Vergleichen von Daten-Feeds in Customer Journey Analytics und Adobe Analytics
Daten-Feeds in Customer Journey Analytics und Adobe Analytics ermöglichen den Export von Rohdaten in Drittanbieterplattformen.
Wenn Sie zuvor Daten-Feeds in Adobe Analytics verwendet haben, verwenden Sie die folgenden Informationen, um Unterschiede in den verfügbaren Funktionen und Konzepten zu verstehen.
Einen Vergleich der Daten-Feeds mit anderen Customer Journey Analytics-Exportmethoden, z. B. dem vollständigen Tabellenexport, finden Sie unter Analytics-Produktvergleich.
Nur in Customer Journey Analytics verfügbare Funktionen in Daten-Feeds
Die folgenden Funktionen sind in Customer Journey Analytics-Daten-Feeds verfügbar, aber nicht in Adobe Analytics-Daten-Feeds:
-
Abgeleitete Felder: Benutzerdefinierte Komponenten, die aus regelbasierten Transformationen erstellt wurden, die in Ihr Daten-Feed-Schema aufgenommen werden können.
-
Komponenteneinstellungen: Einstellungen für die Datenansichtskomponente wie Persistenz, Metrik-Deduplizierung und Wert-Bucketing können den Wert einer Komponente direkt in Ihrer Daten-Feed-Ausgabe umwandeln, ohne dass SQL erforderlich ist.
-
Zusammenfügen: Geräteübergreifende Identitätsauflösung, die Ereignisse geräteübergreifend mit einer einzelnen Person verknüpft.
-
Konfigurierbare Sitzungsdefinitionen: Sitzungen werden durch die Sitzungseinstellungen in Ihrer Datenansicht definiert, z. B. die maximale Wartezeit bei Inaktivität und die Ereignisse, die eine Sitzung starten oder beenden. Sitzungs-IDs und sitzungsbasierte Werte in Ihrem Daten-Feed spiegeln diese Einstellungen wider, und Änderungen daran werden in Aufstockungen übernommen.
-
Strukturiertes Datenmodell: Feeds werden mithilfe strukturierter Daten und nicht anhand flacher Zeichenfolgen wie „post_product_list“ erstellt und bereitgestellt. spiegelt die vorhandene Struktur aus dem XDM-Schema und der Datenansicht wider.
-
Parquet-Ausgabe: Dateien werden im Parquet-Format bereitgestellt, das nativ komplexe verschachtelte und strukturierte Daten unterstützt. Das bedeutet, dass der Zugriff auf Daten in einer Datenbank mithilfe von branchenüblichen Verfahren einfacher ist. Weitere Informationen finden Sie unter Arbeiten mit Parquet-Dateien in Daten-Feeds.
-
Segmentierung: Segmente, die auf die Datenansicht angewendet werden, werden automatisch übernommen, und zusätzliche Segmente können direkt auf den Feed angewendet werden.
-
Partitionspfade im Hive-Stil: Ausgabedateien verwenden hive-artige Pfade für effiziente Abfragen in Data-Lake-Umgebungen.
-
Komponentenaktualisierungen gelten rückwirkend: Änderungen an Komponenten in der Datenansicht werden historisch in Aufstockungen widergespiegelt.
-
Suchen: Klassifizierungen sind nicht in Adobe Analytics-Daten-Feeds enthalten. In Customer Journey Analytics sind alle Suchen direkt in die Daten eingebettet.
-
Benutzeroberfläche, die Analysis Workspace-Benutzern vertraut ist: Komponenten stammen direkt aus der Datenansicht und sind auch in Analysis Workspace verfügbar. Sie können Dimensionen und Metriken über dieselbe Komponentenleiste wie Analysis Workspace auswählen, anstatt über eine statische Liste von Variablennamen.
-
Weitere Persistenzmodelle verfügbar: Es gibt fünf verschiedene Persistenzmodelle, die in Customer Journey Analytics-Daten-Feeds verwendet werden können.
Die nachstehende Funktionsvergleich Tabelle behandelt alle diese Funktionen im Detail, zusammen mit den Unterschieden bei den Funktionen, die in beiden Produkten vorhanden sind.
Funktionsvergleich
In der folgenden Tabelle werden die wichtigsten Konzepte und Konfigurationsoptionen von Customer Journey Analytics-Daten-Feeds und Adobe Analytics-Daten-Feeds verglichen.
Der Datentyp, der erfasst und in Daten-Feeds eingeschlossen werden kann.
Daten werden in verschiedenen Phasen verarbeitet, je nachdem, welches Produkt Sie verwenden.
Geräteübergreifende und kanalübergreifende Identitätsauflösung, die Ereignisse mit einer einzelnen Person verknüpft.
Bestimmt, wie oft der Daten-Feed gesendet wird und in welchem Zeitfenster der Feed verfügbar ist.
Täglich (Mitternacht bis Mitternacht in der Zeitzone der Report Suite) oder Stündlich.
Feeds von 15 Minuten sind möglich, aber standardmäßig nicht verfügbar.
Die historischen Daten, die zur Berechnung von Persistenz, Sitzungen und Segmentqualifikation für jeden Versand verwendet werden.
Ein rollierendes 30-tägiges Verarbeitungsfenster, das zum und einschließlich des Häufigkeitsfensters führt. Daten aus der Zeit vor dem Verarbeitungsfenster werden im Allgemeinen nicht berücksichtigt.
Weitere Informationen finden Sie unter Grundlagen zum Verarbeitungsfenster.
Verspätet eintreffende Treffer
Treffer, deren Zeitstempel zu einem früheren Versand-Häufigkeitsfenster gehören, aber nach Ablauf dieses Fensters eintreffen.
Beispielsweise können verspätete Treffer von einer Mobile App stammen, die Ereignisse im Offline-Modus puffert und bei einer erneuten Verbindung sendet.
Verspätete Treffer können über die Konfigurationsoption Verspätete Treffer zulassen eingeschlossen oder ausgeschlossen werden.
Die Einstellung Lookback steuert, wie weit das System zurückreicht, um verzögerte Daten einzuschließen.
Treffer, deren Zeitstempel nicht mit der Reihenfolge übereinstimmen, in der sie empfangen wurden.
Da Customer Journey Analytics sowohl Streaming- als auch Batch-Daten akzeptiert, gibt es keine Garantie dafür, dass Ereignisse für eine bestimmte Person in der Zeitstempelreihenfolge eintreffen. Obwohl Customer Journey Analytics nach Zeitstempel pro Person neu anordnet, kann es nur die eingetroffenen Daten exportieren. Dies bedeutet, dass verspätete Treffer nach Treffern mit einem späteren Zeitstempel exportiert werden können.
Mit Einstellung „Verarbeitungsverzögerung können Sie nicht in der Reihenfolge vorkommende Ereignisse in der Daten-Feed-Ausgabe reduzieren, indem Sie mehr Zeit dafür haben, dass Batch-Daten vor dem Export eingehen. Die Ereignisreihenfolge im Versand ist nicht garantiert.
Wichtig: Der Endverbraucher Ihrer Daten-Feed-Daten muss in der Lage sein, pro Person Zeitstempel zu verarbeiten, die nicht in der Reihenfolge sind, da die Trefferreihenfolge im Daten-Feed-Versand nicht garantiert ist.
Exportiert historische Daten zwischen zwei früheren Datumsangaben.
Das Daten-Feed-Schema bestimmt, welche Spalten in einen Daten-Feed aufgenommen werden können.
eVar1 / post_eVar1), was einen Großteil der Spaltenanzahl ausmacht.Die Schnittstelle zum Konfigurieren der in einem Daten-Feed enthaltenen Spalten.
eVar1, prop5), die aus einem vordefinierten Satz von über 1.100 Spalten ausgewählt wurden. Komponenten werden jenseits ihrer Variablenkennung weder benannt noch beschrieben.benutzerdefinierte Komponenten, die mithilfe regelbasierter Transformationen definiert wurden, die zum Zeitpunkt der Berichterstellung angewendet wurden.
Komponenteneinstellungen für die Datenansicht wie Persistenz, Metrik-Deduplizierung und Wert-Bucketing, die den Wert einer Komponente zur Berichtszeit transformieren.
Ob Änderungen an der Komponentenkonfiguration in vergangene und künftige Daten-Feed-Ausgaben übernommen werden.
Änderungen gelten für zukünftige Sendungen und Aufstockungen. Zuvor bereitgestellte Dateien werden nicht aktualisiert.
- Komponenteneinstellungen: Die Ausgabe spiegelt die aktuellen Einstellungen wie Persistenz oder Wert-Bucketing wider.
- Logik abgeleiteter Felder: Änderungen gelten für jeden Daten-Feed, der das abgeleitete Feld verwendet.
- Datentyp: Kompatible Änderungen (z. B. Zeichenfolge in Zahl) werden nach Möglichkeit konvertiert. Inkompatible Änderungen (z. B. Zeichenfolge zu Array) führen zu Nullwerten.
- Hinzufügen oder Entfernen von Komponenten: Neue Komponenten müssen vorhandenen Daten-Feeds manuell hinzugefügt werden. Gelöschte Komponenten führen zu Nullwerten. Daher empfiehlt es sich, eine Komponente aus Ihren Daten-Feeds zu entfernen, bevor Sie sie aus der Datenansicht löschen.
- Anzeigename, Komponenten-ID oder Ausgabe-ID: Nur die Ausgabe-ID ändert den Spaltennamen.
- Sitzungsdefinition: Änderungen an Sitzungs-IDs und sitzungsbasierten Werten. Die Sitzungs-IDs stimmen nicht mit früheren Sendungen überein.
Lookup-Datensätze in Customer Journey Analytics entsprechen den Klassifizierungen in Adobe Analytics.
Wie eine Besuchs- oder Sitzungsgrenze definiert wird, die sich darauf auswirkt, wie Ereignisse gruppiert und zugeordnet werden.
visid_high, visid_low und visit_num) identifiziert.Die Möglichkeit, die Daten-Feed-Ausgabe mithilfe von Segmenten zu filtern.
Benutzerdefinierte Metriken, die Sie aus vorhandenen Metriken erstellen können.
oder ob Dimensionswerte von einem Ereignis zum nächsten bestehen bleiben.
So werden Unterereignisse in der Daten-Feed-Ausgabe dargestellt.
Das Format, das für Daten-Feed-Ausgabedateien verwendet wird, die an Ihr Cloud-Ziel gesendet werden.
Parquet
unterstützt nativ komplexe verschachtelte und strukturierte Daten. Felder wie post_product_list werden als strukturierte Arrays/verschachtelte Objekte dargestellt.
Erfordert ein Parquet-orientiertes Tool zum Lesen, z. B. BigQuery, Snowflake oder Apache Spark.
Die Schemastruktur ist in die Ausgabedatei eingebettet.
Weitere Informationen finden Sie unter Arbeiten mit Parquet-Dateien in Daten-Feeds.
TSV
Flache, für Menschen lesbare Zeilen. unterstützt nicht nativ strukturierte Daten. Komplexe Felder wie Produktlisten müssen als proprietäre, durch Trennzeichen getrennte Zeichenfolgen codiert werden, was eine benutzerdefinierte Parsing-Logik erfordert.
Die Ordnerstruktur, die für bereitgestellte Ausgabedateien verwendet wird.
year=2024/month=01/day=15/), was ein effizientes Partitionsbereinigen bei der Abfrage von Daten in Data-Lake-Umgebungen wie Databricks oder Apache Spark ermöglicht.Die Cloud-Speicherorte, an die Daten-Feed-Ausgabedateien gesendet werden können.
Amazon S3, Azure RBAC, Azure SAS, Google Cloud Platform.
unterstützt auch SFTP.
Ob der Daten-Feed-Builder dieselben Komponenten und dieselbe Terminologie wie Analysis Workspace verwendet.
Die Persistenzmodelle, die für Dimensionen in einem Daten-Feed verfügbar sind.