8 minuter
style
article-header-section

Adobe Analytics Data Feeds ger flexibel åtkomst till rådata, vilket möjliggör komplexa åtgärder och integrering med andra källor. De kompletterar verktyg som Adobe Analysis Workspace genom att fylla i analysgapen. I Data Feeds lagras varje serveranrop som en rad som levereras i omgångar och som innehåller viktiga mätvärden. Sammanslagna tabeller och globala filter hjälper till att effektivisera analyserna och säkerställa konsekvens. Den här guiden presenterar deras potential och uppmuntrar till experimenterande.

Introduktion

Data Feeds är ett kraftfullt sätt att utnyttja detaljerade rådata som ni samlar in med Adobe. Genom att mata in det i en databas skapas ett oändligt antal intressanta användningsfall, bland annat:

Data Feeds bör inte vara det enda sättet att analysera Adobe Analytics-data, men det kan användas för att fylla i de luckor som Adobe Analysis Workspace, Data Warehouse och Report Builder kan lämna. Tänk på Data Feeds som ett av många verktyg i din Adobe Analytics-verktygslåda!

Data Feeds jämfört med andra Adobe Analytics-verktyg:
Användningsfall
Workspace
Data Warehouse
Dataflöden
Allmän prestandarapportering
Bäst
Möjligt
Möjligt
Koppla samman SSOT-data med webbanalyser och använda BI-verktyg (t.ex. beställningar från SSOT-finanskällor jämfört med besök från Adobe)
Svårt
Möjligt
Möjligt
Ändra definitioner för eVars för varaktighet och attribueringsmetoder
Möjligt
Inte möjligt
Möjligt
Utnyttja modellering utanför Workspace
Svårt
Möjligt
Möjligt

Obs! Den här spelboken går inte igenom hur ni importerar dataflöden till en databas. Den förutsätter att dataflödena redan är lättillgängliga för frågor.

Om Data Feeds
Vad är Data Feeds?

Alla Adobe Analytics-serveranrop lagras som en rad i ett dataflöde. Ett separat dataflöde måste skapas för varje rapportsvit. Data levereras varje timme i omgångar eller varje dag vid dagens slut.

Formaten för rådataflödena förblir desamma i varje implementering. En omfattande lista över alla tillgängliga kolumner finns här: https://experienceleague.adobe.com/sv/docs/analytics/export/analytics-data-feed/data-feed-contents/datafeeds-reference. I det här avsnittet av spelboken kommer vi att lyfta fram några viktiga kolumner.

Förekomst (träff), besök och besökaridentifierare

Om ni vill replikera OOTB-förekomster, besök och unika besökare behöver ni en kombination av fyra kolumner: post_visid_high, post_visid_low, visit_num och visit_page_num

Här är SQL-startkod för att få antal besökare, besök och förekomster:

SELECT
COUNT(DISTINCT CONCAT(POST_VISID_HIGH, POST_VISID_LOW)) AS VISITORS,
COUNT(DISTINCT CONCAT(POST_VISID_HIGH, POST_VISID_LOW, VISIT_NUM)) AS VISITS,
COUNT(DISTINCT CONCAT(POST_VISID_HIGH, POST_VISID_LOW, VISIT_NUM, VISIT_PAGE_NUM)) AS OCCURRENCES
FROM DATA_FEEDS
WHERE HIT_SOURCE = '1' AND EXCLUDE_HIT = '0'

TIPS: I Adobe Workspace motsvarar dimensionen ”Visit Depth” Data Feed-kolumnen visit_num. Dimensionen ”Hit Depth” i Workspace motsvarar Data Feed-kolumnen visit_page_num.

Anmärkningar om visit_page_num-kolumnen:

TIPS: Om ni vill se exakt vilka åtgärder en användare har utfört kan ni välja ett besöks-ID, ordna det efter visit_num och sedan efter visit_page_num för att få åtgärderna i träffordning. Det är praktiskt när ni felsöker kundresor – testa det på era egna åtgärder när ni navigerar digitala innehav!

eVars och props

Varje eVar och prop har en särskild kolumn i dataflödet, oavsett om de är aktiverade eller innehåller data. Det finns också separata kolumner för både förbearbetade värden och efterbearbetade värden. I den efterbearbetade kolumnen används eVar-attribuering och förfallotidslogik.

Använd det här flödesdiagrammet för information om när bearbetningen sker: https://experienceleague.adobe.com/docs/analytics/technotes/processing-order.html?lang=sv

Totalt kommer det att finnas 500 kolumner med eVars (dvs. 2 uppsättningar med 250 möjliga eVars som kan skapas för en implementering) och 150 kolumner med props (dvs. 2 uppsättningar med 75 möjliga props som kan ställas in).

TIPS: Har du någonsin önskat att den eVar du hämtade hade egenskaperna hos en prop? eVar-kolumnerna som inte efterbearbetas fungerar som en prop. Om inte eVar-attribuering eller beständighetslogik används kan du använda kolumner utan efterbearbetning för att filtrera efter analysträffar där din eVar måste finnas – precis som en prop!

Segment och beräknade mätvärden

Segment, anpassade beräknade mätvärden och Adobes färdiga mätvärden måste definieras. Se Adobe tekniska dokumentation angående OOTB-mätvärden och segment.

Logiken för att replikera vissa vanliga mätvärden finns här: https://experienceleague.adobe.com/sv/docs/analytics/export/analytics-data-feed/data-feed-contents/datafeeds-calculate

I nästa avsnitt finns ett kodexempel för att replikera Adobes OOTB-studsmätvärde. Ett kommande inlägg på Experience League kommer att innehålla fler exempel på hur segment och mätvärden kan återskapas med Data Feeds.

Fråga Data Feeds
Grunderna

Vår första fråga räknar besöken för en viss dag och utesluter onödiga träffar.

SELECT
COUNT(DISTINCT CONCAT (POST_VISID_HIGH, POST_VISID_LOW, VISIT_NUM)) AS VISITS
FROM DATA_FEEDS
WHERE HIT_SOURCE = '1' AND EXCLUDE_HIT = '0'

Därefter räknar vi besöken på alla ingångssidor.

WITH MIN_VISIT_PAGE_NUM_TABLE AS (
SELECT 
POST_VISID_HIGH, 
POST_VISID_LOW,
VISIT_NUM,
MIN(VISIT_PAGE_NUM) AS MIN_VISIT_PAGE_NUM
FROM DATA_FEEDS
WHERE HIT_SOURCE = '1' AND EXCLUDE_HIT = '0'
GROUP BY 1,2,3)

SELECT
PAGE_NAME,
COUNT(DISTINCT A.VISIT_ID) AS ENTRIES
FROM DATA_FEEDS A
LEFT JOIN MIN_VISIT_PAGE_NUM_TABLE B
ON A.POST_VISID_HIGH = B.POST_VISID_HIGH
AND A.POST_VISID_LOW = B.POST_VISID_LOW
AND A.VISIT_NUM = B.VISIT_NUM
AND A.VISIT_PAGE_NUM = B.MIN_VISIT_PAGE_NUM
WHERE HIT_SOURCE = '1' AND EXCLUDE_HIT = '0'
GROUP BY 1

TIPS: Om du vill replikera ovanstående för avslut ska du söka efter MAX visit_page_num i stället för min.

Slutligen kommer vi att återskapa OOTB-studsmätvärdet.

WITH MAX_VISIT_PAGE_NUM_TABLE AS (
SELECT 
POST_VISID_HIGH, 
POST_VISID_LOW,
VISIT_NUM,
MAX(VISIT_PAGE_NUM) AS MAX_VISIT_PAGE_NUM
FROM DATA_FEEDS
WHERE HIT_SOURCE = '1' AND EXCLUDE_HIT = '0'
GROUP BY 1,2,3),

MIN_VISIT_PAGE_NUM_TABLE AS (
SELECT 
POST_VISID_HIGH, 
POST_VISID_LOW,
VISIT_NUM,
MIN(VISIT_PAGE_NUM) AS MIN_VISIT_PAGE_NUM
FROM DATA_FEEDS
WHERE HIT_SOURCE = '1' AND EXCLUDE_HIT = '0'
GROUP BY 1,2,3)
SELECT
COUNT(DISTINCT A.VISIT_ID) AS BOUNCES
FROM MAX_VISIT_PAGE_NUM A
LEFT JOIN MIN_VISIT_PAGE_NUM_TABLE B
ON A.POST_VISID_HIGH = B.POST_VISID_HIGH
AND A.POST_VISID_LOW = B.POST_VISID_LOW
AND A.VISIT_NUM = B.VISIT_NUM
WHERE A.MAX_VISIT_PAGE_NUM = B.MIN_VISIT_PAGE_NUM
Data Feed-strategi
Skapa aggregerade tabeller

Det kan vara bra att skapa aggregerade vyer av rådataflödet. Några fördelar:

De typer av aggregerade tabeller som behövs beror på respektive organisation och era intressenter, men här är några exempel som hjälper er att komma igång:

Tänk på hur slutanvändare måste koppla ihop dessa tabeller för att få önskat resultat. Det kan till exempel vara enklast att inkludera post_visid_high, post_visid_low, visit_num och visit_page_num i alla aggregerade tabeller så att de kan kopplas på olika granularitetsnivåer.

Globala filter

Vissa organisationer tillämpar globala filter på alla rapporter (t.ex. för att utesluta robotar, ta bort bedräglig trafik osv.). Överväg att skapa en aggregerad tabell som replikerar det här filtret och koppla det till alla frågor mot rådataflödet.

Med en centraliserad tabell slipper man underhålla filterlogiken när den ändras över tiden.

Diskrepansövervakning med Workspace

När ni börjar använda Data Feed kan ni snabbt räkna antalet besök per dag och se till att varje dag motsvarar Workspace. Även om ert dataflöde är aktiverat kan det finnas luckor på den interna datatekniksidan för att bearbeta filerna eller så kanske Adobe inte har skickat dem.

Oavsett vilket, så är det praktiskt att ställa in regelbundna valideringar så att Workspace fortsätter att följa matcha era dataflöden och eventuella aggregerade tabeller.

Slutsats

Att lära sig Adobe Data Feeds kan kännas överväldigande. Men när ni väl har fått grepp om det finns det oändliga möjligheter att anpassa era data och hantera specifika användningsfall.

Den här artikeln lägger grunden för att förstå dessa flöden, men den skrapar bara på ytan. Håll dig uppdaterad med fler Experience League-artiklar som hjälper dig att dyka djupare in i dessa omfattande data!

Fler resurser
style
article-content-section