Comparar feeds de dados no Customer Journey Analytics e no Adobe Analytics
Os feeds de dados no Customer Journey Analytics e no Adobe Analytics permitem exportar dados brutos para plataformas de terceiros.
Se você usou feeds de dados anteriormente no Adobe Analytics, use as seguintes informações para entender as diferenças nos recursos e conceitos disponíveis.
Para obter uma comparação dos feeds de dados com outros métodos de exportação do Customer Journey Analytics, como Exportação de tabela completa, consulte Comparação de produtos do Analytics.
Recursos disponíveis somente nos feeds de dados do Customer Journey Analytics
Os seguintes recursos estão disponíveis nos feeds de dados do Customer Journey Analytics, mas não nos feeds de dados do Adobe Analytics:
-
Campos derivados: componentes personalizados criados a partir de transformações baseadas em regras que podem ser incluídos no esquema do feed de dados.
-
Configurações de componente: as configurações de componente de visualização de dados, como persistência, desduplicação de métrica e segmentação de valor, podem transformar o valor de um componente diretamente na saída do feed de dados, sem exigir SQL.
-
Compilação: resolução de identidade entre dispositivos que vincula eventos entre dispositivos a uma única pessoa.
-
Definições de sessão configuráveis: as sessões são definidas pelas configurações de sessão na sua visualização de dados, como o tempo limite de inatividade e os eventos que iniciam ou encerram uma sessão. IDs de sessão e valores baseados em sessão no feed de dados refletem essas configurações e as alterações nelas são refletidas em preenchimentos retroativos.
-
Modelo de dados estruturados: os feeds são criados e entregues usando dados estruturados em vez de cadeias de caracteres simples, como post_product_list. Reflete a estrutura existente do esquema XDM e da visualização de dados.
-
Saída do Parquet: os arquivos são entregues no formato Parquet, que suporta nativamente dados aninhados e estruturados complexos. Isso significa que é mais fácil acessar os dados em um banco de dados usando as práticas padrão do setor. Para obter mais informações, consulte Trabalhar com arquivos Parquet em feeds de dados.
-
Segmentação: os segmentos aplicados à visualização de dados são automaticamente herdados e segmentos adicionais podem ser aplicados diretamente ao feed.
-
Caminhos de partição de estilo Hive: os arquivos de saída usam caminhos de estilo Hive para consulta eficiente em ambientes de data lake.
-
As atualizações de componentes se aplicam retroativamente: as alterações nos componentes na visualização de dados são refletidas historicamente em preenchimentos retroativos.
-
Pesquisas: as classificações não estão incluídas nos feeds de dados do Adobe Analytics. No Customer Journey Analytics, todas as pesquisas são incorporadas diretamente aos dados.
-
Interface familiar aos usuários do Analysis Workspace: os componentes vêm diretamente da visualização de dados e também estão disponíveis no Analysis Workspace. É possível selecionar dimensões e métricas usando o mesmo painel de componentes do Analysis Workspace, em vez de uma lista estática de nomes de variáveis.
-
Mais modelos de persistência disponíveis: há cinco modelos de persistência diferentes que podem ser usados nos feeds de dados do Customer Journey Analytics.
A tabela Comparação de funcionalidade abaixo aborda detalhadamente cada um desses recursos, juntamente com as diferenças nos recursos existentes em ambos os produtos.
Comparação de funcionalidade
A tabela a seguir compara os principais conceitos e opções de configuração entre os feeds de dados do Customer Journey Analytics e os feeds de dados do Adobe Analytics.
O tipo de dados que pode ser coletado e incluído nos feeds de dados.
Os dados são processados em estágios diferentes, dependendo do produto que você está usando.
Resolução de identidade entre canais e dispositivos que vincula eventos a uma única pessoa.
Determina a frequência com que o feed de dados é enviado e a janela de tempo incluída no feed.
Diariamente (da meia-noite à meia-noite no fuso horário do conjunto de relatórios) ou Por hora.
Os feeds de 15 minutos são possíveis, mas não estão disponíveis por padrão.
Os dados históricos usados para calcular a persistência, as sessões e a qualificação de segmentos para cada entrega.
Uma janela rolante de processamento de 30 dias, que abre e inclui a janela de frequência. Dados anteriores à janela de processamento geralmente não são considerados.
Para obter mais informações, consulte Entender a janela de processamento.
Ocorrências de chegada tardia
Ocorrências cujos carimbos de data/hora pertencem a uma janela de frequência de entrega anterior, mas chegam após o término dessa janela.
Por exemplo, as ocorrências de chegada tardia podem vir de um aplicativo móvel que armazena eventos em buffer enquanto está offline e os envia quando ele se reconecta.
As ocorrências de chegada tardia podem ser incluídas ou excluídas por meio da opção de configuração Permitir ocorrências de chegada tardia.
A configuração Janela de pesquisa controla até que ponto o sistema alcança para incluir dados atrasados.
Ocorrências cujos carimbos de data/hora não correspondem à ordem em que foram recebidas.
Como o Customer Journey Analytics aceita transmissão e dados em lote, não há garantia de que os eventos de uma determinada pessoa chegarão na ordem de carimbo de data e hora. Embora o Customer Journey Analytics seja reordenado por carimbo de data e hora por pessoa, ele só pode exportar os dados recebidos. Isso significa que as ocorrências de chegada tardia podem ser exportadas após as ocorrências com um carimbo de data e hora posterior.
A configuração Atraso de processamento ajuda a reduzir eventos fora de ordem na saída do feed de dados, dando mais tempo para que os dados em lote cheguem antes da exportação. A ordenação de eventos no delivery não é garantida.
Importante: o consumidor final dos dados do feed de dados deve ser capaz de lidar com carimbos de data/hora que estejam fora de ordem, por pessoa, pois a ordem de ocorrências na entrega do feed de dados não é garantida.
Exporta dados históricos entre duas datas anteriores.
O esquema de feed de dados determina quais colunas estão disponíveis para inclusão em um feed de dados.
eVar1 / post_eVar1), o que responde por grande parte da contagem de colunas.A interface usada para configurar quais colunas são incluídas em um feed de dados.
eVar1, prop5) selecionados de um conjunto predefinido de ~1.100+ colunas. Os componentes não são nomeados ou descritos além do identificador de variável.Componentes personalizados definidos com o uso de transformações baseadas em regras aplicadas no momento do relatório.
Configurações do componente de visualização de dados, como persistência, desduplicação de métrica e segmentação de valores, que transformam o valor de um componente no momento do relatório.
Se as alterações na configuração de componentes se refletem na saída de feeds de dados passada e futura.
As alterações se aplicam a deliveries futuros e preenchimentos retroativos. Os arquivos entregues anteriormente não são atualizados.
- Configurações de componente: a saída reflete as configurações atuais, como persistência ou segmentação de valores.
- Lógica de campo derivado: as alterações se aplicam a todos os feeds de dados que usam o campo derivado.
- Tipo de dados: alterações compatíveis (como cadeia de caracteres para número) são convertidas quando possível. Alterações incompatíveis (como cadeia de caracteres para matriz) resultam em valores nulos.
- Adicionando ou removendo componentes: novos componentes devem ser adicionados manualmente aos feeds de dados existentes. Os componentes excluídos resultam em valores nulos. Portanto, é uma boa ideia remover um componente de seus feeds de dados antes de excluí-lo da visualização de dados.
- Nome amigável, ID de componente ou ID de saída: somente alterações de ID de saída alteram o nome da coluna.
- Definição de sessão: as IDs de sessão e os valores baseados em sessão são alterados. As IDs de sessão não corresponderão às entregas anteriores.
Os conjuntos de dados de pesquisa no Customer Journey Analytics são equivalentes às classificações no Adobe Analytics.
Como um limite de visita ou sessão é definido, o que afeta como os eventos são agrupados e atribuídos.
visid_high, visid_low e visit_num).A capacidade de filtrar a saída do feed de dados usando segmentos.
As métricas personalizadas que você pode criar a partir das métricas existentes.
Como ou se os valores de dimensão persistem de um evento para o próximo.
Como os subeventos são representados na saída do feed de dados.
O formato usado para arquivos de saída de feed de dados entregues ao seu destino de nuvem.
Parquet
Suporta nativamente dados complexos aninhados e estruturados. Campos como post_product_list são representados como matrizes estruturadas/objetos aninhados.
Requer uma ferramenta sensível ao Parquet para leitura, como BigQuery, Snowflake ou Apache Spark.
A estrutura do schema é incorporada no arquivo de saída.
Para obter mais informações, consulte Trabalhar com arquivos Parquet em feeds de dados.
TSV
Linhas planas legíveis por humanos. Não é compatível nativamente com dados estruturados; campos complexos, como listas de produtos, devem ser codificados como strings delimitadas proprietárias que exigem lógica de análise personalizada.
A estrutura de diretório usada para os arquivos de saída entregues.
year=2024/month=01/day=15/), permitindo a remoção eficiente de partições ao consultar dados em ambientes de data lake, como Databricks ou Apache Spark.Os locais de armazenamento na nuvem para os quais os arquivos de saída do feed de dados podem ser enviados.
Amazon S3, Azure RBAC, Azure SAS, Google Cloud Platform.
Também suporta SFTP.
Se o construtor de feed de dados usa os mesmos componentes e terminologia que o Analysis Workspace.
Os modelos de persistência disponíveis para dimensões em um feed de dados.