Informazioni sui test A/B di Firebase

Per aiutarti a massimizzare la pertinenza e l'utilità dei risultati del test, questa pagina fornisce informazioni dettagliate sul funzionamento di Firebase A/B Testing.

Dimensioni del campione

Firebase A/B Testing non richiede l'identificazione di una dimensione minima del campione prima di iniziare un esperimento. In generale, dovresti scegliere il livello di esposizione all'esperimento più alto con cui ti senti a tuo agio. Dimensioni del campione più grandi aumentano le probabilità di trovare un risultato statisticamente significativo, soprattutto quando le differenze di rendimento tra le varianti sono piccole. Potresti anche trovare utile consultare un calcolatore online della dimensione del campione per trovare la dimensione del campione consigliata in base alle caratteristiche del tuo esperimento.

Modificare gli esperimenti

Puoi modificare i parametri selezionati degli esperimenti in corso, tra cui:

• Nome esperimento
• Descrizione
• Condizioni di targeting
• Valori delle varianti

Per modificare un esperimento:

1. Apri la pagina dei risultati dell'esperimento che vuoi modificare.
2. Nel menu Altro , seleziona Modifica esperimento in esecuzione.
3. Apporta le modifiche e poi fai clic su Pubblica.

Tieni presente che la modifica del comportamento dell'app durante un esperimento in corso potrebbe influire sui risultati.

Logica di assegnazione delle varianti di Remote Config

Gli utenti che corrispondono a tutte le condizioni di targeting dell'esperimento (inclusa la condizione di esposizione percentuale) vengono assegnati alle varianti dell'esperimento in base ai pesi delle varianti e a un hash dell'ID esperimento e dell'ID installazione Firebase dell'utente.

Google Analytics Segmenti di pubblico sono soggetti a latenza e non sono immediatamente disponibili quando un utente soddisfa inizialmente i criteri del segmento di pubblico:

• Quando crei un nuovo segmento di pubblico, potrebbero trascorrere 24-48 ore prima che questo accumuli nuovi utenti.
• In genere, i nuovi utenti vengono registrati nei segmenti di pubblico idonei 24-48 ore dopo che diventano idonei.

Per il targeting sensibile al tempo, valuta l'utilizzo delle proprietà utente Google Analytics o delle opzioni di targeting integrate, come paese o regione, lingua e versione dell'app.

Una volta che un utente ha partecipato a un esperimento, viene assegnato in modo permanente alla variante dell'esperimento e riceve i valori dei parametri dell'esperimento finché questo rimane attivo, anche se le proprietà utente cambiano e non soddisfa più i criteri di targeting dell'esperimento.

Eventi di attivazione

Gli eventi di attivazione dell'esperimento limitano la misurazione dell'esperimento agli utenti dell'app che attivano l'evento di attivazione. L'evento di attivazione dell'esperimento non ha alcun impatto sui parametri dell'esperimento recuperati dall'app; tutti gli utenti che soddisfano i criteri di targeting dell'esperimento riceveranno i parametri dell'esperimento. Di conseguenza, è importante scegliere un evento di attivazione che si verifichi dopo il recupero e l'attivazione dei parametri dell'esperimento, ma prima che vengano utilizzati per modificare il comportamento dell'app.

Ponderazioni delle varianti

Durante la creazione dell'esperimento, è possibile modificare i pesi predefiniti delle varianti per inserire una percentuale maggiore di utenti dell'esperimento in una variante.

Interpretare i risultati del test

Firebase A/B Testing utilizza l'inferenza frequentista per aiutarti a comprendere la probabilità che i risultati dell'esperimento si siano verificati solo a causa di eventi casuali. Questa probabilità è rappresentata da un valore di probabilità o valore p. Il valore p è la probabilità che una differenza di rendimento di questa entità o superiore tra due varianti possa essersi verificata per caso se in realtà non c'è alcun effetto, misurato da un valore compreso tra 0 e 1. A/B Testing utilizza un livello di significatività di 0,05, pertanto:

• Un valore p inferiore a 0,05 indica che, se la differenza reale fosse pari a zero, esiste una probabilità inferiore al 5% che una differenza osservata così estrema possa verificarsi in modo casuale. Poiché 0,05 è la soglia, qualsiasi valore p inferiore a 0,05 indica una differenza statisticamente significativa tra le varianti.
• Un valore p superiore a 0,05 indica che la differenza tra le varianti non è statisticamente significativa.

I dati dell'esperimento vengono aggiornati una volta al giorno e l'ora dell'ultimo aggiornamento viene visualizzata nella parte superiore della pagina dei risultati dell'esperimento.

Il grafico dei risultati dell'esperimento mostra i valori medi cumulativi della metrica selezionata. Ad esempio, se monitori le entrate pubblicitarie per utente come metrica, vengono visualizzate le entrate osservate per utente e, se monitori gli utenti senza arresti anomali, viene monitorata la percentuale di utenti che non hanno riscontrato arresti anomali. Questi dati sono cumulativi dall'inizio dell'esperimento.

I risultati sono suddivisi in Dati osservati e Dati inferenziali. I dati osservati vengono calcolati direttamente dai dati di Google Analytics, mentre i dati di inferenza forniscono valori p e intervalli di confidenza per aiutarti a valutare la significatività statistica dei dati osservati.

Per ogni metrica vengono visualizzate le seguenti statistiche:

Dati osservati

• Valore totale della metrica monitorata (numero di utenti fidelizzati, numero di utenti che hanno subito arresti anomali, entrate totali)
• Tasso specifico per la metrica (tasso di fidelizzazione, tasso di conversione, entrate per utente)
• Differenza percentuale (incremento) tra la variante e la base di riferimento

Dati di inferenza

• IC 95% (differenza nelle medie) mostra un intervallo che contiene il valore "reale" della metrica monitorata con una confidenza del 95%. Ad esempio, se i risultati dell'esperimento generano un intervallo di confidenza del 95% per le entrate totali stimate compreso tra 5 e 10 $, esiste una probabilità del 95% che la vera differenza delle medie sia compresa tra 5 e 10 $. Se l'intervallo di confidenza include 0, non è stata rilevata una differenza statisticamente significativa tra la variante e la base di riferimento.

  I valori dell'intervallo di confidenza vengono visualizzati nel formato corrispondente alla metrica monitorata. Ad esempio, Tempo (in HH:MM:SS) per la fidelizzazione degli utenti, USD per le entrate pubblicitarie per utente e percentuale per il tasso di conversione.

• Valore p, che rappresenta la probabilità di osservare dati estremi come i risultati ottenuti nell'esperimento, dato che non esiste una vera differenza tra la variante e la base di riferimento. Più basso è il valore p, maggiore è la certezza che il rendimento osservato rimanga vero se ripetiamo l'esperimento. Un valore pari o inferiore a 0,05 indica una differenza significativa e una bassa probabilità che i risultati siano dovuti al caso. I valori p si basano su un test unilaterale, in cui il valore della variante è maggiore del valore di base. Firebase utilizza un test t a varianza disuguale per le variabili continue (valori numerici, come le entrate) e un test z delle proporzioni per i dati di conversione (valori binari, come la fidelizzazione degli utenti, gli utenti privi di arresti anomali, gli utenti che attivano un evento Google Analytics).

I risultati dell'esperimento forniscono informazioni importanti per ogni variante dell'esperimento, tra cui:

• Quanto è più alta o più bassa ogni metrica dell'esperimento rispetto alla linea di base, come misurato direttamente (ovvero i dati osservati effettivi)
• La probabilità che la differenza osservata tra la variante e la base di riferimento si sia verificata per caso (valore p)
• Un intervallo che probabilmente contiene la differenza di rendimento "reale" tra la variante e la base di riferimento per ogni metrica dell'esperimento, un modo per comprendere gli scenari di rendimento "migliore" e "peggiore".

Interpretare i risultati degli esperimenti basati su Google Optimize

I risultati di Firebase A/B Testing per gli esperimenti iniziati prima del 23 ottobre 2023 erano basati su Google Optimize. Google Optimize utilizzava l'inferenza bayesiana per generare statistiche approfondite dai dati degli esperimenti.

I risultati sono suddivisi in "dati osservati" e "dati modellati". I dati osservati sono stati calcolati direttamente a partire dai dati di Analytics e i dati modellati sono derivati dall'applicazione del nostro modello bayesiano ai dati osservati.

Per ogni metrica vengono visualizzate le seguenti statistiche:

Dati osservati

• Valore totale (somma della metrica per tutti gli utenti nella variante)
• Valore medio (valore medio della metrica per gli utenti della variante)
• Differenza (%) dalla base di riferimento

Dati modellati

• Probabilità di superare la base di riferimento: la probabilità che la metrica sia più alta per questa variante rispetto alla base di riferimento
• Differenza percentuale dalla base di riferimento: basata sulle stime del modello mediano della metrica per la variante e la base di riferimento
• Intervalli delle metriche: gli intervalli in cui è più probabile trovare il valore della metrica, con una certezza del 50% e del 95%

Nel complesso, i risultati dell'esperimento ci forniscono tre informazioni importanti per ogni variante dell'esperimento:

1. Di quanto è superiore o inferiore ogni metrica dell'esperimento rispetto alla base di riferimento, in base alla misurazione diretta (ovvero i dati osservati effettivi)
2. La probabilità che ogni metrica dell'esperimento sia superiore alla baseline / migliore in assoluto, in base all'inferenza bayesiana (probabilità di essere migliore / migliore in assoluto rispettivamente)
3. Gli intervalli plausibili per ogni metrica dell'esperimento in base all'inferenza bayesiana: scenari "migliore" e "peggiore" (intervalli credibili)

Determinazione del leader

Per gli esperimenti che utilizzano l'inferenza frequentista, Firebase dichiara che una variante è vincente se c'è una differenza di rendimento statisticamente significativa tra la variante e il riferimento nella metrica dell'obiettivo. Se più varianti rispondono a questo criterio, viene scelta la variante con il valore p più basso.

Per gli esperimenti che utilizzavano Google Optimize, Firebase dichiarava che una variante era un "chiaro leader" se aveva una probabilità superiore al 95% di essere migliore della variante di base nella metrica principale. Se più varianti soddisfano i criteri di "leader chiaro", solo la variante con il rendimento migliore complessivo è stata etichettata come "leader chiaro".

Poiché la determinazione della variante vincente si basa solo sull'obiettivo principale, dovresti prendere in considerazione tutti i fattori pertinenti e rivedere i risultati delle metriche secondarie prima di decidere se implementare una variante vincente o meno. Ti consigliamo di valutare il potenziale vantaggio di apportare la modifica, il rischio di svantaggio (ad esempio l'estremità inferiore dell'intervallo di confidenza per il miglioramento) e l'impatto sulle metriche diverse dall'obiettivo principale.

Ad esempio, se la tua metrica principale è Utenti senza arresti anomali e la variante A è nettamente superiore alla baseline, ma le metriche di fidelizzazione degli utenti della variante A sono inferiori a quelle della baseline, ti consigliamo di approfondire la questione prima di implementare la variante A su larga scala.

Puoi implementare qualsiasi variante, non solo una variante vincente, in base alla tua valutazione complessiva del rendimento in base alle metriche principali e secondarie.

Durata dell'esperimento

Firebase consiglia di continuare a eseguire un esperimento finché non vengono soddisfatte le seguenti condizioni:

1. L'esperimento ha accumulato dati sufficienti per fornire un risultato utile. I dati degli esperimenti e dei risultati vengono aggiornati una volta al giorno. Ti consigliamo di consultare un calcolatore online della dimensione del campione per valutare la dimensione del campione consigliata per il tuo esperimento.
2. L'esperimento è stato eseguito per un periodo di tempo sufficiente a garantire un campione rappresentativo dei tuoi utenti e misurare il rendimento a lungo termine. Due settimane è la durata minima consigliata per un tipico esperimento Remote Config.

I dati dell'esperimento vengono elaborati per un massimo di 90 giorni dopo l'inizio dell'esperimento. Dopo 90 giorni, l'esperimento viene interrotto automaticamente. I risultati dell'esperimento non vengono più aggiornati nella console Firebase e l'esperimento smette di inviare valori parametro specifici dell'esperimento. A questo punto, i client iniziano a recuperare i valori dei parametri in base alle condizioni impostate nel modello Remote Config. I dati storici degli esperimenti vengono conservati finché non elimini l'esperimento.

Schema BigQuery

Oltre a visualizzare i dati dell'esperimento A/B Testing nella console Firebase, puoi esaminarli e analizzarli in BigQuery. Sebbene A/B Testing non abbia una tabella BigQuery separata, le appartenenze a esperimenti e varianti vengono memorizzate in ogni evento Google Analytics all'interno delle tabelle degli eventi Analytics.

Le proprietà utente che contengono informazioni sull'esperimento hanno il formato userProperty.key like "firebase_exp_%" o userProperty.key = "firebase_exp_01", dove 01 è l'ID esperimento e userProperty.value.string_value contiene l'indice (basato su zero) della variante dell'esperimento.

Puoi utilizzare queste proprietà utente dell'esperimento per estrarre i dati dell'esperimento. In questo modo, puoi analizzare i risultati dell'esperimento in molti modi diversi e verificare in modo indipendente i risultati di A/B Testing.

Per iniziare, completa le seguenti operazioni come descritto in questa guida:

1. Attiva l'esportazione di BigQuery per Google Analytics nella console Firebase
2. Accedere ai dati di A/B Testing utilizzando BigQuery
3. Esplora query di esempio

Attivare l'esportazione di BigQuery per Google Analytics nella console Firebase

Se hai il piano Spark, puoi utilizzare la sandbox di BigQuery per accedere a BigQuery senza costi, nel rispetto dei limiti della sandbox. Per ulteriori informazioni, consulta Prezzi e sandbox BigQuery.

Innanzitutto, assicurati di esportare i dati di Analytics in BigQuery:

1. Apri la scheda Integrazioni, a cui puoi accedere utilizzando > Impostazioni progetto nella console Firebase.
2. Se utilizzi già BigQuery con altri servizi Firebase, fai clic su Gestisci. In caso contrario, fai clic su Collega.
3. Leggi Informazioni sul collegamento di Firebase a BigQuery, poi fai clic su Avanti.
4. Nella sezione Configura integrazione, attiva il pulsante di attivazione/disattivazione Google Analytics.

5. Seleziona una regione e scegli le impostazioni di esportazione.

   Nota :per ulteriori informazioni su Google Analytics per le impostazioni di Firebase, vedi Raccolta dei dati.

6. Fai clic su Collega a BigQuery.

A seconda di come hai scelto di esportare i dati, potrebbe essere necessario un giorno prima che le tabelle diventino disponibili. Per saperne di più sull'esportazione dei dati del progetto in BigQuery, consulta Esportare i dati del progetto in BigQuery.

Accedere ai dati di A/B Testing in BigQuery

Prima di eseguire una query per i dati di un esperimento specifico, ti consigliamo di ottenere alcuni o tutti i seguenti elementi da utilizzare nella query:

• ID esperimento:puoi ottenerlo dall'URL della pagina Panoramica dell'esperimento. Ad esempio, se il tuo URL ha il seguente aspetto: https://console.firebase.google.com/project/my_firebase_project/config/experiment/results/25, l'ID esperimento è 25.
• ID proprietà Google Analytics: il tuo ID proprietà Google Analytics di 9 cifre. Puoi trovarlo in Google Analytics; viene visualizzato anche in BigQuery quando espandi il nome del progetto per mostrare il nome della tabella degli eventi Google Analytics (project_name.analytics_000000000.events).
• Data dell'esperimento:per comporre una query più rapida ed efficiente, è consigliabile limitare le query alle partizioni della tabella degli eventi giornalieri che contengono i dati dell'esperimento, ovvero le tabelle identificate con il suffisso YYYYMMDD.Google Analytics Pertanto, se l'esperimento è stato eseguito dal 2 febbraio 2024 al 2 maggio 2024, devi specificare un _TABLE_SUFFIX between '20240202' AND '20240502'. Per un esempio, vedi Selezionare i valori di un esperimento specifico.
• Nomi degli eventi:in genere, corrispondono alle metriche degli obiettivi che hai configurato nell'esperimento. Ad esempio, eventi in_app_purchase, ad_impression o user_retention.

Suggerimento :se utilizzi il piano Blaze, Firebase può generare una query di esempio per estrarre il nome dell'esperimento, la variante, il nome dell'evento e il numero di eventi per l'esperimento selezionato. Scopri di più su Eseguire query sui dati degli esperimenti utilizzando la query generata automaticamente della console Firebase

Dopo aver raccolto le informazioni necessarie per generare la query:

1. Apri BigQuery nella console Google Cloud.
2. Seleziona il progetto, quindi Crea query SQL.
3. Aggiungi la query. Per query di esempio da eseguire, vedi Esplora le query di esempio.
4. Fai clic su Esegui.

Suggerimento: sebbene questi passaggi descrivano l'utilizzo della console Google Cloud, puoi anche utilizzare la CLI o le librerie client per eseguire query su BigQuery. Scopri di più nella documentazione di BigQuery.

Eseguire query sui dati dell'esperimento utilizzando la query generata automaticamente della console Firebase

Se utilizzi il piano Blaze, la pagina Panoramica esperimento fornisce una query di esempio che restituisce il nome dell'esperimento, le varianti, i nomi degli eventi e il numero di eventi per l'esperimento che stai visualizzando.

Per ottenere ed eseguire la query generata automaticamente:

1. Dalla console Firebase, apri A/B Testing e seleziona l'esperimento A/B Testing per cui vuoi eseguire una query per aprire la Panoramica dell'esperimento.
2. Nel menu Opzioni, sotto Integrazione BigQuery, seleziona Esegui query sui dati dell'esperimento. Si aprirà il tuo progetto in BigQuery all'interno della console Google Cloud e verrà fornita una query di base che puoi utilizzare per eseguire query sui dati dell'esperimento.

L'esempio seguente mostra una query generata per un esperimento con tre varianti (inclusa la base di riferimento) denominato "Esperimento di benvenuto invernale". Restituisce il nome dell'esperimento attivo, il nome della variante, l'evento unico e il conteggio degli eventi per ogni evento. Tieni presente che Query Builder non specifica il nome del progetto nel nome della tabella, in quanto si apre direttamente all'interno del progetto.

  /*
    This query is auto-generated by Firebase A/B Testing for your
    experiment "Winter welcome experiment".
    It demonstrates how you can get event counts for all Analytics
    events logged by each variant of this experiment's population.
  */
  SELECT
    'Winter welcome experiment' AS experimentName,
    CASE userProperty.value.string_value
      WHEN '0' THEN 'Baseline'
      WHEN '1' THEN 'Welcome message (1)'
      WHEN '2' THEN 'Welcome message (2)'
      END AS experimentVariant,
    event_name AS eventName,
    COUNT(*) AS count
  FROM
    `analytics_000000000.events_*`,
    UNNEST(user_properties) AS userProperty
  WHERE
    (_TABLE_SUFFIX BETWEEN '20240202' AND '20240502')
    AND userProperty.key = 'firebase_exp_25'
  GROUP BY
    experimentVariant, eventName

Per altri esempi di query, vai a Esplora le query di esempio.

Esplorare query di esempio

Le sezioni seguenti forniscono esempi di query che puoi utilizzare per estrarre i dati degli esperimenti A/B Testing dalle tabelle degli eventi Google Analytics.

Estrai i valori della deviazione standard di acquisto ed esperimento da tutti gli esperimenti

Puoi utilizzare i dati dei risultati dell'esperimento per verificare in modo indipendente i risultati di Firebase A/B Testing. La seguente istruzione SQL BigQuery estrae le varianti dell'esperimento, il numero di utenti unici in ogni variante e la somma delle entrate totali dagli eventi in_app_purchase e ecommerce_purchase, nonché le deviazioni standard per tutti gli esperimenti nell'intervallo di tempo specificato come date di inizio e fine _TABLE_SUFFIX. Puoi utilizzare i dati ottenuti da questa query con un generatore di significatività statistica per test t unilaterali per verificare che i risultati forniti da Firebase corrispondano alla tua analisi.

Per saperne di più su come A/B Testing calcola l'inferenza, consulta Interpretare i risultati dei test.

  /*
    This query returns all experiment variants, number of unique users,
    the average USD spent per user, and the standard deviation for all
    experiments within the date range specified for _TABLE_SUFFIX.
  */
  SELECT
    experimentNumber,
    experimentVariant,
    COUNT(*) AS unique_users,
    AVG(usd_value) AS usd_value_per_user,
    STDDEV(usd_value) AS std_dev
  FROM
    (
      SELECT
        userProperty.key AS experimentNumber,
        userProperty.value.string_value AS experimentVariant,
        user_pseudo_id,
        SUM(
          CASE
            WHEN event_name IN ('in_app_purchase', 'ecommerce_purchase')
              THEN event_value_in_usd
            ELSE 0
            END) AS usd_value
      FROM `PROJECT_NAME.analytics_ANALYTICS_ID.events_*`
      CROSS JOIN UNNEST(user_properties) AS userProperty
      WHERE
        userProperty.key LIKE 'firebase_exp_%'
        AND event_name IN ('in_app_purchase', 'ecommerce_purchase')
        AND (_TABLE_SUFFIX BETWEEN 'YYYYMMDD' AND 'YYYMMDD')
      GROUP BY 1, 2, 3
    )
  GROUP BY 1, 2
  ORDER BY 1, 2;

Selezionare i valori di un esperimento specifico

La seguente query di esempio mostra come ottenere i dati per un esperimento specifico in BigQuery. Questa query di esempio restituisce il nome dell'esperimento, i nomi delle varianti (inclusa la baseline), i nomi degli eventi e i conteggi degli eventi.

  SELECT
    'EXPERIMENT_NAME' AS experimentName,
    CASE userProperty.value.string_value
      WHEN '0' THEN 'Baseline'
      WHEN '1' THEN 'VARIANT_1_NAME'
      WHEN '2' THEN 'VARIANT_2_NAME'
      END AS experimentVariant,
    event_name AS eventName,
    COUNT(*) AS count
  FROM
    `analytics_ANALYTICS_PROPERTY.events_*`,
    UNNEST(user_properties) AS userProperty
  WHERE
    (_TABLE_SUFFIX BETWEEN 'YYYMMDD' AND 'YYYMMDD')
    AND userProperty.key = 'firebase_exp_EXPERIMENT_NUMBER'
  GROUP BY
    experimentVariant, eventName

Limiti

A/B Testing è limitato a 300 esperimenti totali, 24 esperimenti in esecuzione e 24 esperimenti in bozza. Questi limiti sono condivisi con i rollout di Remote Config. Ad esempio, se hai due implementazioni in corso e tre esperimenti in corso, puoi avere fino a 19 implementazioni o esperimenti aggiuntivi.

• Se raggiungi il limite totale di 300 esperimenti o il limite di 24 bozze di esperimenti, devi eliminare un esperimento esistente prima di crearne uno nuovo.

• Se raggiungi il limite di 24 esperimenti e implementazioni in esecuzione, devi interrompere un esperimento o un'implementazione in esecuzione prima di avviarne uno nuovo.

Un esperimento può avere un massimo di 8 varianti (inclusa la base di riferimento) e fino a 25 parametri per ogni variante. Un esperimento può avere una dimensione massima di circa 200 KiB. Sono inclusi nomi delle varianti, parametri delle varianti e altri metadati di configurazione.