Cómo los grupos de experimentos organizan pruebas

Dónde encajan los experimentos en la operación

Los grupos de experimentos organizan las variaciones que una agencia quiere comparar para un cliente. Cada grupo reúne experimentos relacionados, mientras que cada experimento combina recursos y genera su propia lectura de estado, presupuesto y rendimiento.

El área de Experimentos no es solo otra lista de campañas. Ofrece una perspectiva comparativa: primero muestra el grupo y después permite expandirlo para analizar las variaciones que forman parte de esa prueba.

Por qué importa

Sin una estructura común, comparar públicos, anuncios, zonas de conversión o palabras clave puede mezclar objetivos, periodos y presupuestos diferentes. El grupo mantiene esas variaciones juntas y ayuda al equipo a evaluar el rendimiento dentro de un contexto compartido.

Esta organización no convierte cualquier diferencia en una conclusión fiable. El volumen de datos, el tiempo de publicación, la configuración de la plataforma y los cambios durante la prueba siguen influyendo en la lectura. Agencify organiza la comparación, pero el equipo todavía debe interpretar el contexto.

Modelo mental

Piensa en el grupo como el contenedor de la prueba y en los experimentos como las variaciones comparadas dentro de él. La fila del grupo resume el conjunto. Al expandirla, el equipo ve los experimentos y los recursos vinculados a cada variación.

Grupo y experimento

El grupo concentra el nombre, el estado, el presupuesto agregado y las métricas resumidas. Los experimentos muestran combinaciones específicas de recursos. Después de la creación, la estructura de un experimento no funciona como una campaña manual que pueda editarse libremente. Las acciones se concentran en el estado, el presupuesto y la gestión del grupo.

Perspectiva comparativa

La biblioteca de Recursos ayuda a entender cómo se comporta un elemento individual. Experimentos ayuda a comparar variaciones dentro del mismo grupo. Campañas muestra la operación publicada como un conjunto. Las tres áreas utilizan datos relacionados, pero responden a preguntas distintas.

Presupuesto y estado

Pausar o activar experimentos cambia cuántas variaciones siguen publicándose. Según la acción elegida, puede ser necesario redistribuir el presupuesto entre los experimentos activos. El estado resumido del grupo acompaña el estado de sus variaciones.

Un escenario realista

Una agencia quiere comparar tres públicos con el mismo anuncio y la misma zona de conversión. Reúne las variaciones en un grupo, sigue el resultado durante el mismo periodo y expande la fila para comparar cada experimento. Si pausa una variación, el equipo revisa el efecto en el presupuesto de las demás antes de confirmar la decisión.

Funcionalidades principales

• Creación de un grupo a partir de recursos disponibles para el cliente.
• Tabla de grupos con búsqueda, filtros, periodo, ordenación y columnas configurables.
• Métricas resumidas en el grupo y detalles de experimentos en un panel expandido.
• Identificación de los recursos utilizados por cada experimento.
• Acciones para pausar, activar y ajustar el presupuesto cuando el estado lo permite.
• Redistribución del presupuesto cuando corresponde al pausar experimentos.
• Acceso relacionado con Historial, Informes y recomendaciones de la IA.

Límites y recuperación

Una comparación reciente o con poco volumen no debe tratarse como una decisión final. Las métricas pueden llegar de forma parcial, y el resultado depende del objetivo, la plataforma y el periodo. Recursos ausentes, integraciones caducadas, presupuestos mínimos o una suscripción bloqueada pueden impedir la creación o el cambio.

Si una operación continúa en segundo plano, espera la actualización y revisa las notificaciones y el Historial. Antes de repetir una pausa, activación o ajuste, confirma el estado del grupo y de los experimentos en Agencify y en el proveedor. Si una variación no aparece, revisa los recursos y si la creación del grupo terminó.

A continuación

Después de esta vista general, profundiza en las métricas de los experimentos y aprende cómo el Historial registra cambios y decisiones de la IA sin confundir la confianza interna con una métrica de rendimiento.