لمحة عن اختبارات A/B من Firebase

لمساعدتك في الاستفادة إلى أقصى حدّ من نتائج الاختبار ومدى صلتها بموضوع البحث، توفّر هذه الصفحة معلومات مفصّلة حول آلية عمل ميزة "اختبار A/B من Firebase".

حجم العينة

لا يتطلب استنتاج "اختبار A/B من Firebase" تحديد حد أدنى لحجم العينة قبل بدء التجربة. بشكل عام، يجب اختيار أكبر مستوى لعرض التجربة تشعر بالارتياح معه. تزيد أحجام العينات الأكبر من فرص العثور على نتيجة ذات دلالة إحصائية، خاصةً عندما تكون الفروق في الأداء بين الصيغ صغيرة. قد تجد أيضًا أنه من المفيد الرجوع إلى حاسبة حجم العينة على الإنترنت للعثور على حجم العينة الموصى به بناءً على خصائص تجربتك.

تعديل التجارب

يمكنك تعديل المَعلمات المحدّدة لتنفيذ التجارب، بما في ذلك:

  • اسم التجربة
  • الوصف
  • شروط الاستهداف
  • قيم الصيغ

لتعديل تجربة:

  1. افتح صفحة النتائج للتجربة التي تريد تعديلها.
  2. من قائمة المزيد ، انقر على تعديل تنفيذ التجربة.
  3. أدخِل التغييرات المطلوبة، ثم انقر على نشر.

لاحظ أن تغيير سلوك التطبيق أثناء تجربة قيد التنفيذ قد يؤثر في النتائج.

منطق تخصيص صيغة الإعداد عن بُعد

يتم تعيين المستخدمين الذين يتطابقون مع جميع شروط استهداف التجربة (بما في ذلك شرط النسبة المئوية للظهور) لصيغ التجربة وفقًا للقيم التقديرية المختلفة وتجزئة رقم تعريف التجربة ورقم تعريف تثبيت Firebase للمستخدم.

تخضع شرائح جمهور "إحصاءات Google" لوقت الاستجابة، ولا تتوفّر على الفور عندما يستوفي المستخدم معايير شريحة الجمهور في البداية:

  • عند إنشاء شريحة جمهور جديدة، قد يستغرق تجميع مستخدمين جدد مدة تتراوح بين 24 و48 ساعة.
  • يتمّ عادةً تسجيل المستخدِمين الجدد في شرائح الجمهور المؤهَّلة بعد 24 إلى 48 ساعة من أن يصبحوا مؤهَّلين.

بالنسبة إلى الاستهداف الحسّاس للوقت، ننصحك باستخدام مواقع مستخدم "إحصاءات Google" أو خيارات الاستهداف المضمّنة مثل البلد أو المنطقة واللغة وإصدار التطبيق.

بعد دخول المستخدم في تجربة، يتم تخصيصه باستمرار لصيغة التجربة ويتلقّى قيم مَعلمات من التجربة طالما أنّ التجربة لا تزال نشطة، حتى إذا تغيّرت خصائص المستخدمين لدى المستخدم ولم تعُد تستوفي معايير استهداف التجربة.

أحداث التفعيل

تحدّ أحداث تفعيل التجربة من قياس التجربة لمستخدمي التطبيق الذين يشغّلون حدث التفعيل. لا يكون لحدث تفعيل التجربة أي تأثير على معلَمات التجربة التي يجلبها التطبيق. سيتلقّى جميع المستخدمين الذين يستوفون معايير استهداف التجربة معلَمات التجربة. وبالتالي، من المهم اختيار حدث تفعيل يقع بعد استرجاع مَعلمات التجربة وتفعيلها، ولكن قبل استخدامها لتعديل سلوك التطبيق.

معاملات الترجيح المختلفة

أثناء إنشاء التجربة، من الممكن تغيير القيم التقديرية التلقائية للصيغ لوضع نسبة أكبر من مستخدمي التجربة في إحدى الصيغ.

تفسير نتائج الاختبار

يستخدم اختبار A/B من Firebase الاستنتاج المتكرر لمساعدتك في فهم احتمالية حدوث نتائج تجربتك فقط بسبب فرصة عشوائية. ويتم تمثيل هذا الاحتمال من خلال قيمة الاحتمال أو القيمة الاحتمالية. تشير القيمة الاحتمالية إلى احتمال حدوث فرق في الأداء بين صيغتين بسبب الصدفة العشوائية، ويتم قياسها بقيمة بين 0 و1. يستخدم اختبار A/B مستوى أهمية 0.05 بحيث:

  • تشير القيمة الاحتمالية الأقل من 0.05 إلى وجود فرق ذي دلالة إحصائية بين المتغيرات، ما يعني أنه من غير المحتمل أن تحدث عن طريق الصدفة العشوائية.
  • تشير القيمة الاحتمالية الأكبر من 0.05 إلى أن الفرق بين الصيغ ليس له دلالة إحصائية.

تتم إعادة تحميل بيانات التجربة مرة واحدة في اليوم، ويظهر آخر تعديل في أعلى صفحة نتائج التجربة.

يعرض الرسم البياني لنتائج التجربة المتوسط التراكمي للقيم التراكمية للمقياس المحدد. على سبيل المثال، إذا كنت تتتبّع أرباح الإعلانات لكل مستخدم كمقياس، يعرض التقرير الأرباح التي تم رصدها لكل مستخدم، وإذا كنت بصدد تتبُّع المستخدمين الذين لم يواجههم أي تعطُّل، يتتبّع النسبة المئوية للمستخدمين الذين لم تواجههم أي أعطال. وتكون هذه البيانات تراكمية من بداية التجربة.

يتم تقسيم النتائج إلى البيانات المرصودة وبيانات الاستنتاج. يتم احتساب البيانات المرصودة من بيانات "إحصاءات Google" مباشرةً، وتوفّر بيانات الاستنتاج قيم احتمالية وفواصل ثقة لمساعدتك في تقييم الأهمية الإحصائية للبيانات المرصودة.

يتم عرض الإحصاءات التالية لكل مقياس:

البيانات المرصودة

  • القيمة الإجمالية للمقياس الذي يتم تتبُّعه (عدد المستخدمين الذين تم الحفاظ عليهم وعدد المستخدمين الذين تعطّلوا وإجمالي الأرباح)
  • المعدّل حسب المقياس (معدّل الاحتفاظ بالمستخدمين، ومعدّل الإحالات الناجحة، والأرباح من كل مستخدم)
  • الفرق بالنسبة المئوية (الارتفاع) بين الصيغة والمرجع

بيانات الاستنتاج

  • يعرض القسم 95% CI (الفرق في المتوسط) فاصلاً يحتوي على القيمة "صحيح" للمقياس الذي يتم تتبُّعه بثقة بنسبة% 95. على سبيل المثال، إذا نتج عن تجربتك CI 95% لإجمالي الأرباح المقدَّرة بين 5 و10 دولارات أمريكية (أو ما يعادله بالعملة المحلية)، هناك احتمال بنسبة 95% أن يتراوح الفارق الحقيقي في المتوسط بين 5 و10 دولارات أمريكية (أو ما يعادله بالعملة المحلية). إذا كان نطاق CI يتضمّن 0، يعني ذلك أنّه لم يتم رصد فرق ذي دلالة إحصائية بين الصيغة والمرجع.

    تظهر قيم فاصل الثقة بالتنسيق الذي يتطابق مع المقياس الذي يتم تتبعه. على سبيل المثال، الوقت (بعملة HH:MM:SS) للحفاظ على المستخدمين والدولار الأمريكي لأرباح الإعلانات لكل مستخدم والنسبة المئوية لمعدل الإحالات الناجحة.

  • القيمة الاحتمالية التي تمثّل احتمالية عدم وجود اختلاف حقيقي بين الصيغة والمرجع. بعبارة أخرى، من المحتمل أن يرجع أي اختلاف تم رصده إلى صدفة عشوائية. وكلما انخفضت القيمة الاحتمالية، زادت الثقة في أن الأداء المرصود سيظل صحيحًا في المستقبل. تشير القيمة 0.05 أو أقل إلى وجود فرق كبير واحتمالية منخفضة أن تكون النتائج ناتجة عن صدفة. تستند القيم الاحتمالية إلى اختبار أحادي الطرف، حيث تكون قيمة "الصيغة" أكبر من القيمة المرجعية. يستخدم Firebase اختبار t-تباين غير متساوٍ للمتغيّرات المستمرة (القيم الرقمية مثل الأرباح) واختبار z للنسب لبيانات الإحالات الناجحة (القيم الثنائية، مثل معدل الاحتفاظ بالمستخدمين، والمستخدمين الذين لم يواجههم أي أعطال، والمستخدمون الذين يشغّلون حدثًا في "إحصاءات Google").

تقدّم نتائج التجربة إحصاءات مهمة لكل صيغة تجربة، بما في ذلك:

  • مدى ارتفاع أو انخفاض كل مقياس تجربة مقارنةً بالمرجع، كما تم قياسه مباشرةً (أي البيانات الفعلية المرصودة)
  • احتمالية حدوث الفرق المرصود بين المتغير والمرجع بسبب فرصة عشوائية (القيمة الاحتمالية)
  • نطاق يُرجّح أن يحتوي على فرق الأداء "الصحيح" بين الصيغة والمرجع لكل مقياس تجربة، وهو طريقة لفهم سيناريوهات الأداء "أفضل حالة" و "أسوأ حالة"

تفسير نتائج التجارب المقدَّمة من "أدوات تحسين الأداء من Google"

كانت نتائج اختبار A/B من Firebase للتجارب التي بدأت قبل 23 تشرين الأول (أكتوبر) 2023 مستندة إلى "أدوات تحسين الأداء من Google". استخدمت "أدوات تحسين الأداء من Google" استنتاج "بايزي" لإنشاء إحصاءات مفيدة من بيانات تجاربك.

يتم تقسيم النتائج إلى "البيانات التي تمت ملاحظتها" و "بيانات مستندة إلى نموذج". وتم حساب البيانات المرصودة مباشرةً من بيانات التحليلات، وتم اشتقاق البيانات المستندة إلى نموذج من تطبيق نموذج بايز على البيانات المرصودة.

يتم عرض الإحصاءات التالية لكل مقياس:

البيانات المرصودة

  • القيمة الإجمالية (مجموع المقياس لجميع المستخدمين في الصيغة)
  • متوسط القيمة (متوسط قيمة المقياس للمستخدمين في الصيغة)
  • نسبة الاختلاف مقارنةً بالمرجع

البيانات المستندة إلى النماذج

  • احتمالية تجاوز القيمة المرجعية: مدى احتمال أن يكون المقياس أعلى لهذه الصيغة مقارنةً بالمرجع
  • الفرق بالنسبة المئوية عن القيمة المرجعية: استنادًا إلى متوسط تقديرات النموذج للمقياس للصيغة والمرجع
  • نطاقات المقاييس: وهي النطاقات التي يُرجح العثور فيها على قيمة المقياس، بنسبة يقين تبلغ 50% و95%

بشكل عام، تعطينا نتائج التجربة ثلاث رؤى مهمة لكل صيغة في التجربة:

  1. مدى ارتفاع أو انخفاض كل مقياس تجربة مقارنةً بالمرجع، كما تم قياسه مباشرةً (أي البيانات الفعلية المرصودة)
  2. مدى احتمال أن يكون كل مقياس تجربة أعلى من القيمة المرجعية / الأفضل بشكلٍ عام، استنادًا إلى استنتاج بايز (احتمال أن تكون أفضل / الأفضل على التوالي)
  3. النطاقات المعقولة لكل مقياس تجربة بناءً على استنتاج بايز، مثل سيناريوهات "أفضل حالة" و "أسوأ حالة" (فترات زمنية موثوقة)

تحديد القائد

في التجارب التي تستخدم الاستنتاج المتكرر، يعلن Firebase عن أنّ إحدى الصيغ هي في الصدارة إذا كان هناك اختلاف كبير إحصائيًا في الأداء بين الصيغة والمرجع على مقياس الهدف. إذا استوفت صيغ متعددة هذه المعايير، يتم اختيار الصيغة ذات القيمة الاحتمالية الأقل.

في ما يتعلّق بالتجارب التي استخدمت أدوات تحسين الأداء من Google، أعلن فريق Firebase عن أنّ إحدى الصيغ هي "أولوية واضحة" إذا كان لديها فرصة أكبر من الصيغة الأساسية في المقياس الأساسي بنسبة تزيد عن %95. إذا استوفت المتغيرات المتعددة معايير "قائد واضح"، سيتم تصنيف الصيغة الأفضل أداءً فقط بشكل عام على أنها "قائد واضح".

بما أنّ تحديد القائد يعتمد على الهدف الأساسي فقط، عليك مراعاة جميع العوامل ذات الصلة ومراجعة نتائج المقاييس الثانوية قبل تحديد ما إذا كان سيتم طرح متغيّر رئيسي أم لا. قد ترغب في التفكير في الجانب الإيجابي المتوقع لإجراء التغيير، والمخاطر السلبية (مثل النهاية الدنيا لفاصل الثقة للتحسين)، والتأثير على المقاييس الأخرى غير الهدف الأساسي.

على سبيل المثال، إذا كان المقياس الأساسي هو المستخدمين الذين لم يواجههم أي تعطُّل، وكانت الصيغة "أ" رائدة واضحة في الأساس، ولكن مقاييس الاحتفاظ بالمستخدمين في الصيغة "أ" تتبع نسبة الاحتفاظ بالمستخدمين الأساسية، قد تحتاج إلى إجراء مزيد من التحقيق قبل طرح الصيغة "أ" على نطاق أوسع.

يمكنك طرح أي صيغة، وليس فقط خيار المنتج الرئيسي، وذلك استنادًا إلى تقييمك العام للأداء على مستوى كل من المقاييس الأساسية والثانوية.

مدة التجربة

تنصح منصة Firebase بمواصلة تنفيذ التجربة إلى أن يتم استيفاء الشروط التالية:

  1. جمعت التجربة بيانات كافية لتقديم نتيجة مفيدة. يتم تعديل بيانات التجارب والنتائج مرة واحدة يوميًا. قد ترغب في الرجوع إلى حاسبة حجم العينة على الإنترنت لتقييم حجم العينة الموصى به لتجربتك.
  2. تم تنفيذ التجربة لفترة كافية لضمان عيّنة تمثيلية من المستخدمين وقياس الأداء على المدى الطويل. يستغرق الأمر أسبوعَين بالحد الأدنى المقترَح لوقت التشغيل لتجربة ميزة "الإعداد عن بُعد" المعتادة.

تتم معالجة بيانات التجربة لمدة 90 يومًا كحدّ أقصى بعد بدئها. بعد 90 يومًا، يتم إيقاف التجربة تلقائيًا. لن يتم تعديل نتائج التجربة بعد الآن في وحدة تحكُّم Firebase، وتتوقّف التجربة عن إرسال قيم مَعلمات خاصة بالتجربة. في هذه المرحلة، يبدأ العملاء في جلب قيم المَعلمات استنادًا إلى الشروط المحدّدة في نموذج "الإعداد عن بُعد". يتم الاحتفاظ ببيانات التجربة السابقة إلى أن تحذفها التجربة

مخطط BigQuery

بالإضافة إلى عرض بيانات تجارب اختبار A/B في وحدة تحكُّم Firebase، يمكنك فحص بيانات التجربة وتحليلها في BigQuery. على الرغم من أنّ اختبار A/B لا يحتوي على جدول منفصل في BigQuery، يتمّ تخزين اشتراكات التجربة والصيغ في كل حدث من أحداث "إحصاءات Google" ضمن جداول أحداث "إحصاءات Google".

تكون خصائص المستخدِمين التي تحتوي على معلومات التجربة على النحو التالي: userProperty.key like "firebase_exp_%" أو userProperty.key = "firebase_exp_01"، حيث يكون 01 هو رقم تعريف التجربة، ويحتوي userProperty.value.string_value على الفهرس (استنادًا إلى صفر) لصيغة التجربة.

يمكنك استخدام خصائص المستخدِمين هذه للتجربة لاستخراج بيانات التجربة. ويتيح لك ذلك تقسيم نتائج تجربتك بعدة طرق مختلفة والتحقّق من نتائج اختبار A/B بشكل مستقل.

للبدء، أكمل ما يلي كما هو موضّح في هذا الدليل:

  1. تفعيل BigQuery Export لخدمة "إحصاءات Google" في "وحدة تحكُّم Firebase"
  2. الوصول إلى بيانات اختبار A/B باستخدام BigQuery
  3. الاطّلاع على نماذج طلبات البحث

تفعيل ميزة BigQuery Export لخدمة "إحصاءات Google" في وحدة تحكّم Firebase

إذا كنت مشتركًا في خطة Spark، يمكنك استخدام وضع الحماية في BigQuery للوصول إلى BigQuery بدون تكلفة، مع مراعاة حدود وضع الحماية. راجِع التسعير ووضع الحماية في BigQuery للحصول على مزيد من المعلومات.

أولاً، تأكَّد من تصدير بيانات "إحصاءات Google" إلى BigQuery:

  1. افتح علامة التبويب عمليات الدمج التي يمكنك الوصول إليها باستخدام > إعدادات المشروع في وحدة تحكُّم Firebase.
  2. إذا كنت تستخدم BigQuery مع خدمات Firebase الأخرى، انقر على إدارة. في الحالات الأخرى، انقر على ربط.
  3. راجِع مقالة لمحة عن ربط حساب Firebase بأداة BigQuery، ثمّ انقر على التالي.
  4. في قسم إعداد الدمج، فعِّل خيار إحصاءات Google.

  5. اختَر منطقة واختَر إعدادات التصدير.

  6. انقر على الربط بأداة BigQuery.

استنادًا إلى الطريقة التي اخترتها لتصدير البيانات، قد تستغرق إتاحة الجداول مدة تصل إلى يوم. لمزيد من المعلومات حول تصدير بيانات المشاريع إلى BigQuery، يمكنك الاطّلاع على المقالة تصدير بيانات المشروع إلى BigQuery.

الوصول إلى بيانات اختبار A/B في BigQuery

قبل الاستعلام عن بيانات تجربة معيّنة، ستحتاج إلى الحصول على بعض أو كل ما يلي لاستخدامه في طلب البحث:

  • رقم تعريف التجربة: يمكنك الحصول على هذا الرقم من عنوان URL لصفحة نظرة عامة على التجربة. على سبيل المثال، إذا كان عنوان URL يشبه العنوان https://console.firebase.google.com/project/my_firebase_project/config/experiment/results/25، يكون رقم تعريف التجربة هو 25.
  • رقم تعريف موقع "إحصاءات Google": هو رقم تعريف موقعك على "إحصاءات Google" المكوّن من 9 أرقام. يمكنك العثور عليه في "إحصاءات Google"، كما يظهر في BigQuery عند توسيع اسم مشروعك لعرض اسم جدول أحداث "إحصاءات Google" (project_name.analytics_000000000.events).
  • تاريخ التجربة: لإنشاء طلب بحث أسرع وأكثر كفاءة، من الممارسات الجيدة حصر طلبات البحث بأقسام جدول الأحداث اليومية في "إحصاءات Google" التي تحتوي على بيانات تجربتك، وهي جداول محدّدة بلاحقة YYYYMMDD. وبالتالي، إذا تمّ تنفيذ تجربتك من 2 شباط (فبراير) 2024 إلى 2 أيار (مايو) 2024، عليك تحديد _TABLE_SUFFIX between '20240202' AND '20240502'. للحصول على مثال، اطّلِع على المقالة اختيار قيم تجربة معيّنة.
  • أسماء الأحداث: تتوافق عادةً هذه الأسماء مع مقاييس الأهداف التي ضبطتها في التجربة. على سبيل المثال، أحداث in_app_purchase أو ad_impression أو user_retention

بعد جمع المعلومات التي تحتاجها لإنشاء طلب البحث:

  1. افتح BigQuery في وحدة تحكُّم Google Cloud.
  2. اختَر مشروعك، ثم اختَر إنشاء طلب بحث SQL.
  3. أضِف طلب البحث. للحصول على أمثلة لطلبات البحث التي تريد تنفيذها، راجِع المقالة استكشاف أمثلة على طلبات البحث
  4. انقر على Run (تشغيل).

إجراء طلب بحث عن بيانات التجربة باستخدام طلب البحث الذي تم إنشاؤه تلقائيًا في "وحدة تحكُّم Firebase"

إذا كنت تستخدِم خطة Blaze، تقدّم صفحة نظرة عامة على التجربة نموذج طلب بحث تعرِض اسم التجربة والصيغ وأسماء الأحداث وعدد أحداث التجربة التي تطّلع عليها.

للحصول على الاستعلام المنشأ تلقائيًا وتشغيله:

  1. من وحدة تحكُّم Firebase، افتح اختبار A/B واختَر تجربة اختبار A/B التي تريد إجراء طلب بحث عنها لفتح صفحة نظرة عامة على التجربة.
  2. من قائمة "الخيارات"، ضمن دمج BigQuery، اختر بيانات تجربة طلب البحث. يؤدي ذلك إلى فتح مشروعك على BigQuery داخل وحدة تحكُّم Google Cloud وتقديم طلب بحث أساسي يمكنك استخدامه للاستعلام عن بيانات تجربتك.

يوضح المثال التالي طلب بحث تم إنشاؤه لتجربة باستخدام ثلاثة صيغ (بما في ذلك المتوقع) باسم "تجربة الترحيب في الشتاء". ويعرض اسم التجربة النشطة واسم الصيغة والحدث الفريد وعدد الأحداث لكلّ حدث. لاحظ أن منصات إنشاء الاستعلام لا تحدد اسم مشروعك في اسم الجدول، حيث يتم فتحه مباشرة داخل مشروعك.

  /*
    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

للحصول على أمثلة إضافية على طلبات البحث، انتقِل إلى المقالة استكشاف أمثلة على طلبات البحث.

الاطّلاع على نماذج طلبات البحث

تقدِّم الأقسام التالية أمثلة على طلبات البحث التي يمكنك استخدامها لاستخراج بيانات تجربة اختبار A/B من جداول أحداث "إحصاءات Google".

استخراج قيم الانحراف المعياري للشراء والتجربة من جميع التجارب

يمكنك استخدام بيانات نتائج التجربة للتحقّق من نتائج اختبار A/B من Firebase بشكل مستقل. تعمل عبارة BigQuery SQL التالية على استخراج صيغ التجربة وعدد المستخدمين الفريدين في كل متغير، كما تجمع إجمالي الأرباح من الحدثَين in_app_purchase وecommerce_purchase والانحرافات المعيارية لجميع التجارب خلال النطاق الزمني المحدد كتاريخَي البدء والانتهاء _TABLE_SUFFIX. يمكنك استخدام البيانات التي تحصل عليها من هذا الاستعلام مع منشئ دلالة إحصائية لاختبارات T أحادية الذيل للتحقق من أنّ النتائج التي يوفرها Firebase تتطابق مع تحليلك الخاص.

لمزيد من المعلومات عن كيفية احتساب "اختبار A/B" للاستنتاج، يُرجى الاطّلاع على مقالة تفسير نتائج الاختبار.

  /*
    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;

اختيار قيم لتجربة معيّنة

يوضّح مثال طلب البحث التالي كيفية الحصول على بيانات لتجربة معيّنة في BigQuery. يعرض نموذج طلب البحث هذا اسم التجربة وأسماء الصيغ (بما في ذلك Baseline) وأسماء الأحداث وأعداد الأحداث.

  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

الحدود القصوى المسموح بها

يقتصر اختبار A/B على 300 تجربة إجمالاً و24 تجربة قيد التنفيذ و24 مسودة تجربة. تتم مشاركة هذه الحدود مع عمليات طرح ميزة "الإعداد عن بُعد". على سبيل المثال، إذا كان لديك عمليتا طرح قيد التشغيل وثلاث تجارب قيد التنفيذ، يمكنك استخدام ما يصل إلى 19 عملية طرح أو تجربة إضافية.

  • إذا وصلت إلى الحد الأقصى لإجمالي عدد التجارب وهو 300 أو الحد الأقصى المسموح به للتجربة والذي يبلغ 24 مسودة، يجب حذف تجربة حالية قبل إنشاء تجربة جديدة.

  • إذا وصلت إلى حد التجربة والطرح البالغ 24 عامًا، يجب إيقاف تجربة قيد التنفيذ أو الطرح قبل بدء تجربة جديدة.

يمكن أن تشتمل التجربة على 8 صيغ بحدٍ أقصى (بما في ذلك الصيغة المرجعية) وما يصل إلى 25 معلمة لكل صيغة. قد يصل حجم التجربة إلى 200 كيبيبايت تقريبًا. ويشمل ذلك أسماء الصيغ ومَعلماتها وغيرها من البيانات الوصفية للإعدادات.