על מבחני A/B של Firebase

כדי לעזור לך למקסם את הרלוונטיות והשימושיות של תוצאות הבדיקה שלך, דף זה מספק מידע מפורט על אופן הפעולה של בדיקות A/B של Firebase.

גודל המדגם

מסקנות Firebase A/B Testing אינה מחייבת זיהוי של גודל מדגם מינימלי לפני התחלת ניסוי. באופן כללי, עליך לבחור את רמת החשיפה הגדולה ביותר לניסוי שאתה מרגיש איתה בנוח. גדלים גדולים יותר של מדגם מגדילים את הסיכוי למצוא תוצאה מובהקת סטטיסטית, במיוחד כאשר הבדלי הביצועים בין גרסאות קטנים. ייתכן שתמצא שימושי גם להתייעץ עם מחשבון גודל מדגם מקוון כדי למצוא את גודל המדגם המומלץ על סמך מאפייני הניסוי שלך.

ערוך ניסויים

אתה יכול לערוך פרמטרים נבחרים של ניסויים פועלים, כולל:

  • שם הניסוי
  • תיאור
  • תנאי מיקוד
  • ערכי וריאציות

כדי לערוך ניסוי:

  1. פתח את דף התוצאות של הניסוי שברצונך לשנות.
  2. מהתפריט More , בחר ערוך ניסוי פועל .
  3. בצע את השינויים שלך ולאחר מכן לחץ על פרסם .

שים לב ששינוי התנהגות האפליקציה במהלך ניסוי פועל עשוי להשפיע על התוצאות.

לוגיקה של הקצאת גרסת תצורה מרחוק

משתמשים שתואמים את כל תנאי מיקוד הניסוי (כולל תנאי החשיפה באחוז) מוקצים לגרסאות ניסוי לפי משקלי וריאנטים ו-hash של מזהה הניסוי ומזהה ההתקנה של Firebase של המשתמש.

קהלי Google Analytics כפופים לאחזור ואינם זמינים באופן מיידי כאשר משתמש עומד בקריטריונים של הקהל:

  • כאשר אתה יוצר קהל חדש, ייתכן שיחלפו 24-48 שעות לצבור משתמשים חדשים.
  • משתמשים חדשים בדרך כלל נרשמים לקהלים העומדים בדרישות 24-48 שעות לאחר שהם הופכים לזכאים.

למיקוד רגיש בזמן, שקול את השימוש בנכסי משתמש של Google Analytics או אפשרויות מיקוד מובנות כגון מדינה או אזור, שפה וגרסת אפליקציה.

לאחר שמשתמש נכנס לניסוי, הוא מוקצה באופן מתמשך לוריאנט הניסוי שלו ומקבל ערכי פרמטרים מהניסוי כל עוד הניסוי נשאר פעיל, גם אם מאפייני המשתמש שלו משתנים והם אינם עומדים עוד בקריטריונים למיקוד הניסוי.

אירועי הפעלה

אירועי הפעלת ניסוי מגבילים את מדידת הניסוי למשתמשי אפליקציה שמפעילים את אירוע ההפעלה. לאירוע הפעלת הניסוי אין כל השפעה על פרמטרי הניסוי שנאספים על ידי האפליקציה; כל המשתמשים שעומדים בקריטריוני מיקוד הניסוי יקבלו פרמטרים של ניסוי. כתוצאה מכך, חשוב לבחור אירוע הפעלה המתרחש לאחר שליפה והפעלה של פרמטרי הניסוי, אך לפני שימוש בפרמטרי הניסוי לשינוי התנהגות האפליקציה.

משקלים שונים

במהלך יצירת הניסוי, ניתן לשנות את משקלי ברירת המחדל של וריאנטים כדי להציב אחוז גדול יותר ממשתמשי הניסוי בווריאציה.

לפרש את תוצאות הבדיקה

Firebase A/B Testing משתמש בהסקת מסקנות תכופות כדי לעזור לך להבין את הסבירות שתוצאות הניסוי שלך יכלו להתרחש רק בגלל סיכוי אקראי. סבירות זו מיוצגת על ידי ערך הסתברות , או ערך p . ערך p הוא ההסתברות שההבדל בביצועים בין שתי גרסאות יכול היה להתרחש עקב סיכוי אקראי, הנמדד בערך בין 0 ל-1. בדיקת A/B משתמשת ברמת מובהקות של 0.05 כך:

  • ערך p נמוך מ-0.05 מצביע על הבדל מובהק סטטיסטית בין גרסאות, כלומר לא סביר שהוא התרחש במקרה אקראי.
  • ערך p גדול מ-0.05 מצביע על כך שההבדל בין הגרסאות אינו מובהק סטטיסטית.

נתוני הניסוי מתרעננים פעם ביום, ומועד העדכון האחרון מופיע בראש דף תוצאות הניסוי.

גרף תוצאות הניסוי מציג את הערכים הממוצעים המצטברים של המדד שנבחר. לדוגמה, אם אתה עוקב אחר הכנסות ממודעות לכל משתמש כמדד, הוא מציג הכנסה נצפו לכל משתמש ואם אתה עוקב אחר משתמשים ללא קריסה, הוא עוקב אחר אחוז המשתמשים שלא נתקלו בקריסה. נתונים אלו מצטברים מתחילת הניסוי.

התוצאות מחולקות לנתונים נצפו ונתוני מסקנות . הנתונים הנצפים מחושבים ישירות מנתוני Google Analytics, ונתוני הסקה מספקים ערכי p ורווחי סמך כדי לעזור לך להעריך את המובהקות הסטטיסטית של הנתונים הנצפים.

עבור כל מדד, מוצגות הנתונים הסטטיסטיים הבאים:

נתונים שנצפו

  • ערך כולל של המדד במעקב (מספר המשתמשים שנשארו, מספר המשתמשים שקרסו, סך ההכנסות)
  • שיעור ספציפי לערכים (שיעור שימור, שיעור המרות, הכנסה למשתמש)
  • אחוז הבדל (הרמה) בין הגרסה לקו הבסיס

נתוני מסקנות

  • 95% CI (הבדל באמצעים) מציג מרווח המכיל את הערך "האמיתי" של המדד המעקב ב-95% ביטחון. לדוגמה, אם הניסוי שלך מביא ל-CI של 95% עבור הכנסה כוללת משוערת בין $5 ל-$10, יש סיכוי של 95% שההבדל האמיתי בממוצע הוא בין $5 ל-$10. אם טווח ה-CI כולל 0, הבדל מובהק סטטיסטית בין הווריאציה לבין קו הבסיס לא זוהה.

    ערכי רווחי סמך מופיעים בפורמט התואם את המדד שמעקב. לדוגמה, זמן (ב- HH:MM:SS ) לשימור משתמשים, דולר עבור הכנסות ממודעות למשתמש ואחוז עבור שיעור המרה.

  • P-value , המייצג את ההסתברות שאין הבדל אמיתי בין הווריאציה לקו הבסיס; במילים אחרות, כל הבדל שנצפה נובע כנראה ממקריות אקראית. ככל שערך ה-p נמוך יותר, כך הביטחון גבוה יותר שהביצועים הנצפים יישארו נכונים בעתיד. ערך של 0.05 ומטה מצביע על הבדל משמעותי ועל סבירות נמוכה שהתוצאות נבעו מקריות. ערכי P מבוססים על מבחן חד-זנב , שבו ערך הווריאציה גדול מערך הבסיס. Firebase משתמשת במבחן t של שונות לא שווה למשתנים מתמשכים (ערכים מספריים, כמו הכנסה) ובמבחן z של פרופורציות עבור נתוני המרות (ערכים בינאריים, כמו שימור משתמשים, משתמשים ללא קריסות, משתמשים שמפעילים אירוע של Google Analytics).

תוצאות הניסוי מספקות תובנות חשובות עבור כל וריאנט ניסוי, כולל:

  • כמה גבוה או נמוך יותר כל מדד ניסוי בהשוואה לקו הבסיס, כפי שנמדד ישירות (כלומר, הנתונים שנצפו בפועל)
  • הסבירות שההבדל שנצפה בין הווריאציה לקו הבסיס יכול היה להתרחש עקב סיכוי אקראי (p-value)
  • טווח שסביר שיכיל את הפרש הביצועים "האמיתי" בין הווריאציה לקו הבסיס עבור כל מדד ניסוי --- דרך להבין את תרחישי הביצועים "המקרה הטוב ביותר" וה"מקרה הגרוע ביותר"

לפרש תוצאות עבור ניסויים המופעלים על ידי Google Optimize

תוצאות בדיקות A/B של Firebase עבור ניסויים שהחלו לפני 23 באוקטובר 2023 הופעלו על ידי Google Optimize. Google Optimize השתמשה בהסקה בייסיאנית כדי ליצור נתונים סטטיסטיים מלאי תובנה מנתוני הניסוי שלך.

התוצאות מחולקות ל"נתונים נצפים" ו"נתונים במודל". נתונים שנצפו חושבו ישירות מנתוני ניתוח, ונתוני מודל נגזרו מיישום המודל הבייסיאני שלנו על הנתונים הנצפים.

עבור כל מדד, מוצגות הנתונים הסטטיסטיים הבאים:

נתונים נצפו

  • ערך כולל (סכום של ערך עבור כל המשתמשים בגרסה)
  • ערך ממוצע (ערך ממוצע של מדד עבור משתמשים בגרסה)
  • % הבדל מקו הבסיס

נתונים מדגם

  • הסתברות לנצח את קו הבסיס: מה הסיכוי שהמדד גבוה יותר עבור גרסה זו בהשוואה לקו הבסיס
  • אחוז הבדל מקו הבסיס: מבוסס על אומדני המודל החציוני של המדד עבור הגרסה וקו הבסיס
  • טווחי מדדים: הטווחים שבהם סביר להניח שהערך של המדד יימצא, עם וודאות של 50% ו-95%.

בסך הכל, תוצאות הניסוי נותנות לנו שלוש תובנות חשובות עבור כל וריאציה בניסוי:

  1. כמה גבוה או נמוך כל מדד ניסוי בהשוואה לקו הבסיס, כפי שנמדד ישירות (כלומר, הנתונים שנצפו בפועל)
  2. מה הסיכוי שכל מדד ניסוי גבוה מקו הבסיס / הטוב ביותר הכולל, בהתבסס על מסקנות בייסיאניות (ההסתברות להיות טובה יותר / הטובה ביותר בהתאמה)
  3. הטווחים הסבירים עבור כל מדד ניסוי המבוססים על מסקנות בייסיאניות - "המקרה הטוב ביותר" ו"המקרה הגרוע ביותר" (מרווחים אמינים)

נחישות מנהיג

עבור ניסויים המשתמשים בהסקת מסקנות תדיר , Firebase מצהיר שוריאנט מוביל אם יש הבדל ביצועים מובהק סטטיסטית בין הווריאציה לקו הבסיס במדד היעד. אם וריאציות מרובות עומדות בקריטריון זה, הווריאציה עם ערך ה-p הנמוך ביותר נבחרה.

עבור ניסויים שהשתמשו ב- Google Optimize , Firebase הכריזה שגרסה היא "מובילה ברורה" אם יש לה יותר מ-95% סיכוי להיות טוב יותר מהגרסה הבסיסית במדד הראשי. אם וריאציות מרובות עמדו בקריטריונים של "מנהיג ברור", רק הגרסה בעלת הביצועים הטובים ביותר בסך הכל סומנה כ"מובילה ברורה".

מכיוון שקביעת מנהיג מבוססת על המטרה העיקרית בלבד, עליך לשקול את כל הגורמים הרלוונטיים ולסקור את התוצאות של מדדים משניים לפני שתחליט אם להפעיל וריאנט מוביל או לא. ייתכן שתרצה לשקול את הצד החיובי הצפוי בביצוע השינוי, את הסיכון השלילי (כגון הקצה התחתון של רווח הסמך לשיפור), ואת ההשפעה על מדדים שאינם המטרה העיקרית.

לדוגמה, אם המדד העיקרי שלך הוא משתמשים נטולי קריסה, ווריאנט A הוא מוביל ברור על קו הבסיס, אך מדדי שימור משתמשים של וריאנט A עוקבים אחרי שימור המשתמשים הבסיסי, ייתכן שתרצה לחקור לעומק לפני השקת וריאציה A באופן נרחב יותר.

אתה יכול להפעיל כל וריאציה, לא רק וריאציה מובילה, על סמך ההערכה הכוללת שלך של הביצועים במדדים ראשיים ומשניים כאחד.

משך הניסוי

Firebase ממליצה שניסוי ימשיך לפעול עד שיתקיימו התנאים הבאים:

  1. הניסוי צבר מספיק נתונים כדי לספק תוצאה שימושית. ניסויים ונתוני תוצאות מתעדכנים פעם ביום. ייתכן שתרצה להתייעץ עם מחשבון גודל מדגם מקוון כדי להעריך את גודל המדגם המומלץ של הניסוי שלך.
  2. הניסוי נמשך מספיק זמן כדי להבטיח מדגם מייצג של המשתמשים שלך ולמדוד ביצועים לטווח ארוך יותר. שבועיים הוא זמן הריצה המינימלי המומלץ לניסוי טיפוסי של Remote Config.

נתוני הניסוי מעובדים לכל היותר 90 ימים לאחר תחילת הניסוי. לאחר 90 יום, הניסוי מופסק אוטומטית. תוצאות הניסוי כבר לא מתעדכנות במסוף Firebase והניסוי מפסיק לשלוח ערכי פרמטרים ספציפיים לניסוי. בשלב זה, לקוחות מתחילים להביא ערכי פרמטרים על סמך התנאים שנקבעו בתבנית התצורה המרוחקת. נתוני הניסוי ההיסטוריים נשמרים עד למחיקת הניסוי.

סכימת BigQuery

בנוסף להצגת נתוני ניסוי A/B במסוף Firebase, תוכל לבדוק ולנתח נתוני ניסוי ב-BigQuery. בעוד לבדיקת A/B אין טבלת BigQuery נפרדת, חברות לניסויים ולווריאציות מאוחסנות בכל אירוע של Google Analytics בתוך טבלאות האירועים של Analytics.

מאפייני המשתמש המכילים מידע על הניסוי הם בצורת userProperty.key like "firebase_exp_%" או userProperty.key = "firebase_exp_01" כאשר 01 הוא מזהה הניסוי, ו- userProperty.value.string_value מכיל את האינדקס (מבוסס אפס) של וריאנט ניסוי.

אתה יכול להשתמש במאפייני משתמש הניסוי האלה כדי לחלץ נתוני ניסוי. זה נותן לך את הכוח לחתוך את תוצאות הניסוי שלך בדרכים רבות ושונות ולאמת באופן עצמאי את התוצאות של בדיקות A/B.

כדי להתחיל, השלם את הפעולות הבאות כמתואר במדריך זה:

  1. אפשר ייצוא BigQuery עבור Google Analytics במסוף Firebase
  2. גישה לנתוני A/B Testing באמצעות BigQuery
  3. חקור שאילתות לדוגמה

אפשר ייצוא BigQuery עבור Google Analytics במסוף Firebase

אם אתה בתוכנית Spark, אתה יכול להשתמש בארגז החול של BigQuery כדי לגשת ל-BigQuery ללא עלות, בכפוף למגבלות Sandbox . למידע נוסף, עיין בתמחור ובארגז החול של BigQuery .

ראשית, ודא שאתה מייצא את נתוני Analytics שלך ל-BigQuery:

  1. פתח את הכרטיסייה אינטגרציות , אליה תוכל לגשת באמצעות > הגדרות פרויקט במסוף Firebase .
  2. אם אתה כבר משתמש ב-BigQuery עם שירותי Firebase אחרים, לחץ על נהל . אחרת, לחץ על קישור .
  3. סקור אודות קישור Firebase ל-BigQuery ולאחר מכן לחץ על הבא .
  4. בקטע הגדר אינטגרציה , הפעל את החלפת מצב של Google Analytics .

  5. בחר אזור ובחר הגדרות ייצוא.

  6. לחץ על קישור ל-BigQuery .

בהתאם לאופן שבו בחרת לייצא נתונים, עשוי לחלוף עד יום עד שהטבלאות יהיו זמינות. למידע נוסף על ייצוא נתוני פרויקט ל-BigQuery, ראה ייצוא נתוני פרויקט ל-BigQuery .

גישה לנתוני A/B Testing ב-BigQuery

לפני שתבצע שאילתה לנתונים עבור ניסוי ספציפי, תרצה להשיג חלק מהדברים הבאים או את כולם לשימוש בשאילתה שלך:

  • מזהה ניסוי: אתה יכול להשיג זאת מכתובת האתר של דף סקירת הניסוי . לדוגמה, אם כתובת האתר שלך נראית כמו https://console.firebase.google.com/project/my_firebase_project/config/experiment/results/25 , מזהה הניסוי הוא 25 .
  • מזהה נכס Google Analytics : זהו מזהה הנכס בן 9 הספרות שלך ב-Google Analytics. אתה יכול למצוא את זה בתוך Google Analytics; הוא מופיע גם ב-BigQuery כאשר אתה מרחיב את שם הפרויקט שלך כדי להציג את השם של טבלת האירועים שלך ב-Google Analytics ( project_name.analytics_000000000.events ).
  • תאריך הניסוי: כדי ליצור שאילתה מהירה ויעילה יותר, מומלץ להגביל את השאילתות למחיצות טבלת האירועים היומית של Google Analytics המכילות את נתוני הניסוי שלך - טבלאות המזוהות עם סיומת YYYYMMDD . לכן, אם הניסוי שלך רץ מ-2 בפברואר 2024 עד 2 במאי 2024, תציין _TABLE_SUFFIX between '20240202' AND '20240502' . לדוגמא, ראה בחירת ערכי ניסוי ספציפי .
  • שמות אירועים: בדרך כלל, אלה תואמים את ערכי היעדים שלך שהגדרת בניסוי. לדוגמה, אירועים in_app_purchase , ad_impression , או אירועי user_retention .

לאחר שתאסוף את המידע שאתה צריך כדי ליצור את השאילתה שלך:

  1. פתח את BigQuery במסוף Google Cloud.
  2. בחר את הפרויקט שלך ולאחר מכן בחר צור שאילתת SQL .
  3. הוסף את השאילתה שלך. לדוגמה שאילתות להרצה, ראה חקור שאילתות לדוגמה .
  4. לחץ על הפעל .

שאילתה נתוני ניסוי באמצעות השאילתה שנוצרה אוטומטית של מסוף Firebase

אם אתה משתמש בתוכנית Blaze, דף סקירת הניסוי מספק שאילתה לדוגמה שמחזירה את שם הניסוי, גרסאות, שמות אירועים ומספר האירועים עבור הניסוי שאתה צופה בו.

כדי להשיג ולהפעיל את השאילתה שנוצרה אוטומטית:

  1. ממסוף Firebase, פתח את בדיקת A/B ובחר בניסוי בדיקת A/B שברצונך לבצע שאילתה כדי לפתוח את סקירת הניסוי .
  2. מתפריט האפשרויות, מתחת לשילוב BigQuery , בחר נתוני ניסוי שאילתה . זה פותח את הפרויקט שלך ב-BigQuery בתוך מסוף מסוף Google Cloud ומספק שאילתה בסיסית שבה תוכל להשתמש כדי לבצע שאילתה על נתוני הניסוי שלך.

הדוגמה הבאה מציגה שאילתה שנוצרה עבור ניסוי עם שלוש גרסאות (כולל קו הבסיס) בשם "ניסוי קבלת פנים בחורף". הוא מחזיר את שם הניסוי הפעיל, שם הגרסה, האירוע הייחודי וספירת האירועים עבור כל אירוע. שים לב שבונה השאילתות אינו מציין את שם הפרויקט שלך בשם הטבלה, מכיוון שהוא נפתח ישירות בתוך הפרויקט שלך.

  /*
    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

לדוגמאות שאילתות נוספות, המשך אל חקור שאילתות לדוגמה .

חקור שאילתות לדוגמה

הסעיפים הבאים מספקים דוגמאות לשאילתות שבהן תוכל להשתמש כדי לחלץ נתוני ניסוי A/B מטבלאות אירועים של Google Analytics.

חלץ ערכי סטיית תקן של רכישה וניסוי מכל הניסויים

אתה יכול להשתמש בנתוני תוצאות הניסוי כדי לאמת באופן עצמאי את תוצאות בדיקות A/B של Firebase. הצהרת BigQuery SQL הבאה מחלצת גרסאות ניסוי, מספר המשתמשים הייחודיים בכל וריאציה, ומסכמת את סך ההכנסות מאירועי in_app_purchase ו- ecommerce_purchase , וסטיות תקן עבור כל הניסויים בטווח הזמן שצוין בתור _TABLE_SUFFIX תאריכי התחלה וסיום. אתה יכול להשתמש בנתונים שאתה מקבל מהשאילתה הזו עם מחולל מובהקות סטטיסטית עבור מבחני t חד-זנביים כדי לוודא שהתוצאות ש-Firebase מספקת תואמות את הניתוח שלך.

למידע נוסף על האופן שבו בדיקת A/B מחשבת מסקנות, ראה לפרש את תוצאות הבדיקה .

  /*
    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;

בחר ערכי ניסוי ספציפי

השאילתה לדוגמה הבאה ממחישה כיצד להשיג נתונים עבור ניסוי ספציפי ב-BigQuery. שאילתה לדוגמה זו מחזירה את שם הניסוי, שמות וריאנטים (כולל Baseline), שמות אירועים וספירת אירועים.

  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

גבולות

בדיקות A/B מוגבלות ל-300 ניסויים בסך הכל, 24 ניסויים רצים ו-24 ניסויים טיוטות.

  • אם תגיע למגבלת הניסוי הכולל של 300 או למגבלת 24 טיוטות הניסוי, עליך למחוק ניסוי קיים לפני יצירת ניסוי חדש.

  • אם תגיע למגבלה של 24 ניסויים רצים, עליך להפסיק ניסוי פועל לפני שתתחיל ניסוי חדש.

לניסוי יכולים להיות לכל היותר 8 וריאנטים (כולל קו הבסיס) ועד 25 פרמטרים לכל וריאציה. ניסוי יכול להיות בגודל של עד כ-200 KiB. זה כולל שמות של גרסאות, פרמטרים של גרסאות ומטא נתונים אחרים של תצורה.