword-Sets

So rufen Sie Keyword-Sets ab, die für die Analyse des Suchanstiegs konfiguriert wurden:

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

Messwertabfrage

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

So rufen Sie Messwerte zum Suchanstieg ab, segmentiert nach Keyword-Set und Suchplattform:

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

Best Practices

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

  • Geeignetes Konfidenzniveau auswählen: Wenn Sie einen niedrigeren Grenzwert für den p-Wert festlegen, erhalten Sie schneller Richtwerte, insbesondere bei niedrigeren Budgets oder Conversion-Volumina. Ein Konfidenzniveau von 95 % (p-Wert <= 0,05) gilt als akademischer Standard und ist möglicherweise besser geeignet, um über einen längeren Zeitraum genauere Ergebnisse zu erzielen.
  • Tests lange genug laufen lassen: Lassen Sie Tests mindestens vier Wochen lang laufen, um wöchentliche Leistungsschwankungen, Conversion-Verzögerungen und Lernphasen zu berücksichtigen.
  • Anlaufzeit einplanen: Bei Kampagnen mit automatischer Gebotseinstellung oder beim Testen neuer Funktionen sollten Sie die Daten der ersten ein bis zwei Wochen ignorieren, damit Gebotsmodelle und Traffic-Level Zeit haben, sich an die Aufteilung anzupassen.
  • Aufteilung des Traffics im Verhältnis 50/50 verwenden: Eine 50/50-Aufteilung des Traffics ist in der Regel der schnellste Weg zu statistisch signifikanten Ergebnissen.
  • Im Voraus planen: Legen Sie das Startdatum des Tests drei bis sieben Tage in die Zukunft, damit genügend Zeit für die Überprüfung und Genehmigung von Anzeigen bleibt.
Zurück
Tests zum Kampagnenmix
Weiter
Geodaten abrufen