8 分钟
style
article-header-section

通过 Adobe Analytics 数据馈送能够灵活地访问原始数据，支持复杂的操作以及与其他数据源的集成。它们通过填补分析空白，对 Adobe Analysis Workspace 等工具起到了补充作用。数据馈送会按行存储每次服务器调用，分批次发送，并包含关键量度。汇总表和全局筛选有助于简化分析并确保一致性。本指南介绍其潜在用途，并为进一步探索奠定基础。

简介

数据馈送是一种获取通过 Adobe 收集的原始、细粒度数据的强有力方法。将这些数据引入数据库后，能创建无数有趣的用例，包括：

虽然数据馈送不应成为分析 Adobe Analytics 数据的唯一方法，但它可用于填补 Adobe Analysis Workspace、Data Warehouse 或 Report Builder 可能遗留的缺口。可以将数据馈送视为 Adobe Analytics 工具包中的众多工具之一！

数据馈送与其他 Adobe Analytics 工具的比较：
用例
工作区
Data Warehouse
数据馈送
一般绩效报告
最佳
可能
可能
将 SSOT 数据与网站分析相结合，并引入 BI 工具中（例如，将来自 SSOT 财务来源的订单数据与来自 Adobe 的访问量数据进行对比）
困难
可能
可能
根据持久性和归因方法更改 eVar 的定义
可能
不可能
可能
利用 Workspace 之外的建模
困难
可能
可能

注意：本战术手册不会介绍如何将数据馈送导入到数据库中。我们假定数据馈送已经可便捷地访问以用于查询。

了解数据馈送
什么是数据馈送？

每次 Adobe Analytics 服务器调用都会在数据馈送中存储为一行。每个报告包都需要设置一个单独的数据馈送。数据在每小时过后以小时为单位分批发送，或者在每天结束时以天为单位分批发送。

在每个实施中，原始数据馈送的格式保持不变。此处为所有可用列的完整列表：https://experienceleague.adobe.com/zh-hans/docs/analytics/export/analytics-data-feed/data-feed-contents/datafeeds-reference。战术手册的这一部分将重点介绍几个重要的列。

发生次数（点击）、访问和访客标识符

若要重现现成的发生次数、访问和独特访客，需要综合使用四列：post_visid_high、post_visid_low、visit_num 和 visit_page_num

以下是用于获取访客数、访问次数和发生次数的 SQL 入门代码：

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'

提示： 在 Adobe Workspace 中，“访问深度”维度等同于数据馈送中的 visit_num 列。Workspace 中的“点击深度”维度等同于数据馈送中的 visit_page_num 列。

关于 visit_page_num 列的说明：

提示： 如果要查看用户执行的具体操作，可以选择一个访客 Id，按 visit_num 排序，然后按 visit_page_num 排序，这样就能逐个点击地重现其操作。这在调试客户历程时非常有用——您可以在浏览自己的数字资产时，通过自己的操作来测试一下！

eVar 和 prop

每个 eVar 和 prop 在数据馈送中都有一个专门的列，无论它是否已启用或已填充数据。对于预处理值和后处理值也分别有单独的列。后处理列将应用 eVar 归因和过期逻辑。

请参阅此流程图，了解何时进行处理：https://experienceleague.adobe.com/docs/analytics/technotes/processing-order.html?lang=zh-CN

总共将有 500 列 eVar（即，一次实施中可以创建 2 组，每组 250 个可能的 eVar）和 150 列 prop（即，一次实施中可以设置 2 组，每组 75 个可能的 prop）。

提示： 是否希望所捕获的 eVar 具有 prop 的属性？未经过后处理的 eVar 列的行为与 prop 类似。没有应用 eVar 归因或持久性逻辑时，可使用未经过后处理的列来筛选必须包含该 eVar 的分析点击，这与使用 prop 完全相同！

区段和计算量度

区段、自定义计算量度以及 Adobe 的现成量度都需要进行自定义。有关现成的量度和区段，请参阅 Adobe 的技术文档。

在此处可找到复制某些常用量度的逻辑：https://experienceleague.adobe.com/zh-hans/docs/analytics/export/analytics-data-feed/data-feed-contents/datafeeds-calculate

下一部分提供了示例代码，以重现 Adobe 的现成跳出率量度作为示例。一篇即将发布的 Experience League 文章会提供更多示例，介绍如何利用数据馈送重新创建区段和量度。

查询数据馈送
基础知识

我们的第一个查询将统计特定日期的访问量，同时排除任何不必要的点击。

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'

接下来，我们将按登入页面统计访问量。

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

提示： 若要重现上述退出情况，请找出 visit_page_num 的最大值，而不是最小值。

最后，我们将重现现成的跳出率量度。

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
数据馈送策略
构建汇总表

构建原始数据馈送的汇总视图可能会很有用。其优势包括：

所需的汇总表类型取决于每个组织及其利益相关者，但以下是一些帮助您入门的示例：

请记住，最终用户需要结合这些表才能获得所需的结果。例如，最简单的方法可能是让每个汇总表都包含 post_visid_high、post_visid_low、visit_num 和 visit_page_num，这样您就能在任何粒度级别进行结合。

全局筛选器

一些组织会为所有报告应用全局筛选器（例如，用于排除机器人、欺诈性流量等）。可以考虑创建一个汇总表来重现此过滤器，并将其与针对原始数据馈送的任何查询结合起来。

拥有集中式表格就无需随着时间推移和变化而不断维护此筛选逻辑。

借助 Workspace 进行差异监测

在开始使用数据馈送时，请按日快速统计访问量，并确保每日数据与 Workspace 数据一致虽然您的数据馈送已启用，但内部数据工程部门在处理文件时可能存在疏漏，或者 Adobe 可能未发送某些文件。

无论如何，设置定期验证很有必要，可确保 Workspace 中的数据与您的数据馈送和任何汇总表始终保持一致。

结论

处理 Adobe 数据馈送可能像是一个艰巨的任务。但是，一旦您掌握了这些方法，就有无限的可能来定制数据以满足特定用例的需要。

本文为理解这些数据馈送奠定了基础，但仅仅是触及皮毛。请继续关注 Experience League 上的更多文章，以帮助您深入了解这些丰富数据！

其他资源
style
article-content-section