Insights de públicos
Last update: Fri Nov 29 2024 00:00:00 GMT+0000 (Coordinated Universal Time)
Os insights derivados da análise do modelo de dados tornam os dados do Adobe Real-Time CDP mais acessíveis, compreensíveis e impactantes para a tomada de decisões.
Entenda seus insights de público acessando o SQL que os capacita e gere seus próprios insights para explorar ainda mais as identidades e os perfis que compõem seus públicos. Transforme seus dados brutos em novos insights acionáveis usando o SQL modelo de dados do Real-Time CDP existente como inspiração para criar consultas para suas necessidades comerciais exclusivas.
Consulte a Exibir documentação do SQL para obter mais informações sobre como adaptar o SQL dos seus insights diretamente pela interface do PLatform.
Os seguintes insights estão todos disponíveis para você usar como parte do Painel de públicos-alvo ou de um painel definido pelo usuário personalizado. Consulte a visão geral da personalização para obter instruções sobre como personalizar seu painel ou criar e editar novos widgets na biblioteca de widgets e no painel definido pelo usuário.
Os seguintes insights estão todos disponíveis para você usar como parte do Painel de públicos-alvo ou de um painel personalizado.
Relatório de sobreposição de público-alvo audience-overlap-report
Perguntas respondidas por este insight:
- Quais são os 50 principais públicos-alvo sobrepostos de um público-alvo filtrado específico?
- Quais são os 50 públicos-alvo menos sobrepostos de um público-alvo filtrado específico?
- Como o padrão de sobreposição muda para um público-alvo filtrado diferente?
Selecione para revelar o SQL que gera esse insight
| 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;
|
Consulte a Documentação do widget Relatório de sobreposição de público para obter informações sobre a aparência e a funcionalidade deste insight.
Sobreposição de público audience-overlap
Perguntas respondidas por este insight:
- Quais perfis são comuns a ambos os públicos-alvo?
- Como a sobreposição afeta as taxas de engajamento ou conversão?
- Como as estratégias de marketing podem ser personalizadas para o segmento sobreposto?
Selecione para revelar o SQL que gera esse insight
| 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;
|
Consulte a Documentação do widget de sobreposição de público-alvo para obter informações sobre a aparência e a funcionalidade deste insight.
Tendência de tamanho do público-alvo audience-size-change-trend
Perguntas respondidas por este insight:
- Há picos ou declínios significativos no tamanho do público nos últimos 30 dias, 90 dias ou 12 meses?
- Como o tamanho do público muda durante dias específicos?
- Foram detectadas anomalias ou padrões repetitivos de picos ou declínios nos últimos 12 meses?
Selecione para revelar o SQL que gera esse insight
| 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;
|
Consulte a Documentação do widget de tendência de alteração de tamanho de público para obter informações sobre a aparência e a funcionalidade desse insight.
Tendência de tamanho do público por identidade audience-size-trend-by-identity
Perguntas respondidas por este insight:
- Meu público-alvo está crescendo, estabilizando ou apresentando flutuações de forma consistente?
- Existe alguma identidade específica que tenha picos ou declínios no crescimento do público ao longo do tempo?
- Existem anomalias no crescimento da minha identidade ao longo do tempo?
Selecione para revelar o SQL que gera esse insight
| 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;
|
Consulte a Documentação de widget Tendência de tamanho de público por identidade para obter informações sobre a aparência e a funcionalidade deste insight.
Tendência de tamanho do público audience-size-trend
Perguntas respondidas por este insight:
- Como o tamanho do público-alvo mudou com o tempo, incluindo anomalias?
- Como posso encontrar a tendência geral no tamanho do público-alvo ao longo dos períodos: 30 dias, 90 dias e 12 meses?
- Quais são as principais características do público-alvo que contribuem para seu tamanho? Por exemplo, picos devido a campanhas de marketing por email.
Selecione para revelar o SQL que gera esse insight
| 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;
|
Consulte a Documentação do widget Tendência de tamanho de público para obter informações sobre a aparência e a funcionalidade desse insight.
Tamanho do público-alvo audience-size
Perguntas respondidas por este insight:
- Qual é o tamanho total atual do público-alvo?
- Como o tamanho atual do público se compara aos períodos anteriores ou a públicos específicos?
- Qual é o impacto das campanhas de marketing recentes no tamanho do público?
Selecione para revelar o SQL que gera esse insight
| 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';
|
Consulte a documentação do widget de tamanho de público para obter informações sobre a aparência e a funcionalidade deste insight.
Distribuição de pontuações da IA do cliente customer-ai-distribution-of-scores
Perguntas respondidas por este insight:
- Qual é a distribuição de pontuação para cada segmento do meu modelo de IA do cliente, filtrado por um público-alvo selecionado?
- Qual é a distribuição de pontuação de alta, média e baixa para um público-alvo específico?
- Qual é o detalhamento da distribuição de pontuação por vários públicos-alvo de interesse?
Selecione para revelar o SQL que gera esse insight
| 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;
|
Consulte a documentação do widget de distribuição de pontuações da IA do cliente para obter informações sobre a aparência e a funcionalidade deste insight.
Resumo de pontuação da IA do cliente customer-ai-scoring-summary
Perguntas respondidas por este insight:
- Qual é o resumo de pontuação para cada um dos meus modelos de IA do cliente para um público-alvo específico?
- Como minhas pontuações de propensão da IA do cliente mudam para públicos diferentes?
- Como meu resumo de pontuação se compara aos outros KPIs na visão geral do público-alvo?
Selecione para revelar o SQL que gera esse insight
| 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;
|
Consulte a documentação do widget Resumo de pontuação da IA do cliente para obter informações sobre a aparência e a funcionalidade deste insight.
Sobreposição de identidade identity-overlap
Perguntas respondidas por este insight:
- Qual é a interseção comum entre Tipo de identidade A e Tipo de identidade B para um público filtrado?
- Como refino os públicos-alvo do cliente com base na sobreposição de tipos de identidade específicos para aprimorar as estratégias de marketing direcionadas?
- Quais insights podem ser obtidos a partir da avaliação do desempenho da campanha nas áreas de interseção?
- Com base nesses insights, como os futuros esforços de marketing podem ser otimizados?
Selecione para revelar o SQL que gera esse insight
| 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;
|
Consulte a documentação do widget Sobreposição de identidade para obter informações sobre a aparência e a funcionalidade deste insight.
Perfis por identidade profiles-by-identity
Perguntas respondidas por este insight:
- Qual tipo de identidade tem a maior proporção na contagem total de perfis para um público-alvo selecionado?
- Há disparidades significativas entre os tipos de identidade para um público-alvo selecionado?
- Qual é a distribuição geral dos tipos de identidade por público-alvo?
- Existem disparidades ou anomalias significativas na contagem de identidades para vários públicos-alvo?
Selecione para revelar o SQL que gera esse insight
| 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;
|
Consulte a documentação do widget Perfis por identidade para obter informações sobre a aparência e a funcionalidade desse insight.
Ativações programadas scheduled-activations
Perguntas respondidas por este insight:
- Quais são as datas de início e término das ativações de melhor desempenho para um público-alvo específico em uma plataforma específica?
- Quais plataformas foram mais usadas para ativações programadas de um público-alvo específico?
- Existem padrões no uso da plataforma que possam orientar as decisões sobre como priorizar ou diversificar estratégias de ativação para um público específico?
Selecione para revelar o SQL que gera esse insight
| 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;
|
Consulte a Documentação do widget de ativações agendadas para obter informações sobre a aparência e a funcionalidade deste insight.
Próximas etapas
Ao ler este documento, você agora entende o SQL que gera insights de painel e quais perguntas comuns essa análise resolve. Agora você pode editar e iterar no SQL para gerar seus próprios insights.
Consulte a Exibir documentação do SQL para obter mais informações sobre como adaptar o SQL dos seus insights diretamente pela interface do PLatform.
Você também pode ler e entender o SQL que gera insights para os painéis Perfis, Perfis de Conta e Destinos.
ececc77d-ff44-4382-85ee-a087c8834323