Kombinierte Ereignis-Datensätze
Wenn Sie eine Verbindung erstellen, kombiniert Customer Journey Analytics alle Ereignis-Datensätze zu einem Datensatz. Dieser kombinierte Ereignis-Datensatz wird von Customer Journey Analytics für die Berichterstellung verwendet (zusammen mit Profil- und Lookup-Datensätzen). Wenn Sie mehrere Ereignis-Datensätze in eine Verbindung einschließen:
- Die Daten für Felder in Datensätzen, die auf dem gleichen Schemapfad basieren, werden in einer einzigen Spalte im kombinierten Datensatz zusammengeführt.
- Die für jeden Datensatz angegebene Spalte "Personen-ID"wird unabhängig von ihrem Namen in einer einzigen Spalte im kombinierten Datensatz mit zusammengeführt. Diese Spalte bildet die Grundlage für die Identifizierung von Einzelpersonen in der 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
example_idals Personen-ID für den ersten Datensatz unddifferent_idals Personen-ID für den zweiten Datensatz,
der folgende kombinierte Datensatz wird für die Berichterstellung verwendet.
Um die Bedeutung von Schemapfaden zu veranschaulichen, beachten Sie dieses Szenario. 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 in eine Spalte im resultierenden kombinierten Datensatz zusammengeführt. Stattdessen ergibt sich aus 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 befänden sie sich im selben Datensatz. Wenn in beiden Datensätzen eine übereinstimmende Personen-ID angezeigt wird, werden sie als dieselbe eindeutige Person betrachtet. Wenn eine übereinstimmende Personen-ID in beiden Datensätzen 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 der Kombination von Datensätzen ist die kanalübergreifende Analyse, bei der Datensätze aus verschiedenen Kanälen anhand einer gemeinsamen Kennung (Personen-ID) kombiniert werden. Die kanalübergreifende Analyse kann von der Funktion zum Zuordnen profitieren. So können Sie die Personen-ID eines Datensatzes neu zuweisen, damit der Datensatz ordnungsgemäß aktualisiert wird, um eine nahtlose Kombination mehrerer Datensätze zu ermöglichen. Beim Zuordnen werden Benutzerdaten aus authentifizierten und nicht authentifizierten Sitzungen untersucht, um eine zugeordnete ID zu generieren.
Mithilfe der kanalübergreifenden Analyse können Sie Fragen beantworten, z. B.:
- 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, irgendwo anders zur Konversion?
- Wie ändert sich mein Verständnis von Kampagneneffizienz, 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?
Weiterführende Informationen zur kanalübergreifenden Analyse finden Sie im jeweiligen Anwendungsbeispiel:
Eine ausführlichere Diskussion der Stitching-Funktion finden Sie unter: