Inzichten van soorten publiek
Last update: Tue Oct 14 2025 00:00:00 GMT+0000 (Coordinated Universal Time)
De inzichten die zijn afgeleid van de analyse van uw gegevensmodel maken uw Adobe Real-Time CDP-gegevens toegankelijker, begrijpelijker en effectiever voor de besluitvorming.
Begrijp uw publieksinzichten door tot SQL toegang te hebben die hen macht, dan uw eigen inzichten produceert om de identiteiten en de profielen verder te onderzoeken die uw publiek maken. Transformeer uw onbewerkte gegevens in nieuwe inzichten die kunnen worden gebruikt door het bestaande Real-Time CDP-gegevensmodel SQL als inspiratie te gebruiken voor het maken van query's voor uw unieke bedrijfsbehoeften.
Zie de documentatie van de Mening SQL voor meer informatie over hoe te om SQL van uw inzichten direct door PLatform UI aan te passen.
De volgende inzichten zijn allen beschikbaar voor u om als deel van het dashboard van Soorten Soorten publiek of een douane user-defined dashboard te gebruiken. Zie het aanpassingsoverzicht voor instructies op hoe te om uw dashboard aan te passen of creeer en geef nieuwe widgets in de widgetbibliotheek en user-defined dashboard uit.
De volgende inzichten zijn allen beschikbaar voor u om als deel van het dashboard van Soorten Soorten publiek of een douanedashboard te gebruiken.
Rapport publiek overlappen audience-overlap-report
Vragen beantwoord door dit inzicht:
- Wat zijn de hoogste 50 overlappende doelgroepen van een bepaald gefilterd publiek?
- Wat zijn het 50 minst overlappende publiek van een bepaald gefilterd publiek?
- Hoe verandert het overlappende patroon voor een verschillend gefilterd publiek?
Selecteer om de SQL te onthullen die dit inzicht produceert
| code language-sql |
SELECT source_segment_name,
source_segment_id,
overlap_segment_name,
overlap_segment_id,
max(source_segment_audience_count) source_segment_audience_count,
max(overlap_segment_audience_count) overlap_segment_audience_count,
max(overlap_audience_count) overlap_audience_count,
CASE
WHEN (max(source_segment_audience_count) + max(overlap_segment_audience_count) - max(overlap_audience_count)) > 0 THEN (cast(max(overlap_audience_count) AS DECIMAL(18, 2)) / cast((max(source_segment_audience_count) + max(overlap_segment_audience_count) - max(overlap_audience_count)) AS DECIMAL(18, 2))) * 100::DECIMAL(9, 2)
ELSE 100.00
END overlapping_percentage
FROM
(SELECT adwh_fact_profile_overlap_of_segments.Segment1 source_segment_id,
adwh_fact_profile_overlap_of_segments.Segment2 overlap_segment_id,
Sum(count_of_overlap) overlap_audience_count
FROM qsaccel.profile_agg.adwh_fact_profile_overlap_of_segments
WHERE qsaccel.profile_agg.adwh_fact_profile_overlap_of_segments.merge_policy_id = 2027892989
AND qsaccel.profile_agg.adwh_fact_profile_overlap_of_segments.date_key = '2024-01-10'
GROUP BY qsaccel.profile_agg.adwh_fact_profile_overlap_of_segments.Segment2 ,
qsaccel.profile_agg.adwh_fact_profile_overlap_of_segments.Segment1) a
INNER JOIN
(SELECT sum(count_of_profiles) source_segment_audience_count,
adwh_dim_segments.segment_name source_segment_name,
adwh_fact_profile_by_segment_trendlines.merge_policy_id,
adwh_fact_profile_by_segment_trendlines.segment_Id segment1
FROM qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines
JOIN qsaccel.profile_agg.adwh_dim_segments ON qsaccel.profile_agg.adwh_dim_segments.segment_id = qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.segment_Id
WHERE qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.merge_policy_id = 2027892989
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.date_key = '2024-01-10'
GROUP BY qsaccel.profile_agg.adwh_dim_segments.segment_name,
qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.merge_policy_id,
qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.segment_id) b ON a.source_segment_id = b.segment1
INNER JOIN
(SELECT sum(count_of_profiles) overlap_segment_audience_count,
adwh_dim_segments.segment_name overlap_segment_name,
adwh_fact_profile_by_segment_trendlines.merge_policy_id,
adwh_fact_profile_by_segment_trendlines.segment_Id segment2
FROM qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines
JOIN qsaccel.profile_agg.adwh_dim_segments ON adwh_dim_segments.segment_id = adwh_fact_profile_by_segment_trendlines.segment_Id
WHERE qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.merge_policy_id = 2027892989
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.date_key = '2024-01-10'
GROUP BY qsaccel.profile_agg.adwh_dim_segments.segment_name,
qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.merge_policy_id,
qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.segment_id) c ON a.overlap_segment_id = c.segment2
GROUP BY source_segment_name,
source_segment_id,
overlap_segment_name,
overlap_segment_id
ORDER BY overlapping_percentage DESC
LIMIT 5;
|
Zie het publiek overlappen rapport widget documentatie voor informatie over de verschijning en de functionaliteit van dit inzicht.
Audioverlap audience-overlap
Vragen beantwoord door dit inzicht:
- Welke profielen gelden voor beide doelgroepen?
- Hoe beïnvloedt de overlapping de betrokkenheid of de omrekeningskoersen?
- Hoe kunnen marketingstrategieën worden afgestemd op het overlappende segment?
Selecteer om de SQL te onthullen die dit inzicht produceert
| code language-sql |
SELECT Sum(overlap_col1) overlap_col1,
Sum(overlap_col2) overlap_col2,
Sum(overlap_count) Overlap_count
FROM
(SELECT 0 overlap_col1,
0 overlap_col2,
sum(count_of_overlap)Overlap_count
FROM qsaccel.profile_agg.adwh_fact_profile_overlap_of_segments
WHERE qsaccel.profile_agg.adwh_fact_profile_overlap_of_segments.merge_policy_id = 1133248113
AND qsaccel.profile_agg.adwh_fact_profile_overlap_of_segments.date_key = '2024-01-10'
AND ((qsaccel.profile_agg.adwh_fact_profile_overlap_of_segments.segment1=1870062812
AND qsaccel.profile_agg.adwh_fact_profile_overlap_of_segments.segment2=2080256533)
OR (qsaccel.profile_agg.adwh_fact_profile_overlap_of_segments.segment1=2080256533
AND qsaccel.profile_agg.adwh_fact_profile_overlap_of_segments.segment2=1870062812))
UNION ALL SELECT sum(count_of_profiles) overlap_col1,
0 overlap_col2,
0 overlap_count
FROM qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines
LEFT JOIN qsaccel.profile_agg.adwh_dim_segments ON qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.segment_Id = qsaccel.profile_agg.adwh_dim_segments.segment_Id
WHERE qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.merge_policy_id = 1133248113
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.date_key = '2024-01-10'
AND qsaccel.profile_agg.adwh_dim_segments.segment_Id = 1870062812
UNION ALL SELECT 0 overlap_col1,
sum(count_of_profiles) overlap_col2,
0 Overlap_count
FROM qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines
JOIN qsaccel.profile_agg.adwh_dim_segments ON qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.segment_Id = qsaccel.profile_agg.adwh_dim_segments.segment_Id
WHERE qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.merge_policy_id = 1133248113
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.date_key = '2024-01-10'
AND qsaccel.profile_agg.adwh_dim_segments.segment_Id = 2080256533 ) a;
|
Zie het publiek overlappen widget documentatie voor informatie over de verschijning en de functionaliteit van dit inzicht.
Ontwikkeling van de omvang van het publiek audience-size-change-trend
Vragen beantwoord door dit inzicht:
- Zijn er significante pieken of dalingen in publieksgrootte binnen de laatste 30 dagen, 90 dagen, of 12 maanden?
- Hoe verandert de omvang van het publiek tijdens specifieke dagen?
- Zijn er in de afgelopen twaalf maanden anomalieën of herhalingspatronen van pieken of dipsen vastgesteld?
Selecteer om de SQL te onthullen die dit inzicht produceert
| code language-sql |
SELECT date_key,
Profiles_added
FROM
(SELECT rn_num,
date_key,
(count_of_profiles-lag(count_of_profiles, 1, 0) over(
ORDER BY date_key))Profiles_added
FROM
(SELECT date_key,
sum(x.count_of_profiles)count_of_profiles,
row_number() OVER (
ORDER BY date_key) rn_num
FROM qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines x
INNER JOIN
(SELECT MAX(process_date) last_process_date,
merge_policy_id
FROM qsaccel.profile_agg.adwh_lkup_process_delta_log
WHERE process_name = 'FACT_TABLES_PROCESSING'
AND process_status = 'SUCCESSFUL'
GROUP BY merge_policy_id) y ON x.merge_policy_id = y.merge_policy_id
WHERE segment_id = 1333234510
AND x.date_key >= dateadd(DAY, -30 -1, y.last_process_date)
GROUP BY x.date_key) a)b
WHERE rn_num > 1;
|
Zie de documentatie van de de veranderingstrend van de grootte van het publiek voor informatie over de verschijning en de functionaliteit van dit inzicht.
Ontwikkeling van de omvang van het publiek naar identiteit audience-size-trend-by-identity
Vragen beantwoord door dit inzicht:
- Steunt mijn publiek constant, stabiliseert, of ervaart fluctuaties?
- Is er een specifieke identiteit die pieken of dalingen in publieksgroei in tijd heeft?
- Zijn er in de loop der tijd anomalieën in mijn identiteitsgroei?
Selecteer om de SQL te onthullen die dit inzicht produceert
| code language-sql |
SELECT sum(count_of_profiles) AS identities,
date_key
FROM qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines x
INNER JOIN
(SELECT MAX(process_date) last_process_date,
merge_policy_id
FROM qsaccel.profile_agg.adwh_lkup_process_delta_log
WHERE process_name = 'FACT_TABLES_PROCESSING'
AND process_status = 'SUCCESSFUL'
GROUP BY merge_policy_id) y ON x.merge_policy_id = y.merge_policy_id
INNER JOIN qsaccel.profile_agg.adwh_dim_namespaces z ON x.namespace_id = z.namespace_id
AND x.merge_policy_id = z.merge_policy_id
WHERE x.date_key >= dateadd(DAY, -30, y.last_process_date)
AND x.segment_id = 1333234510
AND z.namespace_description = 'crmid'
GROUP BY date_key;
|
Zie de trend van de grootte van het publiek door de documentatie van de identiteitswidget voor informatie over de verschijning en de functionaliteit van dit inzicht.
Ontwikkeling van de omvang van het publiek audience-size-trend
Vragen beantwoord door dit inzicht:
- Hoe is de omvang van het publiek in de loop der tijd veranderd, inclusief eventuele anomalieën?
- Hoe kan ik de algemene trend in de omvang van het publiek over de perioden vinden: 30 dagen, 90 dagen en 12 maanden?
- Wat zijn de belangrijkste kenmerken van het publiek die tot zijn grootte bijdragen? Dit is bijvoorbeeld het gevolg van marketingcampagnes via e-mail.
Selecteer om de SQL te onthullen die dit inzicht produceert
| code language-sql |
SELECT date_key,
sum(count_of_profiles) AS audience_size
FROM qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines x
INNER JOIN
(SELECT MAX(process_date) last_process_date,
merge_policy_id
FROM qsaccel.profile_agg.adwh_lkup_process_delta_log
WHERE process_name = 'FACT_TABLES_PROCESSING'
AND process_status = 'SUCCESSFUL'
GROUP BY merge_policy_id) y ON x.merge_policy_id = y.merge_policy_id
WHERE date_key >= dateadd(DAY, -30, y.last_process_date)
AND x.segment_id = 1333234510
GROUP BY date_key,
segment_id;
|
Zie de documentatie van de de groottewidget van de Grootte van het Publiek voor informatie over de verschijning en de functionaliteit van dit inzicht.
Grootte publiek audience-size
Vragen beantwoord door dit inzicht:
- Wat is de huidige totale publieksgrootte?
- Hoe verhoudt de huidige publieksgrootte zich tot eerdere periodes of specifieke doelgroepen?
- Wat is het effect van recente marketingcampagnes op de omvang van het publiek?
Selecteer om de SQL te onthullen die dit inzicht produceert
| code language-sql |
SELECT
sum(
qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.count_of_profiles
) count_of_profiles
FROM
qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines
LEFT OUTER JOIN qsaccel.profile_agg.adwh_dim_segments ON qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.segment_id = qsaccel.profile_agg.adwh_dim_segments.segment_id
WHERE
qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.segment_id = -1323307941
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.merge_policy_id = 1914917902
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_trendlines.date_key = '2024-01-12';
|
Zie de documentatie van de de groottewidget van de Audience voor informatie over de verschijning en de functionaliteit van dit inzicht.
AI-distributie van scores door klant customer-ai-distribution-of-scores
Vragen beantwoord door dit inzicht:
- Wat is de scoreverdeling voor elk emmertje van mijn AI-model van de Klant, gefilterd door een geselecteerd publiek?
- Wat is de scoreverdeling van hoog, gemiddeld en laag voor een bepaald publiek?
- Wat is de verdeling van de scores over de verschillende belangengroepen?
Selecteer om de SQL te onthullen die dit inzicht produceert
| code language-sql |
SELECT b.model_name,
b.model_type,
c.segment_name,
c.segment_id,
CASE
WHEN score >= 0
AND score < 25 THEN 'LOW'
WHEN score >= 25
AND score < 75 THEN 'MEDIUM'
WHEN score >= 75
AND score <= 100 THEN 'HIGH'
END bucket_name,
CASE
WHEN score >= 0
AND score < 5 THEN '02.50'
WHEN score >= 5
AND score < 10 THEN '07.50'
WHEN score >= 10
AND score < 15 THEN '12.50'
WHEN score >= 15
AND score < 20 THEN '17.50'
WHEN score >= 20
AND score < 25 THEN '22.50'
WHEN score >= 25
AND score < 30 THEN '27.50'
WHEN score >= 30
AND score < 35 THEN '32.50'
WHEN score >= 35
AND score < 40 THEN '37.50'
WHEN score >= 40
AND score < 45 THEN '42.50'
WHEN score >= 45
AND score < 50 THEN '47.50'
WHEN score >= 50
AND score < 55 THEN '52.50'
WHEN score >= 55
AND score < 60 THEN '57.50'
WHEN score >= 60
AND score < 65 THEN '62.50'
WHEN score >= 65
AND score < 70 THEN '67.50'
WHEN score >= 70
AND score < 75 THEN '72.50'
WHEN score >= 75
AND score < 80 THEN '77.50'
WHEN score >= 80
AND score < 85 THEN '82.50'
WHEN score >= 85
AND score < 90 THEN '87.50'
WHEN score >= 90
AND score < 95 THEN '92.50'
WHEN score >= 95
AND score <= 100 THEN '97.50'
END score_bins,
Sum(CASE
WHEN score >= 0
AND score < 25 THEN count_of_profiles
WHEN score >= 25
AND score < 75 THEN count_of_profiles
WHEN score >= 75
AND score <= 100 THEN count_of_profiles
END) count_of_profiles
FROM qsaccel.profile_agg.adwh_fact_profile_by_segment_ai_models a
JOIN qsaccel.profile_agg.adwh_dim_ai_models b ON a.merge_policy_id = b.merge_policy_id
AND a.model_id = b.model_id
JOIN qsaccel.profile_agg.adwh_dim_segments c ON a.segment_id = c.segment_id
WHERE a.merge_policy_id = 1133248113
AND a.model_id = 1829081696
AND a.segment_id = 1870062812
AND score_date =
(SELECT MAX(score_date)
FROM qsaccel.profile_agg.adwh_fact_profile_by_segment_ai_models d
WHERE d.model_id = a.model_id) GROUP BY b.model_name,
b.model_type,
c.segment_name,
c.segment_id,
CASE
WHEN score >= 0
AND score < 25 THEN 'LOW'
WHEN score >= 25
AND score < 75 THEN 'MEDIUM'
WHEN score >= 75
AND score <= 100 THEN 'HIGH'
END,
CASE
WHEN score >= 0
AND score < 5 THEN '02.50'
WHEN score >= 5
AND score < 10 THEN '07.50'
WHEN score >= 10
AND score < 15 THEN '12.50'
WHEN score >= 15
AND score < 20 THEN '17.50'
WHEN score >= 20
AND score < 25 THEN '22.50'
WHEN score >= 25
AND score < 30 THEN '27.50'
WHEN score >= 30
AND score < 35 THEN '32.50'
WHEN score >= 35
AND score < 40 THEN '37.50'
WHEN score >= 40
AND score < 45 THEN '42.50'
WHEN score >= 45
AND score < 50 THEN '47.50'
WHEN score >= 50
AND score < 55 THEN '52.50'
WHEN score >= 55
AND score < 60 THEN '57.50'
WHEN score >= 60
AND score < 65 THEN '62.50'
WHEN score >= 65
AND score < 70 THEN '67.50'
WHEN score >= 70
AND score < 75 THEN '72.50'
WHEN score >= 75
AND score < 80 THEN '77.50'
WHEN score >= 80
AND score < 85 THEN '82.50'
WHEN score >= 85
AND score < 90 THEN '87.50'
WHEN score >= 90
AND score < 95 THEN '92.50'
WHEN score >= 95
AND score <= 100 THEN '97.50'
END;
|
Zie de AI distributie van de Klant van de documentatie van de scores widget voor informatie over de verschijning en de functionaliteit van dit inzicht.
Overzicht van AI-scores van klant customer-ai-scoring-summary
Vragen beantwoord door dit inzicht:
- Wat is het scoresamenvatting voor elk van mijn AI-modellen van de Klant voor een bepaald publiek?
- Hoe veranderen mijn AI-proENTIECores van mijn klant voor verschillende soorten publiek?
- Hoe vergelijk mijn het scoren samenvatting met andere KPIs in het publieksoverzicht?
Selecteer om de SQL te onthullen die dit inzicht produceert
| code language-sql |
SELECT model_name,
model_type,
segment_name,
CASE
WHEN score BETWEEN 0 AND 24 THEN 'LOW'
WHEN score BETWEEN 25 AND 74 THEN 'MEDIUM'
WHEN score BETWEEN 75 AND 100 THEN 'HIGH'
END score_buckets,
sum(count_of_profiles) count_of_profiles
FROM QSAccel.profile_agg.adwh_fact_profile_by_segment_ai_models a
JOIN QSAccel.profile_agg.adwh_dim_ai_models b ON a.merge_policy_id=b.merge_policy_id
AND a.model_id=b.model_id
JOIN QSAccel.profile_agg.adwh_dim_segments c ON a.segment_id=c.segment_id
WHERE a.merge_policy_id=1133248113
AND a.model_id =1829081696
AND a.segment_id=1870062812
AND score_date=
(SELECT max(score_date)
FROM QSAccel.profile_agg.adwh_fact_profile_by_segment_ai_models d
WHERE d.model_id=a.model_id)
GROUP BY model_name,
model_type,
segment_name,
CASE
WHEN score BETWEEN 0 AND 24 THEN 'LOW'
WHEN score BETWEEN 25 AND 74 THEN 'MEDIUM'
WHEN score BETWEEN 75 AND 100 THEN 'HIGH'
END;
|
Zie de AI van de Klant die summiere widget documentatie voor informatie over de verschijning en de functionaliteit van dit inzicht scoren.
Identiteitsoverlapping identity-overlap
Vragen beantwoord door dit inzicht:
- Wat is het algemene snijpunt tussen Identity Type A en Identity Type B voor een gefilterd publiek?
- Hoe verfijn ik klantenpubliek dat op de overlapping van specifieke identiteitstypes wordt gebaseerd, om de gerichte marketing strategieën te verbeteren?
- Welke inzichten kunnen worden verkregen bij de evaluatie van de prestaties van de campagne op de elkaar kruisende gebieden?
- Op basis van deze inzichten, hoe kunnen toekomstige marketinginspanningen worden geoptimaliseerd?
Selecteer om de SQL te onthullen die dit inzicht produceert
| code language-sql |
SELECT Sum(overlap_col1) overlap_col1,
Sum(overlap_col2) overlap_col2,
Sum(overlap_count) Overlap_count
FROM
(SELECT 0 overlap_col1,
0 overlap_col2,
Sum(count_of_profiles) Overlap_count
FROM qsaccel.profile_agg.adwh_fact_profile_overlap_of_namespace_by_segment
WHERE qsaccel.profile_agg.adwh_fact_profile_overlap_of_namespace_by_segment.segment_id = 1333234510
AND qsaccel.profile_agg.adwh_fact_profile_overlap_of_namespace_by_segment.merge_policy_id = 1709997014
AND qsaccel.profile_agg.adwh_fact_profile_overlap_of_namespace_by_segment.date_key = '2024-01-10'
AND qsaccel.profile_agg.adwh_fact_profile_overlap_of_namespace_by_segment.overlap_id IN
(SELECT a.overlap_id
FROM
(SELECT qsaccel.profile_agg.adwh_dim_overlap_namespaces.overlap_id overlap_id,
count(*) cnt_num
FROM qsaccel.profile_agg.adwh_dim_overlap_namespaces
WHERE qsaccel.profile_agg.adwh_dim_overlap_namespaces.merge_policy_id = 1709997014
AND qsaccel.profile_agg.adwh_dim_overlap_namespaces.overlap_namespaces in ('crmid',
'email')
GROUP BY qsaccel.profile_agg.adwh_dim_overlap_namespaces.overlap_id)a
WHERE a.cnt_num>1 )
UNION ALL SELECT count_of_profiles overlap_col1,
0 overlap_col2,
0 Overlap_count
FROM qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines
LEFT OUTER JOIN qsaccel.profile_agg.adwh_dim_namespaces ON qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.namespace_id = qsaccel.profile_agg.adwh_dim_namespaces.namespace_id
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.merge_policy_id = qsaccel.profile_agg.adwh_dim_namespaces.merge_policy_id
WHERE qsaccel.profile_agg.adwh_dim_namespaces.namespace_description = 'crmid'
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.segment_id = 1333234510
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.merge_policy_id = 1709997014
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.date_key = '2024-01-10'
UNION ALL SELECT 0 overlap_col1,
count_of_profiles overlap_col2,
0 Overlap_count
FROM qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines
LEFT OUTER JOIN qsaccel.profile_agg.adwh_dim_namespaces ON qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.namespace_id = qsaccel.profile_agg.adwh_dim_namespaces.namespace_id
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.merge_policy_id = qsaccel.profile_agg.adwh_dim_namespaces.merge_policy_id
WHERE qsaccel.profile_agg.adwh_dim_namespaces.namespace_description = 'email'
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.segment_id = 1333234510
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.merge_policy_id = 1709997014
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.date_key = '2024-01-10' ) a;
|
Zie de documentatie van de overlap van de Identiteit voor informatie over de verschijning en de functionaliteit van dit inzicht.
Profielen op identiteit profiles-by-identity
Vragen beantwoord door dit inzicht:
- Welk identiteitstype heeft het hoogste aandeel binnen het totale aantal profielen voor een geselecteerd publiek?
- Zijn er aanzienlijke verschillen tussen de identiteitstypen voor een geselecteerd publiek?
- Wat is de algemene verdeling van identiteitstypen per publiek?
- Zijn er voor verschillende doelgroepen aanzienlijke verschillen of anomalieën in het aantal identiteitsbewijzen?
Selecteer om de SQL te onthullen die dit inzicht produceert
| code language-sql |
SELECT qsaccel.profile_agg.adwh_dim_namespaces.namespace_description,
sum(qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.count_of_profiles) count_of_profiles
FROM qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines
LEFT OUTER JOIN qsaccel.profile_agg.adwh_dim_namespaces ON qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.namespace_id = qsaccel.profile_agg.adwh_dim_namespaces.namespace_id
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.merge_policy_id = qsaccel.profile_agg.adwh_dim_namespaces.merge_policy_id
WHERE qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.segment_id = 1333234510
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.merge_policy_id = 1709997014
AND qsaccel.profile_agg.adwh_fact_profile_by_segment_and_namespace_trendlines.date_key = '2024-01-10'
GROUP BY qsaccel.profile_agg.adwh_dim_namespaces.namespace_description
ORDER BY count_of_profiles DESC;
|
Zie Profielen door de documentatie van de identiteitswidget voor informatie over de verschijning en de functionaliteit van dit inzicht.
Geplande activeringen scheduled-activations
Vragen beantwoord door dit inzicht:
- Wat zijn de begin- en einddatum van de best presterende activeringen voor een bepaald publiek op een specifiek platform?
- Welke platforms werden het meest gebruikt voor geplande activeringen van een bepaald publiek?
- Zijn er patronen in platformgebruik die besluiten bij het voorrang geven aan of het diversifiëren van activeringsstrategieën voor een specifiek publiek zouden kunnen begeleiden?
Selecteer om de SQL te onthullen die dit inzicht produceert
| code language-sql |
SELECT p.destination_platform ,
p.destination_platform_name AS platform ,
d.destination_name ,
d.destination ,
br.start_date ,
CASE
WHEN br.end_date = '9999-12-31' THEN 'Ongoing'
ELSE br.end_date
END AS end_date
FROM qsaccel.profile_agg.adwh_dim_br_segment_destinations br
JOIN qsaccel.profile_agg.adwh_dim_destination d ON br.destination_id = d.destination_id
JOIN qsaccel.profile_agg.adwh_dim_destination_platform p ON d.destination_platform_id = p.destination_platform_id
JOIN
(SELECT MAX(process_date) AS last_process_date
FROM qsaccel.profile_agg.adwh_lkup_process_delta_log
WHERE process_name = 'FACT_TABLES_PROCESSING'
AND process_status = 'SUCCESSFUL' ) lpd ON lpd.last_process_date BETWEEN br.start_date AND br.end_date
AND br.segment_id = 1333234510;
|
Zie de Geplande documentatie van de activeringswidget voor informatie over de verschijning en de functionaliteit van dit inzicht.
Volgende stappen
Door dit document te lezen, begrijpt u nu de SQL die dashboardinzichten produceert en welke gemeenschappelijke vragen deze analyse oplost. U kunt nu de SQL bewerken en doorlopen om uw eigen inzichten te genereren.
Zie de documentatie van de Mening SQL voor meer informatie over hoe te om SQL van uw inzichten direct door PLatform UI aan te passen.
U kunt SQL ook lezen en begrijpen die inzichten voor Profielen , Profielen van de Rekening en Doelen dashboards van Doelen {produceert.
ececc77d-ff44-4382-85ee-a087c8834323