Handbok för rapportinsikter om frågerapporter med accelererat arkiv

Med det frågeaccelererade arkivet kan du minska den tid och processorkraft som krävs för att få viktiga insikter från dina data. Vanligtvis behandlas data med regelbundna intervall (t.ex. varje timme eller dag) där aggregerade vyer skapas och rapporteras. Analysen av dessa rapporter som genereras utifrån aggregerade data ger insikter som är avsedda att förbättra affärsresultatet. Det frågeaccelererade arkivet tillhandahåller en cachetjänst, samtidighet, en interaktiv upplevelse och ett tillståndslöst API. Det förutsätter dock att data är förbearbetade och optimerade för aggregerad fråga och inte för rådatafrågor.

Med det frågeaccelererade arkivet kan du skapa en anpassad datamodell och/eller utöka en befintlig Adobe Real-time Customer Data Platform datamodell. Sedan kan ni interagera med eller bädda in era rapportinsikter i ett rapporterings-/visualiseringsramverk som ni väljer. Läs dokumentationen för Real-time Customer Data Platform Insights-datamodellen om du vill veta hur du anpassar dina SQL-frågemallar för att skapa Real-Time CDP-rapporter för dina KPI-användningsfallför marknadsföring och nyckeltal.

Real-Time CDP datamodell från Adobe Experience Platform ger insikter om profiler, målgrupper och destinationer och möjliggör Real-Time CDP insiktspaneler. I det här dokumentet får du hjälp med att skapa datamodellen för dina rapportinsikter och hur du kan utöka Real-Time CDP datamodeller efter behov.

Förhandskrav

I den här självstudien används användardefinierade kontrollpaneler för att visualisera data från din anpassade datamodell i plattformsgränssnittet. Mer information om den här funktionen finns i användardefinierad dokumentation för kontrollpaneler.

Komma igång

Data Distiller SKU krävs för att skapa en anpassad datamodell för dina rapportinsikter och för att utöka Real-Time CDP datamodeller som innehåller data från den nya plattformen. Se dokumentationen för paketering, skyddsutkast och licensiering som gäller Data Distiller SKU. Om du inte har Data Distiller SKU kontaktar du Adobe kundtjänstrepresentanten för mer information.

Bygg en datamodell för rapportinsikter

I den här självstudiekursen används ett exempel på hur man skapar en datamodell med målgruppsinsikter. Om ni använder en eller flera annonseringsplattformar för att nå er målgrupp kan ni använda annonsörens API för att få ett ungefärligt antal träffar hos er målgrupp.

Till att börja med har ni en första datamodell från era källor (eventuellt från er annonsörsplattforms-API). Om du vill få en sammanställd vy över dina rådata skapar du en modell för rapportinsikter enligt beskrivningen i bilden nedan. På så sätt kan en datauppsättning få de övre och nedre gränserna för målgruppsmatchningen.

I det här exemplet baseras tabellen/datamängden externalaudiencereach på ett ID och spårar de nedre och övre gränserna för antalet matchningar. Dimensionstabellen/datamängden externalaudiencemapping mappar det externa ID:t till ett mål och en målgrupp på plattformen.

Skapa en modell för att rapportera insikter med Data Distiller

Skapa sedan en rapportinsiktsmodell (audienceinsight i det här exemplet) och använd SQL-kommandot ACCOUNT=acp_query_batch and TYPE=QSACCEL för att se till att den skapas på det accelererade arkivet. Använd sedan frågetjänsten för att skapa ett audienceinsight.audiencemodel-schema för databasen audienceinsight.

CREATE database audienceinsight WITH (TYPE=QSACCEL, ACCOUNT=acp_query_batch);

CREATE schema audienceinsight.audiencemodel;

Skapa tabeller, relationer och fylla i data

Nu när du har skapat din audienceinsight-rapportinsiktsmodell skapar du tabellerna externalaudiencereach och externalaudiencemapping och upprättar relationer mellan dem. Använd sedan kommandot ALTER TABLE för att lägga till en sekundärnyckelbegränsning mellan tabellerna och definiera en relation. I följande SQL-exempel visas hur du gör detta.

CREATE TABLE IF NOT exists audienceinsight.audiencemodel.externalaudiencereach
WITH ( DISTRIBUTION = REPLICATE ) AS
  SELECT cast(null as int) approximate_count_upper_bound,
         cast(null as string) deliverystatusdescription,
         cast(null as timestamp)  timeupdated ,
         cast(null as int) operationstatuscode ,
         cast(null as string) operationstatusdescription,
         cast(null as int) approximate_count_lower_bound,
         cast(null as timestamp)timecreated ,
         cast(null as timestamp)timecontentupdated ,
         cast(null as int) deliverystatuscode ,
         cast(null as int)  ext_custom_audience_id
   WHERE false;

CREATE TABLE IF NOT exists audienceinsight.audiencemodel.externalaudiencemapping
WITH ( DISTRIBUTION = REPLICATE ) AS
SELECT cast(null as int) audience_id,
       cast(null as int) destination_id,
       cast(null as int) ext_custom_audience_id
 WHERE false;

ALTER TABLE externalaudiencereach ADD  CONSTRAINT FOREIGN KEY (ext_custom_audience_id) REFERENCES externalaudiencemapping (ext_custom_audience_id) NOT enforced;

När båda ALTER TABLE-kommandona har körts korrekt formas relationen mellan faktatabellen och dimensionstabellen.

När programsatserna har körts använder du kommandot SHOW datagroups; för att returnera en lista över tillgängliga datauppsättningar i det accelererade arkivet från audienceinsight.audiencemodel. Resultatet i tabellform bör likna det exempel som ges nedan.

    Database     |    Schema     | GroupType |      ChildType       |        ChildName        | PhysicalParent |               ChildId
-----------------+---------------+-----------+----------------------+-------------------------+----------------+--------------------------------------
 audienceinsight | audiencemodel | QSACCEL   | Data Warehouse Table | externalaudiencemapping | true           | 9155d3b4-889d-41da-9014-5b174f6fa572
 audienceinsight | audiencemodel | QSACCEL   | Data Warehouse Table | externalaudiencereach   | true           | 1b941a6d-6214-4810-815c-81c497a0b636

Fråga datamodellen för rapportinsikter

Använd frågetjänsten för att fråga dimensionstabellen audiencemodel.externalaudiencereach. En exempelfråga visas nedan.

SELECT a.ext_custom_audience_id,
       a.approximate_count_upper_bound
FROM   audiencemodel.externalaudiencereach AS a
       LEFT OUTER JOIN audiencemodel.externalaudiencemapping AS b
                    ON ( ( a.ext_custom_audience_id ) =
                         ( b.ext_custom_audience_id ) )
GROUP  BY a.ext_custom_audience_id,
          a.approximate_count_upper_bound
LIMIT  5000 ;

Resultatet i tabellen innehåller ett antal och ett ID.

ext_custom_audience_id | approximate_count_upper_bound
------------------------+-------------------------------
 23850912218170554      |                          1000
 23850808585120554      |                       1012000
 23850808585220554      |                        100000
 23850814978560554      |                          1000
 23850808585180554      |                        421000
 23850814978510554      |                       3001000
 23850814978530554      |                        300000
 23850912218160554      |                        105000
 23850808584990554      |                          1000
 23850809520110554      |                          1000
(10 rows)

Utöka din datamodell med datamodellen Real-Time CDP insights

Du kan utöka målgruppsmodellen med ytterligare information för att skapa en mer omfattande dimensionstabell. Du kan till exempel mappa målgruppsnamnet och målnamnet till den externa publikens identifierare. Det gör du genom att använda frågetjänsten för att skapa eller uppdatera en ny datauppsättning och lägga till den i målgruppsmodellen som kombinerar målgrupper och mål med en extern identitet. Bilden nedan visar konceptet för det här datamodelltillägget.

Skapa dimensionstabeller för att utöka er modell för rapportinsikter

Använd frågetjänsten för att lägga till nyckelbeskrivande attribut från de berikade Real-Time CDP-dimensionsuppsättningarna i datamodellen audienceinsight och upprätta en relation mellan faktatabellen och den nya dimensionstabellen. SQL nedan visar hur du integrerar befintliga dimensionstabeller i datamodellen för rapportinsikter.

CREATE TABLE audienceinsight.audiencemodel.external_seg_dest_map AS
  SELECT ext_custom_audience_id,
         destination_name,
         audience_name,
         destination_status,
         a.destination_id,
         a.audience_id
  FROM   externalaudiencemapping AS a
         LEFT OUTER JOIN adwh_dim_audiences AS b
                      ON ( ( a.audience_id ) = ( b.audience_id ) )
         LEFT OUTER JOIN adwh_dim_destination AS c
                      ON ( ( a.destination_id ) = ( c.destination_id ) );

ALTER TABLE externalaudiencereach  ADD  CONSTRAINT FOREIGN KEY (ext_custom_audience_id) REFERENCES external_seg_dest_map (ext_custom_audience_id) NOT enforced;

Använd kommandot SHOW datagroups; för att bekräfta skapandet av ytterligare external_seg_dest_map-dimensionstabell.

    Database     |     Schema     | GroupType |      ChildType       |                ChildName  | PhysicalParent |               ChildId
-----------------+----------------+-----------+----------------------+----------------------------------------------------+----------------+--------------------------------------
 audienceinsight | audiencemodel | QSACCEL   | Data Warehouse Table | external_seg_dest_map      | true           | 4b4b86b7-2db7-48ee-a67e-4b28cb900810
 audienceinsight | audiencemodel | QSACCEL   | Data Warehouse Table | externalaudiencemapping    | true           | b0302c05-28c3-488b-a048-1c635d88dca9
 audienceinsight | audiencemodel | QSACCEL   | Data Warehouse Table | externalaudiencereach      | true           | 4485c610-7424-4ed6-8317-eed0991b9727

Fråga om datamodell för utökad accelererad butiksrapportering

Nu när datamodellen audienceinsight har utökats kan den läsas. Följande SQL visar en lista över mappade mål och målgrupper.

SELECT a.ext_custom_audience_id,
       b.destination_name,
       b.audience_name,
       b.destination_status,
       b.destination_id,
       b.audience_id
FROM   audiencemodel.externalaudiencereach1 AS a
       LEFT OUTER JOIN audiencemodel.external_seg_dest_map AS b
                    ON ( ( a.ext_custom_audience_id ) = (
                         b.ext_custom_audience_id ) )
LIMIT  25;

Frågan returnerar alla datauppsättningar i det snabblagrade arkivet:

ext_custom_audience_id | destination_name |       audience_name        | destination_status | destination_id | audience_id
------------------------+------------------+---------------------------+--------------------+----------------+-------------
 23850808595110554      | FCA_Test2        | United States             | enabled            |     -605911558 | -1357046572
 23850799115800554      | FCA_Test2        | Born in 1980s             | enabled            |     -605911558 | -1224554872
 23850799115790554      | FCA_Test2        | Born in 1970s             | enabled            |     -605911558 |  1899603869
 23850798177620554      | FCA_Test1        | Billionaires              | enabled            |      321720439 |  1401872665
 23850814978560554      | FCA_Test3        | Canada - Saskatchewan     | enabled            |     1182494936 | -1917996562
 23850808585180554      | FCA_Test3        | United States             | enabled            |     1182494936 | -1357046572
 23850814978530554      | FCA_Test3        | Canada - British Columbia | enabled            |     1182494936 |  -652840507
 23850808585120554      | FCA_Test3        | Canada - Quebec           | enabled            |     1182494936 |  -519557860
 23850809520110554      | FCA_Test3        | Born in 1960s             | enabled            |     1182494936 |   237824266
 23850808585220554      | FCA_Test3        | Western Canada            | enabled            |     1182494936 |  1075937528
 23850808584990554      | FCA_Test3        | Canada - Ontario          | enabled            |     1182494936 |  1593438041
 23850814978510554      | FCA_Test3        | Canada - Alberta          | enabled            |     1182494936 |  1862946783
 23850912218170554      | FCA_Test4        | Canada - Alberta          | enabled            |     1549248886 |  1862946783
 23850912218160554      | FCA_Test4        | Born in 1970s             | enabled            |     1549248886 |  1899603869

Visualisera data med användardefinierade kontrollpaneler

Nu när du har skapat en anpassad datamodell är du redo att visualisera dina data med anpassade frågor och användardefinierade dashboards.

Följande SQL ger en beskrivning av antalet matchningar efter målgrupper i ett mål och en uppdelning av målgrupperna efter målgrupp.

SELECT b.destination_name,
       a.approximate_count_upper_bound,
       b.audience_name
FROM   audiencemodel.externalaudiencereach AS a
       LEFT OUTER JOIN audiencemodel.external_seg_dest_map AS b
                    ON ( ( a.ext_custom_audience_id ) = (
                         b.ext_custom_audience_id ) )
GROUP  BY b.destination_name,
          a.approximate_count_upper_bound,
          b.audience_name
ORDER BY b.destination_name
LIMIT  5000

Bilden nedan visar ett exempel på möjliga anpassade visualiseringar med datamodellen för rapportinsikter.

Din anpassade datamodell finns i listan över tillgängliga datamodeller på den användardefinierade kontrollpanelens arbetsyta. I handboken för användardefinierade kontrollpaneler finns mer information om hur du använder din anpassade datamodell.