Een trended-rapport van gebeurtenissen maken

Dit document bevat een voorbeeld van de SQL-code die nodig is om een trended-rapport van gebeurtenissen overdag over een bepaald datumbereik te maken. Met Adobe Experience Platform Query Service kunt u query's schrijven die Experience Events gebruiken om verschillende gebruiksgevallen vast te leggen. De Gebeurtenissen van de ervaring worden vertegenwoordigd door de klasse ExperienceEvent van het Gegevensmodel van de Ervaring (XDM), die een onveranderlijke en niet-geaggregeerde momentopname van het systeem vangt wanneer een gebruiker met een website of de dienst interactie aangaat. De Gebeurtenissen van de ervaring kunnen zelfs voor tijd-domeinanalyse worden gebruikt. Zie volgende stappen sectievoor meer gebruiksgevallen die Experience Events impliceren om bezoekersrapporten te produceren.

Rapporten geven u toegang tot uw gegevens van het Platform om de strategische bedrijfsinzichten van uw organisatie te profiteren. Met deze rapporten, kunt u uw gegevens van het Platform op diverse manieren onderzoeken, zeer belangrijke metriek in gemakkelijk-aan-begrijpelijke formaten tonen, en de resulterende inzichten delen.

Meer informatie over XDM en Experience Events kan in het XDM System overzichtworden gevonden. Door de Dienst van de Vraag met Experience Events te combineren, kunt u gedragstendensen onder uw gebruikers effectief volgen. Het volgende document bevat voorbeelden van query's die Experience Events betreffen.

Doelstellingen

In het volgende voorbeeld wordt een trended-rapport gemaakt van gebeurtenissen over een opgegeven datumbereik, gegroepeerd op datum. In dit SQL-voorbeeld worden diverse analysewaarden samengevat als A , B en C . Vervolgens wordt het aantal keren samengevat dat parka's in de loop van een maand zijn weergegeven.

De tijdstempelkolom in gegevenssets van Experience Event heeft de UTC-indeling. In het voorbeeld wordt de functie from_utc_timestamp() gebruikt om de tijdstempel te transformeren van UTC naar EDT en wordt vervolgens de functie date_format() gebruikt om de datum te isoleren van de rest van de tijdstempel.

SELECT
date_format( from_utc_timestamp(timestamp, 'EDT') , 'yyyy-MM-dd') as Day,
SUM(web.webPageDetails.pageviews.value) as pageViews,
SUM(_experience.analytics.event1to100.event1.value) as A,
SUM(_experience.analytics.event1to100.event2.value) as B,
SUM(_experience.analytics.event1to100.event3.value) as C,
SUM(
    CASE
    WHEN _experience.analytics.customDimensions.evars.evar1 = 'parkas'
    THEN 1
    ELSE 0
    END) as viewedParkas
FROM your_analytics_table
WHERE TIMESTAMP >= to_timestamp('2019-03-01') AND TIMESTAMP <= to_timestamp('2019-03-31')
GROUP BY Day
ORDER BY Day ASC, pageViews DESC;

De resultaten van deze query zijn hieronder te zien.

     Day     | pageViews |   A    |   B   |    C    | viewedParkas
-------------+-----------+--------+-------+---------+--------------
 2019-03-01  |   55317.0 | 8503.0 | 804.0 | 1578.0  |           73
 2019-03-02  |   55302.0 | 8600.0 | 854.0 | 1528.0  |           86
 2019-03-03  |   54613.0 | 8162.0 | 795.0 | 1568.0  |          100
 2019-03-04  |   54501.0 | 8479.0 | 832.0 | 1509.0  |          100
 2019-03-05  |   54941.0 | 8603.0 | 816.0 | 1514.0  |           73
 2019-03-06  |   54817.0 | 8434.0 | 855.0 | 1538.0  |           76
 2019-03-07  |   55201.0 | 8604.0 | 843.0 | 1517.0  |           64
 2019-03-08  |   55020.0 | 8490.0 | 849.0 | 1536.0  |           99
 2019-03-09  |   43186.0 | 6736.0 | 643.0 | 1150.0  |           52
 2019-03-10  |   48471.0 | 7542.0 | 772.0 | 1272.0  |           70
 2019-03-11  |   56307.0 | 8721.0 | 818.0 | 1571.0  |           81
 2019-03-12  |   55374.0 | 8653.0 | 843.0 | 1501.0  |           59
 2019-03-13  |   55046.0 | 8509.0 | 887.0 | 1556.0  |           65
 2019-03-14  |   55518.0 | 8551.0 | 848.0 | 1516.0  |           77
 2019-03-15  |   55329.0 | 8575.0 | 818.0 | 1607.0  |           96
 2019-03-16  |   55030.0 | 8651.0 | 815.0 | 1542.0  |           66
 2019-03-17  |   55143.0 | 8435.0 | 774.0 | 1572.0  |           65
 2019-03-18  |   54065.0 | 8211.0 | 816.0 | 1574.0  |          111
 2019-03-19  |   55097.0 | 8395.0 | 771.0 | 1498.0  |           86
 2019-03-20  |   55198.0 | 8472.0 | 863.0 | 1583.0  |           82
 2019-03-21  |   54978.0 | 8490.0 | 820.0 | 1580.0  |           83
 2019-03-22  |   55464.0 | 8561.0 | 820.0 | 1559.0  |           83
 2019-03-23  |   55384.0 | 8482.0 | 800.0 | 1139.0  |           82
 2019-03-24  |   55295.0 | 8594.0 | 841.0 | 1382.0  |           78
 2019-03-25  |   42069.0 | 6365.0 | 606.0 | 1509.0  |           62
 2019-03-26  |   49724.0 | 7629.0 | 724.0 | 1553.0  |           44
 2019-03-27  |   55111.0 | 8524.0 | 804.0 | 1524.0  |           94
 2019-03-28  |   55030.0 | 8439.0 | 822.0 | 1554.0  |           73
 2019-03-29  |   55281.0 | 8601.0 | 854.0 | 1580.0  |           73
 2019-03-30  |   55162.0 | 8538.0 | 846.0 | 1534.0  |           79
 2019-03-31  |   55437.0 | 8486.0 | 807.0 | 1649.0  |           68
 (31 rows)

Volgende stappen next-steps

Door dit document te lezen, hebt u een beter inzicht in hoe te om de Dienst van de Vraag met Experience Events te gebruiken om gedragstrends onder uw gebruikers effectief te volgen.

Lees de volgende documenten voor meer informatie over andere gebruiksgevallen die op bezoekers zijn gebaseerd en die Experience Events gebruiken: