Comparaison des flux de données dans Customer Journey Analytics et Adobe Analytics
Les flux de données dans Customer Journey Analytics et Adobe Analytics vous permettent d’exporter des données brutes vers des plateformes tierces.
Si vous avez déjà utilisé des flux de données dans Adobe Analytics, utilisez les informations suivantes pour comprendre les différences de fonctionnalités et de concepts disponibles.
Pour une comparaison des flux de données par rapport à d’autres méthodes d’exportation Customer Journey Analytics, telles que l’exportation de table complète, voir Comparaison des produits Analytics.
Fonctionnalités disponibles uniquement dans les flux de données Customer Journey Analytics
Les fonctionnalités suivantes sont disponibles dans les flux de données Customer Journey Analytics, mais ne sont pas disponibles dans les flux de données Adobe Analytics :
-
Champs dérivés : composants personnalisés créés à partir de transformations basées sur des règles qui peuvent être incluses dans votre schéma de flux de données.
-
Paramètres des composants : les paramètres des composants de la vue de données, tels que la persistance, la déduplication des mesures et le regroupement des valeurs, peuvent transformer la valeur d’un composant directement dans la sortie de votre flux de données, sans nécessiter de SQL.
-
Assemblage : résolution d’identité entre appareils qui lie les événements sur plusieurs appareils à une seule personne.
-
Définitions de session configurables : les sessions sont définies par les paramètres de session dans votre vue de données, tels que le délai d’inactivité et les événements qui démarrent ou terminent une session. Les ID de session et les valeurs basées sur la session de votre flux de données reflètent ces paramètres et les modifications apportées à ces paramètres sont répercutées dans les renvois.
-
Modèle de données structuré : les flux sont créés et diffusés à l’aide de données structurées plutôt que de chaînes plates telles que post_product_list. Reflète la structure existante à partir du schéma XDM et de la vue de données.
-
Sortie Parquet : les fichiers sont diffusés au format Parquet, qui prend en charge de manière native les données imbriquées et structurées complexes. Cela signifie que les données sont plus faciles d’accès dans une base de données en appliquant les pratiques standard du secteur. Pour plus d’informations, voir Utilisation de fichiers Parquet dans les flux de données.
-
Segmentation : les segments appliqués à la vue de données sont automatiquement hérités et des segments supplémentaires peuvent être appliqués directement au flux.
-
Chemins de partition de style Hive : les fichiers Output utilisent des chemins de style Hive pour des requêtes efficaces dans les environnements de lac de données.
-
Les mises à jour des composants s’appliquent rétroactivement : les modifications apportées aux composants dans la vue de données sont répercutées historiquement dans les renvois.
-
Recherches : les classifications ne sont pas incluses dans les flux de données Adobe Analytics. Dans Customer Journey Analytics, toutes les recherches sont directement incorporées dans les données.
-
Interface familière aux utilisateurs d’Analysis Workspace : les composants proviennent directement de la vue de données et sont également disponibles dans Analysis Workspace. Vous pouvez sélectionner des dimensions et des mesures à l’aide du même rail de composants qu’Analysis Workspace, plutôt que d’une liste statique de noms de variables.
-
Plus de modèles de persistance disponibles : cinq modèles de persistance différents peuvent être utilisés dans les flux de données Customer Journey Analytics.
Le tableau comparaison des fonctionnalités ci-dessous présente chacune de ces fonctionnalités en détail, ainsi que les différences entre les fonctionnalités présentes dans les deux produits.
Comparaison des fonctionnalités
Le tableau suivant compare les concepts clés et les options de configuration des flux de données Customer Journey Analytics et des flux de données Adobe Analytics.
Type de données qui peut être collecté et inclus dans les flux de données.
Les données sont traitées à différentes étapes, en fonction du produit que vous utilisez.
résolution d’identité entre appareils et canaux qui lie les événements à une seule personne.
Détermine la fréquence d’envoi du flux de données et la période incluse dans le flux.
Quotidien (de minuit à minuit dans le fuseau horaire de la suite de rapports) ou Horaire.
Les flux de 15 minutes sont possibles, mais ne sont pas disponibles par défaut.
Données historiques utilisées pour calculer la persistance, les sessions et la qualification du segment pour chaque diffusion.
Période de traitement de 30 jours variable, allant jusqu’à la période de fréquence incluse. Les données antérieures à la fenêtre de traitement ne sont généralement pas prises en compte.
Pour plus d’informations, voir Présentation de la fenêtre de traitement.
Accès en retard
Accès dont l’horodatage appartient à une fenêtre de fréquence de diffusion précédente, mais qui arrivent après l’expiration de cette fenêtre.
Par exemple, les accès tardifs peuvent provenir d’une application mobile qui met en mémoire tampon les événements hors ligne et les envoie lorsqu’elle se reconnecte.
Les accès en retard peuvent être inclus ou exclus via l’option de configuration Autoriser les accès en retard.
Le paramètre Intervalle de recherche en amont contrôle l’intervalle de temps écoulé par le système pour inclure les données différées.
Accès dont les horodatages ne correspondent pas à l’ordre dans lequel ils ont été reçus.
Étant donné que Customer Journey Analytics accepte les données en flux continu et par lots, il n’existe aucune garantie que les événements pour une personne donnée arriveront dans l’ordre d’horodatage. Bien que Customer Journey Analytics réorganise les données par horodatage et par personne, il ne peut exporter que les données qui sont arrivées. Cela signifie que les accès arrivant tardivement peuvent être exportés après les accès avec un horodatage ultérieur.
Le paramètre Délai de traitement permet de réduire les événements dans le désordre dans la sortie du flux de données en donnant plus de temps aux données par lots d’arriver avant l’exportation. L’ordre des événements dans la diffusion n’est pas garanti.
Important : le consommateur final des données de votre flux de données doit être en mesure de gérer les horodatages dans le désordre, par personne, car la commande des accès dans la diffusion du flux de données n’est pas garantie.
Exporte les données historiques comprises entre deux dates antérieures.
Le schéma de flux de données détermine les colonnes disponibles à inclure dans un flux de données.
eVar1/post_eVar1), ce qui représente une grande partie du nombre de colonnes.interface utilisée pour configurer les colonnes incluses dans un flux de données.
eVar1, prop5) sélectionnés à partir d’un ensemble prédéfini de plus de 1 100 colonnes. Les composants ne sont pas nommés ni décrits au-delà de leur identifiant de variable.Composants personnalisés définis à l’aide de transformations basées sur des règles appliquées au moment du rapport.
Paramètres des composants de la vue de données, tels que la persistance, la déduplication des mesures et le regroupement des valeurs, qui transforment la valeur d’un composant au moment du rapport.
Indique si les modifications apportées à la configuration des composants sont répercutées dans les sorties de flux de données passées et futures.
Les modifications s’appliquent aux prochaines diffusions et aux renvois. Les fichiers précédemment diffusés ne sont pas mis à jour.
- Paramètres des composants : la sortie reflète les paramètres actuels, tels que la persistance ou le regroupement des valeurs.
- Logique de champ dérivé : les modifications s’appliquent à chaque flux de données qui utilise le champ dérivé.
- Type de données : les modifications compatibles (telles que la chaîne de caractères par rapport au nombre) sont converties lorsque cela est possible. Les modifications incompatibles (telles que la chaîne dans un tableau) entraînent des valeurs nulles.
- Ajout ou suppression de composants : les nouveaux composants doivent être ajoutés manuellement aux flux de données existants. Les composants supprimés entraînent des valeurs nulles. Il est donc préférable de supprimer un composant de vos flux de données avant de le supprimer de la vue de données.
- Nom convivial, ID de composant ou ID de sortie : seul l’ID de sortie modifie le nom de la colonne.
- Définition de session : les ID de session et les valeurs basées sur une session changent. Les ID de session ne correspondent pas aux diffusions précédentes.
recherches dans Customer Journey Analytics sont équivalents aux classifications dans Adobe Analytics.
Définition d’une visite ou d’une limite de session, qui affecte la manière dont les événements sont regroupés et attribués.
visid_high, visid_low et visit_num).La possibilité de filtrer la sortie des flux de données à l’aide de segments.
mesures personnalisées que vous pouvez créer à partir de mesures existantes.
si ou comment les valeurs de dimension persistent d’un événement à l’autre.
Représentation des sous-événements dans la sortie du flux de données.
format utilisé pour les fichiers de sortie de flux de données diffusés vers votre destination cloud.
Parquet
Prend en charge de manière native des données imbriquées et structurées complexes. Les champs tels que post_product_list sont représentés sous la forme de tableaux structurés/objets imbriqués.
Nécessite un outil de lecture prenant en compte le parquet, tel que BigQuery, Snowflake ou Apache Spark.
La structure du schéma est incorporée dans le fichier de sortie.
Pour plus d’informations, voir Utilisation de fichiers Parquet dans les flux de données.
TSV
Lignes plates et lisibles par l’utilisateur. ne prend pas en charge les données structurées de manière native ; les champs complexes tels que les listes de produits doivent être codés en tant que chaînes délimitées propriétaires nécessitant une logique d’analyse personnalisée ;
structure de répertoires utilisée pour les fichiers de sortie diffusés.
year=2024/month=01/day=15/), permettant un nettoyage efficace des partitions lors de l’interrogation de données dans des environnements de lac de données tels que Databricks ou Apache Spark.Emplacements de stockage dans le cloud où les fichiers de sortie des flux de données peuvent être envoyés.
Amazon S3, Azure RBAC, Azure SAS, Google Cloud Platform.
Prend également en charge SFTP.
Indique si le créateur de flux de données utilise les mêmes composants et la même terminologie qu’Analysis Workspace.
Modèles de persistance disponibles pour les dimensions dans un flux de données.