Informazioni sui test A/B di Firebase

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

Dimensioni campione

L'inferenza 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 elevato 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 minime. Potresti anche trovare utile consultare un calcolatore delle dimensioni del campione online per trovare le dimensioni del campione consigliate in base alle caratteristiche del tuo esperimento.

Modifica 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. Nella console Firebase, vai a DevOps e coinvolgimento > A/B Testing.
2. Apri la pagina dei risultati dell'esperimento che vuoi modificare.
3. Nel menu Altro , seleziona Modifica esperimento in corso.
4. 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 soddisfano tutte le condizioni di targeting dell'esperimento (inclusa la condizione di esposizione percentuale) vengono assegnati alle varianti dell'esperimento in base alle ponderazioni delle varianti e a un hash dell'ID esperimento e dell'ID installazione Firebase dell'utente.

Google Analytics I 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 essere diventati idonei.

Per il targeting sensibile al fattore tempo, valuta l'utilizzo delle proprietà utente di 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 parametro dall'esperimento finché questo rimane attivo, anche se le sue proprietà utente cambiano e non soddisfano 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 questi vengano utilizzati per modificare il comportamento dell'app.

Pesi delle varianti

Durante la creazione dell'esperimento, è possibile modificare le ponderazioni predefinite delle varianti per inserire una percentuale maggiore di utenti dell'esperimento in una variante.

Interpreta i risultati dei test

Firebase A/B Testing utilizza l'inferenza frequentista per aiutarti a comprendere la probabilità che i risultati dell'esperimento si siano verificati esclusivamente per caso. 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 non esiste un effetto reale, misurato da un valore compreso tra 0 e 1. A/B Testing utilizza un livello di significatività pari a 0,05, in modo che:

• 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 maggiore di 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, mentre se monitori gli utenti senza arresti anomali, viene monitorata la percentuale di utenti che non hanno riscontrato un arresto anomalo. Questi dati sono cumulativi dall'inizio dell'esperimento.

I risultati sono suddivisi in Dati osservati e Dati di inferenza. I dati osservati vengono calcolati direttamente dai dati di Google Analytics, mentre i dati di inferenza forniscono valori p e intervalli di affidabilità 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 riscontrato arresti anomali, entrate totali)
• Tasso specifico per la metrica (tasso di fidelizzazione, tasso di conversione, entrate per utente)
• Differenza percentuale (impatto) tra la variante e la base di riferimento

Dati di inferenza

• IC 95% (differenza nelle medie) mostra un intervallo che contiene il valore "vero" della metrica monitorata con un livello di confidenza del 95%. Ad esempio, se l'esperimento genera un IC del 95% per le entrate totali stimate compreso tra 5 € e 10 €, esiste una probabilità del 95% che la differenza effettiva 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 affidabilità vengono visualizzati nel formato corrispondente alla metrica monitorata. Ad esempio, Tempo (in HH:MM:SS) per la fidelizzazione 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 invariato 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 a una coda, in cui il valore della variante è maggiore del valore di riferimento. Firebase utilizza un t-test con varianza disuguale per le variabili continue (valori numerici, come le entrate) e uno z-test delle proporzioni per i dati di conversione (valori binari, come la fidelizzazione utenti, gli utenti senza 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 alto o più basso il valore di ogni metrica dell'esperimento rispetto alla base di riferimento, come misurato direttamente (ovvero i dati effettivi osservati)
• La probabilità che la differenza osservata tra la variante e la base di riferimento possa essersi verificata per caso (valore p)
• Un intervallo che probabilmente contiene la differenza di rendimento "reale" tra la variante e il riferimento per ogni metrica dell'esperimento, un modo per comprendere gli scenari di rendimento "migliore" e "peggiore".

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.

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. Potresti prendere in considerazione il vantaggio previsto della modifica, il rischio di svantaggio (ad esempio l'estremità inferiore dell'intervallo di affidabilità per il miglioramento) e l'impatto su metriche diverse dall'obiettivo principale.

Ad esempio, se la metrica principale è Utenti senza arresti anomali e la Variante A è chiaramente superiore alla base di riferimento, ma le metriche di fidelizzazione utenti della Variante A sono inferiori alla fidelizzazione utenti della base di riferimento, ti consigliamo di approfondire la questione prima di implementare la Variante A in modo più ampio.

Puoi implementare qualsiasi variante, non solo quella vincente, in base alla valutazione complessiva del rendimento delle 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. Gli esperimenti e i dati dei risultati vengono aggiornati una volta al giorno. Ti consigliamo di consultare un calcolatore delle dimensioni del campione online per valutare le dimensioni del campione consigliate 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 il tempo di esecuzione minimo consigliato 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 parametro in base alle condizioni impostate nel template Remote Config. I dati storici dell'esperimento vengono conservati fino a quando non elimini l'esperimento.

Schema BigQuery

Oltre a visualizzare i dati degli esperimenti A/B Testing nella console Firebase, puoi ispezionare e analizzare i dati degli esperimenti in BigQuery. Sebbene A/B Testing non abbia una tabella BigQuery separata, le appartenenze agli esperimenti e alle 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 suddividere i risultati dell'esperimento in molti modi diversi e verificare in modo indipendente i risultati di A/B Testing.

Per iniziare, completa i seguenti passaggi come descritto in questa guida:

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

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

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

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

1. Nella console Firebase, vai alla scheda Impostazioni > Integrazioni.

2. Nella scheda BigQuery, fai clic su Gestisci e verifica che il progetto esporti i dati di Analytics in BigQuery.

   Se nella scheda è presente la dicitura Collega, devi configurare l'esportazione (vai al passaggio successivo).

3. Se devi configurare l'esportazione:

   1. Leggi Informazioni sul collegamento di Firebase a BigQuery, poi fai clic su Avanti.

   2. Nella sezione Configura integrazione, attiva Google Analytics.

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

      Nota: per saperne di più sulle impostazioni di Google Analytics per Firebase, consulta Raccolta dei dati.

   4. Fai clic su Collega a BigQuery.

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

Accedi ai dati di A/B Testing in BigQuery

Prima di eseguire query sui dati per un esperimento specifico, devi 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 l'URL è https://console.firebase.google.com/project/my_firebase_project/config/experiment/results/25, l'ID esperimento è 25.
• ID proprietà Google Analytics: l'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 buona norma limitare le query alle partizioni della tabella degli eventi giornalieri Google Analytics che contengono i dati dell'esperimento, ovvero le tabelle identificate con un suffisso YYYYMMDD. Ad esempio, se l'esperimento è stato eseguito dal 2 febbraio 2026 al 2 maggio 2026, devi specificare un _TABLE_SUFFIX between '20260202' AND '20260502'. Per un esempio, consulta Seleziona 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 in Esegui query sui dati degli esperimenti utilizzando la query generata automaticamente dalla console Firebase

Dopo aver raccolto le informazioni necessarie per generare la query:

1. Nella console Google Cloud, vai a BigQuery.
2. Seleziona il progetto, quindi Crea query SQL.
3. Aggiungi la tua query. Per esempi di query da eseguire, consulta Esplora le query di esempio.
4. Fai clic su Esegui.

Suggerimento: anche se questi passaggi descrivono l'utilizzo della console Google Cloud, puoi anche utilizzare l'interfaccia a riga di comando o le librerie client per eseguire query su BigQuery. Scopri di più nella documentazione di BigQuery.

Esegui query sui dati degli esperimenti utilizzando la query generata automaticamente dalla console Firebase

Se utilizzi il piano Blaze, la pagina Panoramica dell'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. Nella console Firebase, vai a DevOps e coinvolgimento > A/B Testing.
2. Seleziona l'esperimento A/B Testing su cui vuoi eseguire la query per aprire la Panoramica dell'esperimento.
3. Nel menu Opzioni, in Integrazione di BigQuery, seleziona Esegui query sui dati degli esperimenti. In questo modo il progetto viene aperto in BigQuery all'interno della console Google Cloud e viene 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 univoco e il conteggio degli eventi per ogni evento. Tieni presente che Query Builder non specifica il nome del progetto nel nome della tabella, poiché 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 '20260202' AND '20260502')
    AND userProperty.key = 'firebase_exp_25'
  GROUP BY
    experimentVariant, eventName

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

Esplora le 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 di deviazione standard degli acquisti e degli esperimenti da tutti gli esperimenti

Puoi utilizzare i dati dei risultati degli esperimenti 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 somma le entrate totali degli 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 di fine di _TABLE_SUFFIX. Puoi utilizzare i dati ottenuti da questa query con un generatore di significatività statistica per i t-test a una coda 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 Interpreta 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;

Seleziona i valori di un esperimento specifico

La seguente query di esempio illustra 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 base di riferimento), 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 un totale di 300 esperimenti, di cui 24 in esecuzione. Questi limiti sono condivisi con i rollout di Remote Config. Ad esempio, se hai due implementazioni e tre esperimenti in esecuzione, puoi avere fino a 19 implementazioni o esperimenti aggiuntivi.

• Se raggiungi il limite di 300 esperimenti totali, devi eliminare un esperimento esistente prima di crearne uno nuovo.

• Se raggiungi il limite di 24 esperimenti e implementazioni in corso, devi interrompere un esperimento o un'implementazione in corso 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 i nomi delle varianti, i parametri delle varianti e altri metadati di configurazione.