Kombinierte Ereignis-Datensätze
Wenn Sie eine Verbindung erstellen, kombiniert Customer Journey Analytics alle Ereignis-Datensätze zu einem einzigen Datensatz. Dieser kombinierte Ereignis-Datensatz wird von Customer Journey Analytics für das Reporting verwendet (zusammen mit Profil- und Lookup-Datensätzen). Wenn Sie mehrere Ereignis-Datensätze in eine Verbindung einbeziehen:
- Die Daten für Felder in Datensätzen, die auf Schemapfad basieren werden im kombinierten Datensatz zu einer einzigen Spalte zusammengeführt.
- Die für jeden Datensatz angegebene Spalte mit der Personen-ID wird im kombinierten Datensatz (unabhängig vom ) zu einer einzigen Spalte. Diese Spalte dient als Grundlage für die Identifizierung von eindeutigen Personen beim Customer Journey Analytics.
- Zeilen werden anhand des Zeitstempels verarbeitet.
- Ereignisse werden auf die Millisekunden-Ebene aufgelöst.
Beispiel
Siehe folgendes Beispiel. Sie haben zwei Ereignis-Datensätze mit jeweils unterschiedlichen Feldern, die unterschiedliche Daten enthalten.
Wenn Sie eine Verbindung mit diesen beiden Ereignis-Datensätzen erstellen und
- als Personen-ID für den ersten Datensatz
example_idund - als Personen-ID für den zweiten Datensatz
different_id,
Der folgende kombinierte Datensatz wird für das Reporting verwendet.
Betrachten Sie dieses Szenario, um die Bedeutung von Schemapfaden zu veranschaulichen. Im ersten Datensatz basiert string_color auf dem Schemapfad _experience.whatever.string_color und im zweiten Datensatz auf dem Schemapfad _experience.somethingelse.string_color. In diesem Szenario werden die Daten nicht im resultierenden kombinierten Datensatz in einer Spalte zusammengeführt. Stattdessen sind das Ergebnis zwei string_color Spalten im kombinierten Datensatz:
Was auch immer.
string_color
etwas Anderes.
string_color
Dieser „kombinierte Ereignis-Datensatz“ wird für das Reporting verwendet. Es spielt keine Rolle, aus welchem Datensatz eine Zeile stammt. Customer Journey Analytics behandelt alle Daten so, als befände sie sich im selben Datensatz. Wenn in beiden Datensätzen eine übereinstimmende Personen-ID angezeigt wird, werden diese als dieselbe eindeutige Person betrachtet. Wenn in beiden Datensätzen eine übereinstimmende Personen-ID mit einem Zeitstempel innerhalb von 30 Minuten angezeigt wird, werden sie als Teil derselben Sitzung betrachtet. Felder mit identischen Schemapfaden werden zusammengeführt.
Dieses Konzept gilt auch für die Attribution. Es spielt keine Rolle, aus welchem Datensatz eine Zeile stammt. Die Attribution funktioniert genau so, als ob alle Ereignisse aus einem einzigen Datensatz stammen. Anhand dem Beispiel der oben stehenden Tabellen:
Wenn Ihre Verbindung nur die erste Tabelle und nicht die zweite Tabelle enthält, wird beim Abrufen eines Berichts unter Verwendung der string_color-Dimension und der metric_a-Metrik und der Attribution „Letztkontakt“ Folgendes angezeigt:
Wenn Sie jedoch beide Tabellen in Ihrer Verbindung eingeschlossen haben, ändert sich die Attribution, da user_847 in beiden Datensätzen enthalten ist. Eine Zeile aus den zweiten Datensatz weist metric_a „Gelb“ zu. Diese Zuordnung wurde im vorherigen Fall nicht angegeben:
Kanalübergreifende Analyse
Die nächste Ebene zum Kombinieren von Datensätzen ist die kanalübergreifende Analyse, bei der Datensätze aus verschiedenen Kanälen basierend auf einer gemeinsamen Kennung (Personen-ID) kombiniert werden. Die kanalübergreifende Analyse kann von der Zuordnungsfunktion profitieren, mit der Sie die Personen-ID eines Datensatzes neu zuweisen können, sodass der Datensatz ordnungsgemäß aktualisiert wird, um eine nahtlose Kombination mehrerer Datensätze zu ermöglichen. Beim Zusammenfügen werden Benutzerdaten aus authentifizierten und nicht authentifizierten Sitzungen betrachtet, um eine zusammengefügte ID zu generieren.
Die kanalübergreifende Analyse ermöglicht Ihnen die Beantwortung von Fragen wie:
- Wie viele Personen beginnen ihr Erlebnis auf einem Kanal und beenden es auf einem anderen?
- Wie viele Menschen interagieren mit meiner Marke? Wie viele und welche Gerätetypen verwenden sie? Wie überschneiden sich diese?
- Wie oft beginnen Personen mit einer Aufgabe auf einem Mobilgerät und wechseln dann zu einem Desktop-PC, um die Aufgabe abzuschließen? Führen Kampagnen-Clickthroughs, die auf einem Gerät landen, zu einer Konversion an einem anderen Ort?
- Wie ändert sich mein Verständnis der Kampagneneffektivität, wenn ich geräteübergreifende Journey berücksichtige? Wie ändert sich meine Trichteranalyse?
- Welche sind die häufigsten Pfade, die Benutzer beim Wechsel von einem Gerät zum anderen verwenden? Wo steigen sie aus? Wo schließen sie ihre Aktion erfolgreich ab?
- Wie unterscheidet sich das Verhalten von Benutzern mit mehreren Geräten von Benutzern mit nur einem Gerät?
Weitere Informationen zur kanalübergreifenden Analyse finden Sie im entsprechenden Anwendungsfall:
Eine ausführlichere Erläuterung der Zuordnungsfunktionen finden Sie unter: