- Commerce Intelligence Guide d’utilisation
- Commerce Intelligence Introduction
- Prise en main
- Administrateur
- Analyse des données
- Analyste de données
- Gestionnaire de Data Warehouse
- Introduction
- Types de colonne calculés avancés
- Création Google Ecommerce dimensions
- Types de colonne calculés
- Configuration des méthodes de réplication
- Configuration des recharges de données
- Modification du tableau opérationnel d’une mesure
- Création et utilisation des vues de Data Warehouse
- Création/suppression de chemins pour les colonnes calculées
- Création/utilisation d’une colonne calculée SQL
- Créer des colonnes calculées
- Informations sur les données et les mises à jour
- Commandes des invités
- Stockage des données dans Commerce
- Diagrammes de relation d’entité
- Gestion des dimensions de données dans les mesures
- MongoDB guide de modélisation des données
- Réplication Google Analytics channels
- Normalisation des données avec les tableaux de mappage
- Traduire les requêtes SQL en Commerce Intelligence rapports
- Présentation et évaluation des relations entre les tables
- Utilisation de la différence de date calculée
- Utilisation du filtrage à l’échelle du tableau de bord
- Utilisation de la colonne calculée Nombre d’événements
- Utilisation de la colonne calculée de comparaison séquentielle
- Tableaux de commerce courants
- REPORT BUILDER SQL
- En utilisant la variable Cohort Report Builder
- En utilisant la variable Cohort Report Builder pour les cohortes non basées sur des dates
- Créer une analyse qualitative des cohortes
- Explorer les opérateurs de filtres spéciaux
- Exporter les résultats de ma requête
- Utilisation de formules dans le [Report Builder]
- Créer Google Analytics Graphiques
- Importance de la Lifetime Revenue Cohort Analysis
- Commande des données à l’aide du Show Top/Bottom fonctionnalité
- En utilisant la variable SQL Report Builder
- Rapport Premier achat
- Présentation de la fonction Repeat Order Probability Report
- Mesures d’audit à l’aide du SQL Report Builder
- Différences entre les colonnes SQL et Data Warehouse Manager
- Connexion aux données
- Introduction
- Formatage et importation de données eCommerce
- Importer Bing Ad Spend Données
- Importer CJ Affiliate Données marketing (Commission Junction)
- Importer Linkshare data
- Importer MailChimp data
- Importation de données de dépenses publicitaires hors ligne/autres
- Utilisation du téléchargeur de fichiers
- Services de migration de données
- Intégrations SaaS
- Intégrations SaaS
- Présentation des résultats entre Database et SQL Éditeur
- Connexion Adobe Analytics
- Valeur attendue Adobe Analytics Données
- Connexion Facebook Ads
- Valeur attendue Facebook Ads data
- Connexion Google Adwords
- Valeur attendue Google Adword data
- Audit Google Adwords data
- Connexion Google Analytics Warehoused
- Valeur attendue Google Analytics Warehoused Données
- Connexion Google Analytics
- Valeur attendue Google Analytics data
- Connexion Google ECommerce
- Valeur attendue Google ECommerce data
- Connexion Mixpanel
- Valeur attendue Mixpanel data
- Validation des données dans Mixpanel
- Connexion PrestaShop
- Connexion Quickbooks
- Valeur attendue Quickbooks data
- Connexion Salesforce
- Valeur attendue Salesforce data
- Connexion Spree
- Valeur attendue Spree Données
- Connexion Stripe
- Valeur attendue Stripe data
- Connexion WooCommerce
- Connexion Zendesk
- Valeur attendue Zendesk data
- Analyse Zendesk data
- Audit Zendesk data
- Intégrations de base de données
- Connexion Amazon RDS
- Connexion de bases de données via VPN
- Connectez-vous MySQL Database to Commerce Intelligence
- Connexion à Adobe Commerce
- Données commerciales attendues
- Connexion Microsoft SQL Server
- Connexion MongoDB via SSH Tunnel
- Connexion MySQL via un direct connection
- Connexion MySQL via cPanel
- Connexion MySQL via SSH Tunnel
- Connexion PostgreSQ
- Analyse des campagnes
- Analyse des clients
- Calcul des taux de perte de commerce
- Définir la concentration des clients
- Définition de la perte de clientèle
- Expected Lifetime Value (LTV) analysis (de base)
- Expected Lifetime Value (LTV) analysis (avancé)
- Présentation du suivi des données de source d’acquisition d’utilisateurs
- Suivi des données de navigateur et de périphérique utilisateur dans votre base de données
- Analyse du comportement de réachat des clients
- Analyse de l’activité du site web et des taux de conversion des clients
- Analyse de récence, de fréquence et d’argent (RFM)
- Analyse des performances de l’entreprise
- Objectifs de suivi par rapport aux mesures réelles
- Analyse des commandes renvoyées
- Année après année, mois après mois, semaine après semaine
- Analyse des performances de la saison des fêtes
- Analyse de l’atténuation et de l’attrition des probabilités de répétition
- Présentation et création d’une analyse de base
- Identifier vos sources et canaux marketing les plus précieux
- Compréhension Google Analytics Attribution UTM
- Analyse des niveaux de stock
- Reporting d’un calendrier de vente au détail
- Prévisionnel
- Création de rapports et partage de données
- Utilisateur de données
- Rapports
- Tableaux de bord
- Créer des tableaux de bord
- Tableaux de bord d’usine
- Dashboard Pro
- Importation de graphiques à partir d’un autre utilisateur
- Suppression définitive d’un graphique
- Utilisation des groupes de tableaux de bord
- Gestion des tableaux de bord
- Suppression de tableaux de bord
- Changement du nom des tableaux de bord
- Définition d’un tableau de bord par défaut
- Ajout de graphiques aux tableaux de bord
- Suppression de graphiques des tableaux de bord
- Dimensionnement et organisation des graphiques dans un tableau de bord
- Modification en masse de graphiques dans les tableaux de bord
- Clonage des tableaux de bord
- Recherche de tableaux de bord
- Partage de tableaux de bord avec d’autres utilisateurs
- Partage des tableaux de bord à l’échelle de l’entreprise
- Accès aux tableaux de bord partagés
- Modification de l’accès aux tableaux de bord partagés
- Quitter (annuler le partage) un tableau de bord
- Partage de données
- Bonnes pratiques
- Utilisation des données
- Utilisation des données
- Balisage UTM dans Google Analytics
- Formatage et importation de données financières
- Dimensions de données recommandées pour la segmentation et le filtrage
- Vérification de l’état du cycle de mise à jour
- Réduction du temps de cycle de mise à jour
- Modification de la base de données pour la prise en charge de la réplication incrémentielle
- Optimisation de la base de données pour l’analyse
- Optimisation de vos SQL Requêtes
- Comprendre votre Commerce Intelligence Environnement
- Organisation du projet
- Utilisation des tableaux de bord
- Utilisation des données
- Tutoriels
Diagramme de relation d’entité
Qu’est-ce qu’une entity relationship (ER) diagram? Un ER diagramme est une visualisation des tableaux dans une base de données et de la manière dont ils sont liés les uns aux autres. Cette rubrique contient quelques ER des diagrammes pour vous aider à visualiser la relation entre quelques tables de base de données Adobe Commerce courantes.
Dans cette rubrique, vous voyez les mots join, relation, et path. Ces mots sont tous utilisés pour décrire comment deux tableaux sont connectés.
Commerce de base ER Diagramme
Ceci ER diagramme représente les relations entre les tables principales dans une base de données Commerce. En affichant plusieurs relations à la fois, vous pouvez voir comment les données se relient à de nombreuses tables.
Les sections ci-dessous contiennent ER des diagrammes spécifiques à deux tableaux à la fois. Pour afficher un diagramme et sa description, cliquez sur l’en-tête de cette section.
customer\_entity & sales\_flat\_order
Un client peut passer de nombreuses commandes. La relation entre ces deux tables est la suivante : customer\_entity.entity\_id = sales\_flat\_order.customer\_id
customer\_entity.entity\_id n’est pas égal à sales\_flat\_order.entity\_id. Le premier peut être considéré comme un customer\_id et le second peut être considéré comme un order\_id.
Within Commerce Intelligence, si le chemin entre ces deux tables n’existe pas, vous pouvez création du chemin dans l’onglet Data Warehouse. Lorsque vous êtes prêt à créer le chemin, il est défini comme suit :
sales\_flat\_order & sales\_flat\_order\_item
Une commande peut contenir de nombreux éléments. La relation entre ces deux tables est la suivante : sales\_flat\_order.entity\_id = sales\_flat\_order\_item.order\_id.
Within Commerce Intelligence, si le chemin entre ces deux tables n’existe pas, vous pouvez création du chemin dans l’onglet Data Warehouse. Lorsque vous êtes prêt à créer le chemin, définissez-le comme illustré ci-dessous.
catalog\_product\_entity & sales\_flat\_order\_item
Un produit peut être acheté avec de nombreux articles. La relation entre ces deux tables est la suivante : catalog\_product\_entity.entity\_id = sales\_flat\_order\_item.product.
Within Commerce Intelligence, si le chemin entre ces deux tables n’existe pas, vous pouvez création du chemin dans l’onglet Data Warehouse. Lorsque vous êtes prêt à créer le chemin, définissez-le comme illustré ci-dessous.
Ressources
Compte Adobe
