Kombinerade händelsedatamängder
När du skapar en anslutning kombinerar Customer Journey Analytics alla händelsedatamängder till en enda datauppsättning. Den här kombinerade händelsedatamängden är vad Customer Journey Analytics använder för rapportering (tillsammans med profil- och uppslagsdatauppsättningar). När du inkluderar flera händelsedatamängder i en anslutning:
- Data för fält i datauppsättningar som baseras på samma schemasökväg sammanfogas till en enda kolumn i den kombinerade datauppsättningen.
- Kolumnen för person-ID, som anges för varje datauppsättning, sammanfogas till en enda kolumn i den kombinerade datauppsättningen, oavsett namn. Denna kolumn är grunden för att identifiera unika personer i Customer Journey Analytics.
- Rader bearbetas baserat på tidsstämpel.
- Händelser löses ned till millisekundnivån.
Exempel
Titta på följande exempel. Du har två händelsedatamängder, där vart och ett har olika fält som innehåller olika data.
När du skapar en anslutning med dessa två händelsedatamängder och har identifierat
example_idsom person-ID för den första datauppsättningen, ochdifferent_idsom person-ID för den andra datauppsättningen,
följande kombinerade datauppsättning används för rapportering.
Tänk på det här scenariot för att illustrera vikten av schemasökvägar. I den första datauppsättningen baseras string_color på schemasökvägen _experience.whatever.string_color och i den andra datauppsättningen på schemasökvägen _experience.somethingelse.string_color. I det här scenariot sammanfogas data inte till en kolumn i den resulterande kombinerade datauppsättningen. I stället är resultatet två string_color-kolumner i den kombinerade datauppsättningen:
vad som helst.
strängfärg
något annat.
strängfärg
Den här kombinerade händelsedatamängden används för rapportering. Det spelar ingen roll vilken datauppsättning en rad kommer från. Customer Journey Analytics hanterar alla data som om de fanns i samma datauppsättning. Om ett matchande person-ID visas i båda datauppsättningarna betraktas de som samma unika person. Om ett matchande person-ID visas i båda datauppsättningarna med en tidsstämpel inom 30 minuter betraktas de som en del av samma session. Fält med identiska schemasökvägar sammanfogas.
Detta koncept gäller också attribuering. Det spelar ingen roll vilken datamängd en rad kommer från. Attribution fungerar exakt som om alla händelser kom från en enda datamängd. Använda tabellerna ovan som exempel:
Om din anslutning bara innehöll den första tabellen och inte den andra skulle följande visas om du drog en rapport med måtten string_color och metric_a med hjälp av den senaste beröringsattribueringen:
Om du däremot inkluderade båda tabellerna i anslutningen, ändras attribueringen eftersom user_847 finns i båda datauppsättningarna. En rad från den andra datauppsättningsattributen metric_a till Gul, där de tidigare var ospecificerade:
Flerkanalsanalys
Nästa nivå med att kombinera datauppsättningar är flerkanalsanalys, där datauppsättningar från olika kanaler kombineras, baserat på en gemensam identifierare (person-ID). Flerkanalsanalys kan dra nytta av sammanfogningsfunktioner som gör att du kan ändra inmatningen av en datauppsättnings person-ID så att datauppsättningen uppdateras på rätt sätt för att möjliggöra en sömlös kombination av flera datauppsättningar. Stitching undersöker användardata från både autentiserade och oautentiserade sessioner för att generera ett sammanfogat ID.
Med flerkanalsanalys kan ni besvara frågor som:
- Hur många börjar sin upplevelse i en kanal och avslutar den i en annan?
- Hur många interagerar med mitt varumärke? Hur många och vilka typer av enheter använder de? Hur överlappar de?
- Hur ofta startar man en uppgift på en mobil enhet och sedan övergår till en stationär dator för att slutföra uppgiften? Kommer kampanjklickningar som landar på en enhet att leda till konvertering någon annanstans?
- Hur påverkar min förståelse för kampanjens effektivitet om jag tänker på resor mellan olika enheter? Hur förändras min trattanalys?
- Vilka är de vanligaste sökvägarna som användare tar från en enhet till en annan? Var faller de? Var lyckas de?
- Hur skiljer sig beteendet hos användare med flera enheter från dem som har en enda enhet?
Mer information om flerkanalsanalys finns i det specifika användningsexemplet:
Mer information om hur du syser ut finns på: