تطبیق داده های ارائه شده توسط کاربر

بررسی اجمالی

UPDM (تطابق داده‌های ارائه‌شده توسط کاربر) به داده‌های شخص اولی که درباره یک کاربر جمع‌آوری کرده‌اید - مانند اطلاعات از وب‌سایت‌ها، برنامه‌ها یا فروشگاه‌های فیزیکی خود - با فعالیت ورود به سیستم همان کاربر در داده‌های تبلیغات Google ، به استثنای Google، می‌پیوندد. پلتفرم بازاریابی برای واجد شرایط بودن برای مطابقت داده‌های ارائه‌شده توسط کاربر، رویداد تبلیغاتی باید به کاربر واردشده در داده‌های آگهی Google پیوند داده شود.

تطبیق داده های ارائه شده توسط کاربر مزایای منحصر به فردی را نسبت به سایر اشکال تطبیق مشتری ارائه می دهد. تطبیق داده های ارائه شده توسط کاربر:

  • نسبت به داده های شخص ثالث در برابر تغییرات صنعت مقاوم تر است
  • تحت تأثیر استهلاک آتی کوکی‌های شخص ثالث قرار نمی‌گیرد، زیرا تطابق داده‌های ارائه‌شده توسط کاربر فقط در موجودی متعلق به Google و برای کاربرانی که به سیستم وارد شده‌اند در دسترس است.
  • می تواند تجربیات مشتری مرتبط تری را ارائه دهد، که اغلب منجر به تعامل بیشتر مشتری می شود
  • بینش های غنی تری به مشتری ارائه می دهد

خلاصه فرآیند

پس از فعال کردن تطابق داده های ارائه شده توسط کاربر در حساب خود، دو مرحله برای استفاده مداوم از این ویژگی وجود دارد:

  1. انتقال داده شخص اول به Ads Data Hub
    • شما داده های شخص اول خود را در مجموعه داده BigQuery خود قالب بندی و آپلود می کنید. می‌توانید از هر مجموعه داده BigQuery که مالک آن هستید، به غیر از پروژه مدیریت خود استفاده کنید.
    • شما یک درخواست تطبیق داده را با ایجاد یک اتصال و زمان‌بندی واردات آغاز می‌کنید.
    • Google داده‌ها را بین پروژه شما و داده‌های متعلق به Google شامل شناسه کاربری Google و داده‌های ارائه‌شده توسط کاربر هش‌شده برای ساخت و به‌روزرسانی جداول *_match .
  2. جستارهای در حال انجام در Ads Data Hub، بر اساس داده های منطبق
    • شما پرس و جوها را در برابر جداول *_match اجرا می کنید به همان روشی که پرس و جوهای معمولی را در Ads Data Hub اجرا می کنید.

پروژه های منبع داده و مقصد

برای اتصالات باید از دو پروژه Google Cloud مختلف استفاده کنید: پروژه منبع داده و پروژه مقصد.

  • منبع داده: این پروژه حاوی داده های تبلیغاتی اختصاصی شما در قالب خام است.
  • مقصد: این مجموعه داده BigQuery است که Ads Data Hub روی آن می نویسد. به طور پیش فرض، این پروژه مدیریت شما است. برای تغییر آن به Google Cloud Project دیگر، به پیکربندی حساب‌های سرویس مراجعه کنید.

محدودیت های حریم خصوصی

جمع آوری داده های مشتری

هنگام استفاده از تطابق داده های ارائه شده توسط کاربر، باید داده های شخص اول را آپلود کنید. این می‌تواند اطلاعاتی باشد که از وب‌سایت‌ها، برنامه‌ها، فروشگاه‌های فیزیکی یا هر اطلاعاتی که مشتری مستقیماً با شما به اشتراک گذاشته است جمع‌آوری کرده‌اید.

اندازه داده ها

برای محافظت از حریم خصوصی کاربر نهایی، تطبیق داده های ارائه شده توسط کاربر این الزامات را در مورد اندازه داده های شما اعمال می کند:

  • شما باید حداقل 1000 رکورد را در لیست کاربران خود آپلود کنید.
  • هر به‌روزرسانی موفقیت‌آمیز جدول مطابقت شما باید شامل حداقل تعداد کاربرانی باشد که به تازگی مطابقت داده شده‌اند. این رفتار شبیه به بررسی تفاوت است.
  • لیست شما نباید از حداکثر تعداد رکوردها تجاوز کند. برای اطلاع از حداکثر محدودیت داده، با نماینده Google خود تماس بگیرید.

تب Connections را فعال کنید

قبل از شروع، حساب Ads Data Hub خود را پیکربندی کنید تا برگه Connections را فعال کند، جایی که خط لوله تطبیق داده خود را ایجاد خواهید کرد. فقط یک بار باید این مراحل را انجام دهید.

  1. نماینده Google خود را ارسال کنید:
    1. شناسه حساب Ads Data Hub که برای تطبیق داده‌های ارائه‌شده توسط کاربر استفاده می‌کنید.
    2. آدرس ایمیل ابرکاربر که به پروژه مقصد شما دسترسی دارد.
    3. با نماینده Google خود تأیید کنید که حساب و کاربر فوق العاده در لیست مجاز هستند.

  2. Ads Data Connector API را در پروژه Google Cloud تعیین‌شده فعال کنید. به طور پیش فرض، این پروژه مدیریت شما است. برای استفاده از پروژه دیگری، این مراحل را با پروژه جایگزین Google Cloud به عنوان پروژه منبع داده دنبال کنید. این مراحل باید در حالی انجام شوند که به عنوان ابرکاربر لیست مجاز وارد شده باشید.

    1. به کتابخانه Cloud Console API بروید.
    2. پروژه منبع داده خود را از لیست انتخاب کنید.
    3. «Ads Data Connector API» را جستجو کنید. اگر Ads Data Connector API در نتایج جستجو نشان داده نشود، ممکن است نشان دهد که حساب Google وارد شده، ابرکاربری نیست که در لیست مجاز قرار گرفته است.
    4. در صفحه API، روی ENABLE کلیک کنید.
    5. با نماینده Google خود تأیید کنید که API فعال است.

  3. نماینده Google شما سه آدرس ایمیل برای شما ارسال می کند که به عنوان حساب های خدمات Datafusion ، Dataproc و UPDM تعیین شده اند.

    یک بخش اتصالات جدید نیز در حساب Ads Data Hub شما ظاهر می‌شود که حاوی برگه‌هایی به نام Your 1P data و Data matching است. با موارد استفاده برای هر برگه آشنا شوید.

  4. مجوزهای مناسب را به حساب های سرویس اعطا کنید. برای توضیح حساب‌های خدمات مختلف و مجوزهای مورد نیاز آنها، منبع داده خود را در جدول انتخاب کنید:

    BigQuery

    حساب سرویس Datafusion
    هدف حساب سرویس datafusion برای نمایش لیستی از فیلدهای منبع در Ads Data Hub UI استفاده می شود.
    قالب service- some-number @gcp-sa-datafusion.iam.gserviceaccount.com
    دسترسی مورد نیاز
    BigQuery Data Viewer
    roles/bigquery.dataViewer
    		 برای مجموعه داده های خاص در پروژه های منبع داده و مقصد
    Storage Admin
    roles/storage.admin
    		 برای پروژه منبع داده یا یک سطل ذخیره سازی اختصاصی
    حساب سرویس Dataproc
    هدف حساب سرویس dataproc مسئول اجرای خطوط لوله داده در پس زمینه است.
    قالب some-number -compute@developer.gserviceaccount.com
    دسترسی مورد نیاز
    BigQuery Data Viewer
    roles/bigquery.dataViewer
    		 برای مجموعه داده های خاص در پروژه های منبع داده و مقصد
    BigQuery Data Editor
    roles/bigquery.dataEditor
    		 برای مجموعه داده های خاص در پروژه مقصد
    BigQuery Job User
    roles/bigquery.jobUser
    		 برای هر دو پروژه منبع داده و مقصد
    Storage Admin
    roles/storage.admin
    		 برای هر دو پروژه منبع داده و مقصد ، یا یک سطل ذخیره سازی اختصاصی
    حساب سرویس UPDM
    هدف حساب سرویس UPDM برای اجرای کار منطبق استفاده می شود.
    قالب service- some-number @gcp-sa-adsdataconnector.iam.gserviceaccount.com
    دسترسی مورد نیاز
    BigQuery Data Viewer
    roles/bigquery.dataViewer
    		 برای پروژه مقصد
    BigQuery Job User
    roles/bigquery.jobUser
    		 برای پروژه مقصد

    فضای ذخیره ابری

    حساب سرویس Datafusion
    هدف حساب سرویس datafusion برای نمایش لیستی از فیلدهای منبع در Ads Data Hub UI استفاده می شود.
    قالب service- some-number @gcp-sa-datafusion.iam.gserviceaccount.com
    دسترسی مورد نیاز
    Storage Object Viewer
    roles/storage.objectViewer
    		 برای سطل های ذخیره سازی خاص در پروژه منبع داده
    BigQuery Data Viewer
    roles/bigquery.dataViewer
    		 برای پروژه منبع داده یا یک سطل ذخیره سازی اختصاصی
    Storage Admin
    roles/storage.admin
    		 برای پروژه منبع داده یا یک سطل ذخیره سازی اختصاصی
    حساب سرویس Dataproc
    هدف حساب سرویس dataproc مسئول اجرای خطوط لوله داده در پس زمینه است.
    قالب some-number -compute@developer.gserviceaccount.com
    دسترسی مورد نیاز
    Storage Admin
    roles/storage.admin
    		 برای هر دو پروژه منبع داده و مقصد ، یا یک سطل ذخیره سازی اختصاصی
    BigQuery Job User
    roles/bigquery.jobUser
    		 برای پروژه مقصد
    حساب سرویس UPDM
    هدف حساب سرویس UPDM برای اجرای کار منطبق استفاده می شود.
    قالب service- some-number @gcp-sa-adsdataconnector.iam.gserviceaccount.com
    دسترسی مورد نیاز
    BigQuery Data Viewer
    roles/bigquery.dataViewer
    		 برای پروژه مقصد
    BigQuery Job User
    roles/bigquery.jobUser
    		 برای پروژه مقصد

    نیروی فروش

    به زودی

داده های شخص اول را دریافت کنید

فرمت داده ها برای ورودی

داده های شما باید به این الزامات قالب بندی مطابقت داشته باشند تا به درستی مطابقت داشته باشند:

  • در جایی که مشخص شده است، باید با استفاده از هش SHA256 که به عنوان رشته Base16 رمزگذاری شده است، آپلود کنید. در حالی که UPDM از Base64 پشتیبانی می کند، این با دستورالعمل های Google Ads Customer Match متفاوت است.
  • فیلدهای ورودی باید به صورت رشته ای قالب بندی شوند. اگر از تابع هش SHA256 BigQuery و تابع رمزگذاری Base16 ( TO_HEX ) استفاده می‌کنید، از تبدیل زیر استفاده کنید: TO_HEX(SHA256(user_data)) .

شناسه کاربر

  • متن ساده
  • هش کردن: ندارد

پست الکترونیک

  • فضای خالی را بردارید
  • حروف کوچک همه کاراکترها
  • یک نام دامنه برای همه آدرس‌های ایمیل، مانند gmail.com یا hotmail.co.jp درج کنید
  • لهجه ها را حذف کنید - برای مثال، è، é، ê، یا ë را به e تغییر دهید
  • هش کردن: Base16 با کد SHA256

معتبر: TO_HEX(SHA256("jeffersonloveshiking@gmail.com"))

نامعتبر: TO_HEX(SHA256("JéffersonLôvesHiking@gmail.com"))

تلفن

  • فضای خالی را بردارید
  • قالب در فرمت E.164—به عنوان مثال، US +14155552671، UK +442071838750)
  • شامل کد کشور (از جمله ایالات متحده)
  • همه کاراکترهای خاص به جز "+" قبل از کد کشور را حذف کنید
  • هش کردن: Base16 با کد SHA256

معتبر: TO_HEX(SHA256("+18005550101"))

نامعتبر: TO_HEX(SHA256("(800) 555-0101"))

نام کوچک

  • فضای خالی را بردارید
  • حروف کوچک همه کاراکترها
  • تمام پیشوندها مانند Mrs را حذف کنید.
  • لهجه‌ها را حذف نکنید - برای مثال، è، é، ê یا ë
  • هش کردن: Base16 با کد SHA256

معتبر: TO_HEX(SHA256("daní"))

نامعتبر: TO_HEX(SHA256("Daní"))

نام خانوادگی

  • فضای خالی را بردارید
  • حروف کوچک همه کاراکترها
  • تمام پیشوندها مانند Jr را حذف کنید.
  • لهجه‌ها را حذف نکنید - برای مثال، è، é، ê یا ë
  • هش کردن: Base16 با کد SHA256

معتبر: TO_HEX(SHA256("delacruz"))

نامعتبر: TO_HEX(SHA256("de la Cruz, Jr."))

کشور

  • حتی اگر تمام اطلاعات مشتری شما از یک کشور باشد، کد کشور را وارد کنید
  • داده های کشور را هش نکنید
  • از کدهای کشور ISO 3166-1 alpha-2 استفاده کنید
  • هش کردن: ندارد

معتبر: US

نامعتبر: United States of America یا USA

کد پستی

  • داده های کد پستی را هش نکنید
  • کد پستی و پستی ایالات متحده و بین المللی مجاز است
  • برای ما:
    • کدهای 5 رقمی مجاز هستند - به عنوان مثال، 94043
    • 5 رقم به دنبال پسوند 4 رقمی نیز مجاز است - برای مثال، 94043-1351 یا 940431351
  • برای همه کشورهای دیگر:
    • بدون نیاز به قالب بندی (بدون نیاز به حروف کوچک یا حذف فاصله و کاراکترهای خاص)
    • پسوند کد پستی را کنار بگذارید
  • هش کردن: ندارد

اعتبار سنجی هش و رمزگذاری داده ها

می‌توانید از اسکریپت‌های اعتبارسنجی هش زیر استفاده کنید تا مطمئن شوید که داده‌هایتان به درستی قالب‌بندی شده‌اند.

جاوا اسکریپت

پایه 16

/**
 * @fileoverview Provides the hashing algorithm for User-Provided Data Match, as
 * well as some valid hashes of sample data for testing.
*/

async function hash(token) {
  const formattedToken = token.trim().toLowerCase();
  const hashArrayBuffer = await crypto.subtle.digest(
      'SHA-256', (new TextEncoder()).encode(formattedToken));
  return Array.from(new Uint8Array(hashArrayBuffer))
      .map((b) => b.toString(16).padStart(2, '0'))
      .join('');
}

function main() {
  // Expected hash for test@gmail.com:
  // 87924606b4131a8aceeeae8868531fbb9712aaa07a5d3a756b26ce0f5d6ca674
  hash('test@gmail.com').then(result => console.log(result));

  // Expected hash for +18005551212:
  // 61d9111bed3e6d9cfc1bc3b5cb35a402687c4f1546bee061a2bd444fbdd64c44
  hash('+18005551212').then(result => console.log(result));

  // Expected hash for John:
  // 96d9632f363564cc3032521409cf22a852f2032eec099ed5967c0d000cec607a
  hash('John').then(result => console.log(result));

  // Expected hash for Doe:
  // 799ef92a11af918e3fb741df42934f3b568ed2d93ac1df74f1b8d41a27932a6f
  hash('Doe').then(result => console.log(result));
}

main()

پایه 64

/**
 * @fileoverview Provides the hashing algorithm, as well as some valid hashes of
 * sample data for testing.
*/

async function hash(token) {
  const formattedToken = token.trim().toLowerCase();
  const hashBuffer = await crypto.subtle.digest(
      'SHA-256', (new TextEncoder()).encode(formattedToken));
  const base64Str = btoa(String.fromCharCode(...new Uint8Array(hashBuffer)));
  return base64Str;
}

function main() {
  // Expected hash for test@gmail.com:
  // h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
  hash('test@gmail.com').then(result => console.log(result));

  // Expected hash for +18005551212:
  // YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
  hash('+18005551212').then(result => console.log(result));

  // Expected hash for John: ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
  hash('John').then(result => console.log(result));

  // Expected hash for Doe: eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
  hash('Doe').then(result => console.log(result));
}

main()

پایتون

پایه 16

"""Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

Supports: Python 2, Python 3

Sample hashes:

  - Email 'test@gmail.com': 87924606b4131a8aceeeae8868531fbb9712aaa07a5d3a756b26ce0f5d6ca674
  - Phone '+18005551212':   61d9111bed3e6d9cfc1bc3b5cb35a402687c4f1546bee061a2bd444fbdd64c44
  - First name 'John':      96d9632f363564cc3032521409cf22a852f2032eec099ed5967c0d000cec607a
  - Last name 'Doe':        799ef92a11af918e3fb741df42934f3b568ed2d93ac1df74f1b8d41a27932a6f
"""

import base64
import hashlib

def updm_hash(token):
  return hashlib.sha256(token.strip().lower().encode('utf-8')).hexdigest()

def print_updm_hash(token):
  print('Hash: "{}"\t(Token: {})'.format(updm_hash(token), token))

def main():
  print_updm_hash('test@gmail.com')
  print_updm_hash('+18005551212')
  print_updm_hash('John')
  print_updm_hash('Doe')

if __name__ == '__main__':
  main()

پایه 64

"""Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

Supports: Python 2, Python 3

Sample hashes:

  - Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
  - Phone '+18005551212':   YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
  - First name 'John':      ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
  - Last name 'Doe':        eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
"""

import base64
import hashlib

def hash(token):
  return base64.b64encode(
      hashlib.sha256(
          token.strip().lower().encode('utf-8')).digest()).decode('utf-8')

def print_hash(token, expected=None):
  hashed = hash(token)

  if expected is not None and hashed != expected:
    print(
        'ERROR: Incorrect hash for token "{}". Expected "{}", got "{}"'.format(
            token, expected, hashed))
    return

  print('Hash: "{}"\t(Token: {})'.format(hashed, token))

def main():
  print_hash(
      'test@gmail.com', expected='h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=')
  print_hash(
      '+18005551212', expected='YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=')
  print_hash('John', expected='ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=')
  print_hash('Doe', expected='eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=')

if __name__ == '__main__':
  main()

برو

پایه 16

/*
Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

Sample hashes:

  - Email 'test@gmail.com': 87924606b4131a8aceeeae8868531fbb9712aaa07a5d3a756b26ce0f5d6ca674
  - Phone '+18005551212':   61d9111bed3e6d9cfc1bc3b5cb35a402687c4f1546bee061a2bd444fbdd64c44
  - First name 'John':      96d9632f363564cc3032521409cf22a852f2032eec099ed5967c0d000cec607a
  - Last name 'Doe':        799ef92a11af918e3fb741df42934f3b568ed2d93ac1df74f1b8d41a27932a6f
*/
package main

import (
  "crypto/sha256"
  "fmt"
  "strings"
)

// Hash hashes an email, phone, first name, or last name into the correct format.
func Hash(token string) string {
  formatted := strings.TrimSpace(strings.ToLower(token))
  hashed := sha256.Sum256([]byte(formatted))
  encoded := fmt.Sprintf("%x", hashed[:])
  return encoded
}

// PrintHash prints the hash for a token.
func PrintHash(token string) {
  fmt.Printf("Hash: \"%s\"\t(Token: %s)\n", Hash(token), token)

}

func main() {
  PrintHash("test@gmail.com")
  PrintHash("+18005551212")
  PrintHash("John")
  PrintHash("Doe")
}

پایه 64

/*
Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

Sample hashes:

  - Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
  - Phone '+18005551212':   YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
  - First name 'John':      ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
  - Last name 'Doe':        eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
*/
package main

import (
  "crypto/sha256"
  "encoding/base64"
  "fmt"
  "strings"
)

// Hash hashes an email, phone, first name, or last name into the correct format.
func Hash(token string) string {
  formatted := strings.TrimSpace(strings.ToLower(token))
  hashed := sha256.Sum256([]byte(formatted))
  encoded := base64.StdEncoding.EncodeToString(hashed[:])
  return encoded
}

// PrintHash prints the hash for a token.
func PrintHash(token string) {
  fmt.Printf("Hash: \"%s\"\t(Token: %s)\n", Hash(token), token)

}

func main() {
  PrintHash("test@gmail.com")
  PrintHash("+18005551212")
  PrintHash("John")
  PrintHash("Doe")
}

جاوا

پایه 16

package updm.hashing;

import static java.nio.charset.StandardCharsets.UTF_8;

import com.google.common.base.Ascii;
import com.google.common.hash.Hashing;

/**
 * Example of the UPDM hashing algorithm using hex-encoded SHA-256.
*
* <p>This uses the Guava Hashing to generate the hash: https://github.com/google/guava
*
* <p>Sample valid hashes:
*
* <ul>
*   <li>Email "test@gmail.com": "87924606b4131a8aceeeae8868531fbb9712aaa07a5d3a756b26ce0f5d6ca674"
*   <li>Phone "+18005551212": "61d9111bed3e6d9cfc1bc3b5cb35a402687c4f1546bee061a2bd444fbdd64c44"
*   <li>First name "John": "96d9632f363564cc3032521409cf22a852f2032eec099ed5967c0d000cec607a"
*   <li>Last name "Doe": "799ef92a11af918e3fb741df42934f3b568ed2d93ac1df74f1b8d41a27932a6f"
* </ul>
*/
public final class HashExample {

  private HashExample() {}

  public static String hash(String token) {
    String formattedToken = Ascii.toLowerCase(token).strip();
    return Hashing.sha256().hashString(formattedToken, UTF_8).toString();
  }

  public static void printHash(String token) {
    System.out.printf("Hash: \"%s\"\t(Token: %s)\n", hash(token), token);
  }

  public static void main(String[] args) {
    printHash("test@gmail.com");
    printHash("+18005551212");
    printHash("John");
    printHash("Doe");
  }
}

پایه 64

package updm.hashing;

import static java.nio.charset.StandardCharsets.UTF_8;

import java.security.MessageDigest;
import java.security.NoSuchAlgorithmException;
import java.util.Base64;

/**
* Example of the hashing algorithm.
*
* <p>Sample hashes:
*
* <ul>
*   <li>Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
*   <li>Phone '+18005551212': YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
*   <li>First name 'John': ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
*   <li>Last name 'Doe': eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
* </ul>
*/
public final class HashExample {

private HashExample() {}

public static String hash(String token) {
  String formattedToken = token.toLowerCase().strip();

  byte[] hash;
  try {
    hash = MessageDigest.getInstance("SHA-256").digest(formattedToken.getBytes(UTF_8));
  } catch (NoSuchAlgorithmException e) {
    throw new IllegalStateException("SHA-256 not supported", e);
  }

  return Base64.getEncoder().encodeToString(hash);
}

public static void printHash(String token) {
  System.out.printf("Hash: \"%s\"\t(Token: %s)\n", hash(token), token);
}

public static void main(String[] args) {
  printHash("test@gmail.com");
  printHash("+18005551212");
  printHash("John");
  printHash("Doe");
}
}

SQL

پایه 16

/*
Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

The following code uses Google Standard SQL and can be run on BigQuery to generate match tables from unhashed data.

Sample hashes:

  - Email 'test@gmail.com': 87924606b4131a8aceeeae8868531fbb9712aaa07a5d3a756b26ce0f5d6ca674
  - Phone '+18005551212':   61d9111bed3e6d9cfc1bc3b5cb35a402687c4f1546bee061a2bd444fbdd64c44
  - First name 'John':      96d9632f363564cc3032521409cf22a852f2032eec099ed5967c0d000cec607a
  - Last name 'Doe':        799ef92a11af918e3fb741df42934f3b568ed2d93ac1df74f1b8d41a27932a6f

The unhashed input table schema is assumed to be:

- Column name: UserID, Type: String
- Column name: Email, Type: String
- Column name: Phone, Type: String
- Column name: FirstName, Type: String
- Column name: LastName, Type: String
- Column name: PostalCode, Type: String
- Column name: CountryCode, Type: String
*/

CREATE TABLE `your_project_name.your_dataset_name.output_hashed_table_name`
AS
SELECT
  UserID,
  TO_HEX(SHA256(LOWER(Email))) AS Email,
  TO_HEX(SHA256(Phone)) AS Phone,
  TO_HEX(SHA256(LOWER(FirstName))) AS FirstName,
  TO_HEX(SHA256(LOWER(LastName))) AS LastName,
  PostalCode,
  CountryCode,
FROM
  `your_project_name.your_dataset_name.input_unhashed_table_name`;

پایه 64

/*
Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

The following code uses Google Standard SQL and can be run on BigQuery to generate match tables from unhashed data.

Sample hashes:

  - Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
  - Phone '+18005551212':   YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
  - First name 'John':      ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
  - Last name 'Doe':        eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=

The unhashed input table schema is assumed to be:

- Column name: UserID, Type: String
- Column name: Email, Type: String
- Column name: Phone, Type: String
- Column name: FirstName, Type: String
- Column name: LastName, Type: String
- Column name: PostalCode, Type: String
- Column name: CountryCode, Type: String
*/

CREATE TABLE `your_project_name.your_dataset_name.output_hashed_table_name`
AS
SELECT
  UserID,
  TO_BASE64(SHA256(LOWER(Email))) AS Email,
  TO_BASE64(SHA256(Phone)) AS Phone,
  TO_BASE64(SHA256(LOWER(FirstName))) AS FirstName,
  TO_BASE64(SHA256(LOWER(LastName))) AS LastName,
  PostalCode,
  CountryCode,
FROM
  `your_project_name.your_dataset_name.input_unhashed_table_name`;

کلیدهای پیوستن

برخی از ترکیبات داده های ارائه شده توسط کاربر قوی تر از سایرین هستند. در اینجا لیستی از ترکیبات مختلف داده های ارائه شده توسط کاربر، رتبه بندی شده بر اساس قدرت نسبی آمده است:

  1. ایمیل، تلفن، آدرس (قوی ترین)
  2. تلفن، آدرس
  3. آدرس ایمیل
  4. ایمیل، تلفن
  5. نشانی
  6. تلفن
  7. ایمیل (ضعیف ترین)

یک جدول مسابقه ایجاد کنید

  1. روی اتصالات > تطبیق داده > ایجاد اتصال کلیک کنید.
  2. یک منبع داده را انتخاب کنید، سپس روی اتصال کلیک کنید. اگر از شما خواسته شد احراز هویت کنید، سپس روی Next کلیک کنید.
  3. منبع داده خود را پیکربندی کنید، سپس روی Next کلیک کنید:

    BigQuery

    جدول BigQuery را برای وارد کردن انتخاب کنید.

    فضای ذخیره ابری

    مسیر فایل gsutil مانند gs://my-bucket/folder/ را وارد کنید و قالب بندی فایل خود را انتخاب کنید.

    نیروی فروش

    به زودی

  4. مقصد را تنظیم کنید، سپس روی Next کلیک کنید:
    1. یک مجموعه داده BigQuery جدید را برای استفاده به عنوان مقصد واسطه برای داده ها انتخاب کنید. این مرحله تضمین می کند که داده های شما به درستی قالب بندی شده اند.
  5. اختیاری: قالب داده های خود را تغییر دهید. تبدیل‌ها شامل هش محاسباتی، قالب‌بندی حروف کوچک/ بزرگ و فیلدهای ادغام/تقسیم می‌شود.
    1. روی Action > > Transform کلیک کنید.
    2. در پانلی که ظاهر می شود، روی افزودن تبدیل یا افزودن یک تبدیل دیگر کلیک کنید
    3. یک نوع تبدیل را از منوی کشویی انتخاب کنید و شرایط مورد نیاز را وارد کنید.
    4. روی ذخیره کلیک کنید.
  6. حداقل یک کلید پیوستن را برای ترسیم فیلدهایی که استفاده می کنید انتخاب کنید، سپس روی Next کلیک کنید.
  7. تنظیم برنامه:
    1. اتصال خود را نام ببرید
    2. یک فرکانس را تنظیم کنید و تعیین کنید که چقدر داده ها به مجموعه داده ای که در مرحله قبل انتخاب کردید وارد شوند. هر اجرا داده ها را در جدول مقصد بازنویسی می کند.
    3. نحوه رسیدگی به برخوردهای شناسه کاربری را مشخص کنید. می‌توانید بین حفظ مطابقت موجود یا بازنویسی با داده‌های جدید یکی را انتخاب کنید.
  8. روی Finish کلیک کنید.

مشاهده جزئیات اتصال

صفحه جزئیات اتصال اطلاعاتی در مورد اجراها و خطاهای اخیر یک اتصال داده شده به شما می دهد. برای مشاهده جزئیات یک اتصال خاص:

  1. روی اتصالات > تطبیق داده ها کلیک کنید.
  2. روی نام اتصال کلیک کنید تا جزئیات آن را مشاهده کنید.
  3. اکنون می توانید جزئیات اتصال و اجرای اخیر را مشاهده کنید. هر کدام دو نوع خطای ممکن را نشان می‌دهند: سطح اتصال (اتصال اجرا نشد) و خطاهای سطح ردیف (یک ردیف وارد نشده است).
    1. وضعیت ناموفق نشان می دهد که کل اتصال اجرا نشد (مثلاً مشکل مجوز حساب سرویس). روی وضعیت خطا کلیک کنید تا ببینید کدام خطاها بر اتصال تأثیر گذاشته است.
    2. وضعیت تکمیل شده نشان می دهد که اتصال با موفقیت انجام شد. با این حال، ممکن است همچنان خطاهای سطح ردیف وجود داشته باشد - که با یک مقدار غیر صفر در ستون "ردیف های دارای خطا" نشان داده شده است. برای کسب اطلاعات بیشتر در مورد اینکه کدام رکوردها ناموفق هستند، روی مقدار کلیک کنید.

یک اتصال را ویرایش کنید

ویرایش اتصالات هنوز پشتیبانی نمی شود. برای تغییر یک اتصال، یک اتصال جدید ایجاد کنید و سپس اتصال قدیمی را حذف کنید.

داده ها را در Ads Data Hub جستجو کنید

جداول مسابقه را استعلام کنید

وقتی جداول تطبیق شما حاوی داده های کافی برای بررسی حریم خصوصی باشد، شما آماده اجرای پرس و جوها در برابر جداول هستید. هر جدول در طرحواره Ads Data Hub حاوی فیلد user_id با یک جدول *_match همراه است. به عنوان مثال، برای جدول adh.google_ads_impressions ، Ads Data Hub همچنین یک جدول منطبق به نام adh.google_ads_impressions_match می کند که فقط شامل شناسه های کاربر است. این جداول شامل زیرمجموعه‌ای از کاربران موجود در جداول اصلی است، جایی که یک مطابقت در user_id دارد. به عنوان مثال، اگر جدول اصلی حاوی داده هایی برای کاربر A و کاربر B باشد، اما فقط کاربر A مطابقت داشته باشد، کاربر B در جدول مطابقت نخواهد بود.

جداول تطبیق شامل یک ستون اضافی به نام external_cookie است که کوکی شما را به صورت BYTES ذخیره می کند.

فیلد خارجی_کوکی حاوی شناسه شما به صورت BYTES است. برای تطابق موفق، باید کلید پیوستن خود را به BYTES بریزید.

JOIN ON 
  google_data_imp.external_cookie = CAST(my_data.user_id AS BYTES)

با پرس و جو *_match views از جداول رویداد تبلیغاتی از جداول مطابقت استفاده کنید. اگر از تطبیق کوکی نیز استفاده می‌کنید، می‌توانید بر اساس نوع تطابق در جستارهای خود فیلتر کنید. استفاده کنید:

  • match_type = 1 برای تطبیق کوکی
  • match_type = 2 برای تطبیق داده های ارائه شده توسط کاربر

در حالی که match_type در کوئری ها مجاز است، این فیلد را نمی توان در نتایج برگرداند، بنابراین شما نباید آن را در SELECT نهایی وارد کنید.

نمونه پرس و جو

شمارش کاربران همسان

این پرس و جو تعداد کاربران منطبق را در جدول نمایش تبلیغات Google شما می شمارد.

/* Count matched users in Google Ads impressions table */

SELECT COUNT(DISTINCT user_id)
FROM adh.google_ads_impressions_match

شمارش کاربران همسان داده های ارائه شده توسط کاربر

این پرس و جو تعداد کاربران منطبق را بر اساس نوع مطابقت می شمارد. از آنجایی که جداول رویداد تبلیغاتی حاوی رویدادهایی از کاربران وارد شده و خارج از سیستم هستند، فیلتر کردن تطابق داده‌های ارائه‌شده توسط کاربر باعث می‌شود فقط کاربرانی که وارد سیستم شده‌اند مطابقت داده شوند.

/* Count user-provided data matched users by match type.
match_type = 1 for cookie matching
match_type = 2 for user-provided data matching */

SELECT
  match_type AS match_type,
  COUNT(DISTINCT user_id) AS user_cnt,
FROM 
  adh.google_ads_impressions_match
GROUP BY
  match_type

این جستار نحوه پیوستن به داده های شخص اول را با داده های Google Ads نشان می دهد:

/* Join first-party data with Google Ads data. The external_cookie field 
contains your ID as BYTES. You need to cast your join key into BYTES for 
successful matches. */

SELECT
  inventory_type,
  COUNT(*) AS impressions
FROM
  adh.yt_reserve_impressions_match AS google_data_imp
LEFT JOIN
  `my_data`
ON 
  google_data_imp.external_cookie = CAST(my_data.user_id AS BYTES)
-- Uncomment the following line if cookie matching is enabled as well.
-- WHERE google_data_imp.match_type = 2
GROUP BY
  inventory_type

این پرس و جو تعداد کاربرانی را که با داده های ارائه شده توسط کاربر مطابقت دارند، به استثنای کاربران مطابق با کوکی ها، شمارش می کند. به خاطر داشته باشید که جداول رویداد تبلیغاتی حاوی رویدادهایی از کاربران وارد شده و خارج از سیستم هستند، بنابراین فیلتر کردن تنها تطابق داده‌های ارائه‌شده توسط کاربر منجر به تطبیق فقط کاربران واردشده به سیستم می‌شود.

/* Count user-provided data matched users, excluding cookie matched users. */

SELECT 
  COUNT(DISTINCT user_id)
FROM 
  adh.google_ads_impressions_match
WHERE 
  match_type = 2

اتصالات

به دست آوردن بینش تبلیغاتی ارزشمند اغلب مستلزم پیوند داده ها از منابع متعدد است. ایجاد راه حل خود برای این مشکل خط لوله داده ها نیازمند سرمایه گذاری زمانی قابل توجه و سرمایه گذاری مهندسی است. Connections این فرآیند را با ارائه یک رابط گام به گام هدایت شده برای وارد کردن، تبدیل و نوشتن داده ها به BigQuery ساده می کند. پس از نوشتن داده‌های خود، می‌توانید از آن‌ها در جستجوهای Ads Data Hub یا هر محصول دیگری که از BigQuery خوانده می‌شود استفاده کنید. غنی‌سازی پرسش‌های شما با داده‌های شخص اول می‌تواند تجربیات غنی‌تری برای مشتری ارائه دهد و در برابر تغییرات ردیابی تبلیغات در سطح صنعت مقاوم‌تر است.

علاوه بر این، Connections با ابزارهایی ساخته شده است که به شما امکان می دهد اطلاعات شناسایی شخصی (PII) را رمزگذاری کنید و به روشی حفظ حریم خصوصی با شرکای خود به اشتراک بگذارید. پس از انتخاب ستون‌هایی که حاوی PII هستند، Connections داده‌ها را رمزگذاری می‌کند و اطمینان حاصل می‌کند که داده‌های شخص اول شما فقط می‌توانند توسط افرادی که مجوز انجام این کار را دارند صادر یا خوانده شوند.

برای وارد کردن داده‌ها می‌توانید از Connections استفاده کنید:

دانستن اینکه کدام داده شخص اول برای اندازه‌گیری یا مورد استفاده فعال‌سازی شما مورد نیاز است می‌تواند دشوار باشد، بنابراین Connections فهرست جامعی از موارد استفاده از پیش تعریف‌شده را ارائه می‌کند، سپس شما را در کل تجربه استخراج، تبدیل، و بارگیری داده‌هایتان راهنمایی می‌کند.

تفاوت بین داده های 1P شما و تطبیق داده ها

گردش کار برای پیکربندی جدول تطبیق ارائه شده توسط کاربر مشابه ایجاد یک اتصال داده شخص اول معمولی از طریق Connections است. با این حال، شرط دو پروژه فرض می‌کند که قبل از استفاده از تطبیق داده‌های ارائه‌شده توسط کاربر، اتصالات را راه‌اندازی می‌کنید. اگر فقط از Connections به عنوان ابزار آماده سازی داده استفاده می کنید، می توانید از یک پروژه Google Cloud استفاده کنید.

الزامات اضافی برای تطبیق داده های ارائه شده توسط کاربر:

  • باید از ایمیل، تلفن، آدرس یا هر ترکیبی به عنوان کلید پیوستن استفاده کنید.
  • باید مشخص کنید که برخوردهای user_id چگونه حل می شوند. می‌توانید بین حفظ مطابقت موجود یا بازنویسی با داده‌های جدید یکی را انتخاب کنید.
  • علاوه بر حساب های datafusion و dataproc باید از یک حساب سرویس UPDM استفاده کنید.

گردش کار داده 1P شما

ارتباط ایجاد کنید

  1. روی Connections > Your 1P Data > Create connection کلیک کنید.
  2. به منبع داده متصل شوید. از شما خواسته می شود که احراز هویت کنید.

    BigQuery

    مجوزها بر اساس حساب Google شما هستند، بنابراین نیازی به احراز هویت اضافی نیست. اطمینان حاصل کنید که حساب‌های سرویس اتصالات به جدول دسترسی خواندن دارند.

    فضای ذخیره ابری

    مجوزها بر اساس حساب Google شما هستند، بنابراین نیازی به احراز هویت اضافی نیست. مطمئن شوید که حساب‌های سرویس اتصالات به سطل ذخیره‌سازی دسترسی خواندنی دارند.

    نیروی فروش

    (به زودی)

    از اعتبارنامه Salesforce سازمان خود برای ورود به سیستم استفاده کنید. Google اعتبارنامه شما را ذخیره نمی کند، بنابراین هر اتصال Salesforce جدید به احراز هویت مجدد نیاز دارد.

  3. یک مورد استفاده و یک کلید اتصال را انتخاب کنید، سپس روی انتخاب مورد استفاده کلیک کنید. اگر نمی‌خواهید مورد استفاده را انتخاب کنید، روی Skip کلیک کنید. بعداً نمی‌توانید مورد استفاده را انتخاب کنید.
  4. منبع داده خود را پیکربندی کنید.

    BigQuery

    جدول BigQuery را برای وارد کردن انتخاب کنید.

    فضای ذخیره ابری

    مسیر فایل gsutil مانند gs://my-bucket/folder/ را وارد کنید و قالب بندی فایل خود را انتخاب کنید.

    نیروی فروش

    به زودی

  5. قسمت مقصد و نقشه خود را پیکربندی کنید.
    • پروژه Google Cloud، مجموعه داده و جدولی را که می‌خواهید نتایج خود را در آن بنویسید انتخاب کنید. مطمئن شوید که حساب‌های سرویس Connections به مجموعه داده‌ای که می‌خواهید در آن بنویسید، دسترسی نوشتن دارند.
    • هر اتصال یک جدول جدید برای نوشتن ایجاد می کند. اگر جدولی را انتخاب کنید که از قبل وجود دارد، با خطا مواجه خواهید شد.
    • فیلدهای مقصد (فیلدهایی که در جدولی که ایجاد می‌کنید ظاهر می‌شوند) به فیلدهای مبدأ در داده‌های مبدأ نقشه‌برداری کنید.
  6. برنامه ای تنظیم کنید.
    1. اتصال خود را نام ببرید
    2. یک فرکانس را تنظیم کنید و تعیین کنید که چقدر داده ها به مجموعه داده ای که در مرحله قبل انتخاب کردید وارد شوند. هر اجرا داده ها را در جدول مقصد بازنویسی می کند.
  7. روی Done کلیک کنید. اتصالاتی که حجم زیادی از داده را پردازش می کنند ممکن است چندین ساعت طول بکشد تا اجرا شوند.

مشاهده جزئیات اتصال

صفحه جزئیات اتصال اطلاعاتی در مورد اجراها و خطاهای اخیر یک اتصال داده شده به شما می دهد. برای مشاهده جزئیات یک اتصال خاص:

  1. روی Connections > Your 1P Data کلیک کنید.
  2. روی نام اتصال کلیک کنید تا جزئیات آن را مشاهده کنید.
  3. اکنون می توانید جزئیات اتصال و اجرای اخیر را مشاهده کنید. هر کدام دو نوع خطای ممکن را نشان می‌دهند: سطح اتصال (اتصال اجرا نشد) و خطاهای سطح ردیف (یک ردیف وارد نشده است).
    1. وضعیت ناموفق نشان می دهد که کل اتصال اجرا نشد (مثلاً مشکل مجوز حساب سرویس). روی وضعیت خطا کلیک کنید تا ببینید کدام خطاها بر اتصال تأثیر گذاشته است.
    2. وضعیت تکمیل شده نشان می دهد که اتصال با موفقیت انجام شد. با این حال، ممکن است همچنان خطاهای سطح ردیف وجود داشته باشد - که با یک مقدار غیر صفر در ستون "ردیف های دارای خطا" نشان داده شده است. برای کسب اطلاعات بیشتر در مورد اینکه کدام رکوردها ناموفق هستند، روی مقدار کلیک کنید.

یک اتصال را ویرایش کنید

ویرایش اتصالات هنوز پشتیبانی نمی شود. برای تغییر یک اتصال، یک اتصال جدید ایجاد کنید و قبلی را حذف کنید.

موارد استفاده کنید

مورد استفاده ای که انتخاب می کنید بر طرح جدول مقصد و فیلدهای کلیدی پیوستن وارد شده تأثیر می گذارد. موارد استفاده زیر را گسترش دهید تا بدانید چگونه روی طرحواره و کلیدهای پیوستن تأثیر می‌گذارند:

دسترسی و فرکانس

دسترسی و فرکانس کمپین را در کانال‌ها و دستگاه‌ها، بر اساس بخش‌های کاربر 1P خود، اندازه‌گیری کنید.

نام زمینه شرح تایپ کنید مورد نیاز/اختیاری
کلید پیوستن بر اساس این که از کدام کلید پیوستن استفاده می‌کنید، تغییر می‌کند رشته ضروری
جنسیت جنسیت رشته اختیاری
سن سن بین المللی اختیاری
شهر شهر رشته اختیاری
کشور کشور رشته اختیاری
حالت_چرخه زندگی وضعیت قیف مشتری: ناشناخته، در حال ورود، درگیر، ناقص و غیره. رشته اختیاری
وفاداری_وضعیت نقره، طلا، پلاتین، الماس و غیره رشته اختیاری
آخرین_تاریخ_خرید تاریخ آخرین خرید (مهر زمانی یونیکس) بین المللی اختیاری
آخرین_خرید_محصول آخرین خرید / مصرف محصول رشته اختیاری
آخرین_تاریخ_تماس تاریخ آخرین تماس / نامزدی (مهر زمانی دوره یونیکس) بین المللی اختیاری
LTV LTV مشتری بین المللی اختیاری
subscription_type محصول فرعی / نوع اشتراکی که مشتری دارد - به عنوان مثال لوکس، طرح خانوادگی رشته اختیاری
شناسه تراکنش شناسه منحصر به فرد برای این تراکنش رشته اختیاری
تاریخ معامله تاریخ معامله (مهر زمانی یونیکس) بین المللی اختیاری
تراکنش_درآمد درآمد حاصل از معامله بین المللی اختیاری
واحد پول نوع ارز معامله رشته اختیاری
تعداد تعداد اقلام موجود در معامله رشته اختیاری
قیمت قیمت هر کالا در معامله بین المللی اختیاری
هزینه تراکنش هزینه کالا/خدمات حاصل از معامله بین المللی اختیاری
معامله_سود سود ناخالص حاصل از معامله بین المللی اختیاری
شناسه محصول SKU / شناسه محصول(های) در معامله رشته اختیاری
توضیح_تراکنش سایر توضیحات / فراداده / پارامترهای مربوط به تراکنش رشته اختیاری
رویداد_نوع به عنوان مثال نمایش آگهی تلویزیونی، ایمیل بازاریابی، بازدید از وب سایت، بازدید از فروشگاه و غیره. رشته اختیاری
رویداد_id شناسه منحصر به فرد رویداد بالا رشته اختیاری
رویداد_زمان مهر تاریخ رویداد (مهر زمانی یونیکس) بین المللی اختیاری
channel_metadata فراداده یا اطلاعات اضافی درباره این کانال نقطه تماس رشته اختیاری

انتساب چند لمسی

با ترکیب نقاط تماس 1P خود با نقاط لمسی از داده های Google، اسناد را اندازه گیری کنید.

نام زمینه شرح تایپ کنید مورد نیاز/اختیاری
کلید پیوستن بر اساس این که از کدام کلید پیوستن استفاده می‌کنید، تغییر می‌کند رشته ضروری
رویداد_نوع به عنوان مثال نمایش آگهی تلویزیونی، ایمیل بازاریابی، بازدید از وب سایت، بازدید از فروشگاه و غیره. رشته ضروری
رویداد_id شناسه منحصر به فرد رویداد بالا رشته ضروری
رویداد_زمان مهر تاریخ رویداد (مهر زمانی یونیکس) بین المللی ضروری
اعتبار ارزش اعتباری (استفاده شده برای انتساب) - به عنوان مثال # تبدیل بین المللی اختیاری
channel_metadata فراداده یا اطلاعات اضافی درباره این کانال نقطه تماس رشته اختیاری

معیارهای عملکرد

عملکرد کمپین را بر اساس جمعیت‌شناسی، وابستگی یا بخش‌های کاربر 1P خود اندازه‌گیری کنید.

نام زمینه شرح تایپ کنید مورد نیاز/اختیاری
کلید پیوستن بر اساس این که از کدام کلید پیوستن استفاده می‌کنید، تغییر می‌کند رشته ضروری
جنسیت جنسیت رشته اختیاری
سن سن بین المللی اختیاری
شهر شهر رشته اختیاری
کشور کشور رشته اختیاری
حالت_چرخه زندگی وضعیت قیف مشتری: ناشناخته، در حال ورود، درگیر، ناقص و غیره. رشته اختیاری
وفاداری_وضعیت نقره، طلا، پلاتین، الماس و غیره رشته اختیاری
آخرین_تاریخ_خرید تاریخ آخرین خرید (مهر زمانی یونیکس) بین المللی اختیاری
آخرین_خرید_محصول آخرین خرید / مصرف محصول رشته اختیاری
آخرین_تاریخ_تماس تاریخ آخرین تماس / نامزدی (مهر زمانی دوره یونیکس) بین المللی اختیاری
LTV LTV مشتری بین المللی اختیاری
subscription_type محصول فرعی / نوع اشتراکی که مشتری دارد - به عنوان مثال لوکس، طرح خانوادگی رشته اختیاری

مسیر منتسب به تبدیل

عملکرد مسیرهای تبدیل را با نقاط لمسی سفارشی، از جمله نقاط لمسی 1P خود، تجزیه و تحلیل کنید.

نام زمینه شرح تایپ کنید مورد نیاز/اختیاری
کلید پیوستن بر اساس این که از کدام کلید پیوستن استفاده می‌کنید، تغییر می‌کند رشته ضروری
رویداد_نوع به عنوان مثال نمایش آگهی تلویزیونی، ایمیل بازاریابی، بازدید از وب سایت، بازدید از فروشگاه و غیره. رشته ضروری
رویداد_id شناسه منحصر به فرد رویداد بالا رشته ضروری
رویداد_زمان مهر تاریخ رویداد (مهر زمانی یونیکس) بین المللی ضروری
اعتبار ارزش اعتباری (استفاده شده برای انتساب) - به عنوان مثال # تبدیل بین المللی اختیاری
channel_metadata فراداده یا اطلاعات اضافی درباره این کانال نقطه تماس رشته اختیاری

همپوشانی بین ناشر

دسترسی و فراوانی کمپین‌ها را در سراسر ناشران، بر اساس بخش‌های کاربر 1P شما تجزیه و تحلیل کنید.

نام زمینه شرح تایپ کنید مورد نیاز/اختیاری
کلید پیوستن بر اساس این که از کدام کلید پیوستن استفاده می‌کنید، تغییر می‌کند رشته ضروری
جنسیت جنسیت رشته اختیاری
سن سن بین المللی اختیاری
شهر شهر رشته اختیاری
کشور کشور رشته اختیاری
حالت_چرخه زندگی وضعیت قیف مشتری: ناشناخته، در حال ورود، درگیر، ناقص و غیره. رشته اختیاری
وفاداری_وضعیت نقره، طلا، پلاتین، الماس و غیره رشته اختیاری
آخرین_تاریخ_خرید تاریخ آخرین خرید (مهر زمانی یونیکس) بین المللی اختیاری
آخرین_خرید_محصول آخرین خرید / مصرف محصول رشته اختیاری
آخرین_تاریخ_تماس تاریخ آخرین تماس / نامزدی (مهر زمانی دوره یونیکس) بین المللی اختیاری
LTV LTV مشتری بین المللی اختیاری
subscription_type محصول فرعی / نوع اشتراکی که مشتری دارد - به عنوان مثال لوکس، طرح خانوادگی رشته اختیاری

عملکرد کمپین همزمان

تأثیر عملکرد قرار گرفتن در معرض کمپین‌های موازی را که بر اساس بخش‌های کاربر 1P شما تقسیم شده است، اندازه‌گیری کنید.

نام زمینه شرح تایپ کنید مورد نیاز/اختیاری
کلید پیوستن بر اساس این که از کدام کلید پیوستن استفاده می‌کنید، تغییر می‌کند رشته ضروری
جنسیت جنسیت رشته اختیاری
سن سن بین المللی اختیاری
شهر شهر رشته اختیاری
کشور کشور رشته اختیاری
حالت_چرخه زندگی وضعیت قیف مشتری: ناشناخته، در حال ورود، درگیر، ناقص و غیره. رشته اختیاری
وفاداری_وضعیت نقره، طلا، پلاتین، الماس و غیره رشته اختیاری
آخرین_تاریخ_خرید تاریخ آخرین خرید (مهر زمانی یونیکس) بین المللی اختیاری
آخرین_خرید_محصول آخرین خرید / مصرف محصول رشته اختیاری
آخرین_تاریخ_تماس تاریخ آخرین تماس / نامزدی (مهر زمانی دوره یونیکس) بین المللی اختیاری
LTV LTV مشتری بین المللی اختیاری
subscription_type محصول فرعی / نوع اشتراکی که مشتری دارد - به عنوان مثال لوکس، طرح خانوادگی رشته اختیاری
شناسه تراکنش شناسه منحصر به فرد برای این تراکنش رشته اختیاری
تاریخ معامله تاریخ معامله (مهر زمانی یونیکس) بین المللی اختیاری
تراکنش_درآمد درآمد حاصل از معامله بین المللی اختیاری
واحد پول نوع ارز معامله رشته اختیاری
تعداد تعداد اقلام موجود در معامله رشته اختیاری
قیمت قیمت هر کالا در معامله بین المللی اختیاری
هزینه تراکنش هزینه کالا/خدمات حاصل از معامله بین المللی اختیاری
معامله_سود سود ناخالص حاصل از معامله بین المللی اختیاری
شناسه محصول SKU / شناسه محصول(های) در معامله رشته اختیاری
توضیح_تراکنش سایر توضیحات / فراداده / پارامترهای مربوط به تراکنش رشته اختیاری
رویداد_نوع به عنوان مثال نمایش آگهی تلویزیونی، ایمیل بازاریابی، بازدید از وب سایت، بازدید از فروشگاه و غیره. رشته اختیاری
رویداد_id شناسه منحصر به فرد رویداد بالا رشته اختیاری
رویداد_زمان مهر تاریخ رویداد (مهر زمانی یونیکس) بین المللی اختیاری
channel_metadata فراداده یا اطلاعات اضافی درباره این کانال نقطه تماس رشته اختیاری

مقایسه کمپین

عملکرد کمپین‌های Google و کمپین‌های ناشران دیگر را مقایسه کنید.

نام زمینه شرح تایپ کنید مورد نیاز/اختیاری
کلید پیوستن بر اساس این که از کدام کلید پیوستن استفاده می‌کنید، تغییر می‌کند رشته ضروری
کانال کانالی که این کمپین در آن اجرا شد (مثلاً فیس بوک، تلویزیون و غیره) رشته ضروری
شریک نام شریک در صورت مشارکت رشته اختیاری
تاکتیک نام تاکتیک خاص رشته اختیاری
campaign_metadata فراداده یا اطلاعات اضافی درباره این کمپین رشته اختیاری
تاریخ تاریخ فعالیت کمپین (مهر زمانی یونیکس) بین المللی ضروری
برداشت ها تعداد نمایش‌های این کمپین در این تاریخ بین المللی ضروری
کلیک می کند تعداد کلیک‌های این کمپین در این تاریخ بین المللی ضروری
تبدیل ها تعداد تبدیل از این کمپین در این تاریخ بین المللی ضروری
هزینه کل هزینه این کمپین در این تاریخ بین المللی ضروری

مقایسه قرابت و برچسب

هم‌پوشانی بین بخش‌های کاربر 1P خود و بخش‌های مخاطبان وابسته به Google و درون بازار پیدا کنید.

نام زمینه شرح تایپ کنید مورد نیاز/اختیاری
کلید پیوستن بر اساس این که از کدام کلید پیوستن استفاده می‌کنید، تغییر می‌کند رشته ضروری
جنسیت جنسیت رشته اختیاری
سن سن بین المللی اختیاری
شهر شهر رشته اختیاری
کشور کشور رشته اختیاری
حالت_چرخه زندگی وضعیت قیف مشتری: ناشناخته، در حال ورود، درگیر، ناقص و غیره. رشته اختیاری
وفاداری_وضعیت نقره، طلا، پلاتین، الماس و غیره رشته اختیاری
آخرین_تاریخ_خرید تاریخ آخرین خرید (مهر زمانی یونیکس) بین المللی اختیاری
آخرین_خرید_محصول آخرین خرید / مصرف محصول رشته اختیاری
آخرین_تاریخ_تماس تاریخ آخرین تماس / نامزدی (مهر زمانی دوره یونیکس) بین المللی اختیاری
LTV LTV مشتری بین المللی اختیاری
subscription_type محصول فرعی / نوع اشتراکی که مشتری دارد - به عنوان مثال لوکس، طرح خانوادگی رشته اختیاری

تجزیه و تحلیل تبدیل برنامه

تأثیر کمپین را بر رفتار درون برنامه ای اندازه گیری کنید.

نام زمینه شرح تایپ کنید مورد نیاز/اختیاری
کلید پیوستن بر اساس این که از کدام کلید پیوستن استفاده می‌کنید، تغییر می‌کند رشته ضروری
تاریخ تاریخ فعالیت برنامه تلفن همراه (مهر زمانی یونیکس) بین المللی ضروری
نصب Boolean نشان می دهد که آیا یک رویداد نصب در این روز ثبت شده است یا خیر بولی ضروری
ثبت Boolean نشان می دهد که آیا یک رویداد ثبت نام در این روز ثبت شده است یا خیر بولی ضروری
وارد شدن Boolean نشان می دهد که آیا یک رویداد ورود به سیستم در این روز ثبت شده است یا خیر بولی ضروری
in_app_purchases مجموع خریدهای درون برنامه ای در این روز بین المللی ضروری

محاسبه ROI

بازده افزایشی را بر اساس داده های تبدیل 1P خود اندازه گیری کنید.

نام زمینه شرح تایپ کنید مورد نیاز/اختیاری
کلید پیوستن بر اساس این که از کدام کلید پیوستن استفاده می‌کنید، تغییر می‌کند رشته ضروری
شناسه تراکنش شناسه منحصر به فرد برای این تراکنش رشته ضروری
تاریخ معامله تاریخ معامله (مهر زمانی یونیکس) بین المللی ضروری
تراکنش_درآمد درآمد حاصل از معامله بین المللی ضروری
واحد پول نوع ارز معامله رشته اختیاری
تعداد تعداد اقلام موجود در معامله رشته اختیاری
قیمت قیمت هر کالا در معامله بین المللی اختیاری
هزینه تراکنش هزینه کالا/خدمات حاصل از معامله بین المللی اختیاری
معامله_سود سود ناخالص حاصل از معامله بین المللی اختیاری
شناسه محصول SKU / شناسه محصول(های) در معامله رشته اختیاری
توضیح_تراکنش سایر توضیحات / فراداده / پارامترهای مربوط به تراکنش رشته اختیاری

فعال سازی مخاطب سفارشی

بر اساس داده‌های 1P و داده‌های Google، بخش‌های کاربر سفارشی بسازید و فعال کنید

نام زمینه شرح تایپ کنید مورد نیاز/اختیاری
کلید پیوستن بر اساس این که از کدام کلید پیوستن استفاده می‌کنید، تغییر می‌کند رشته ضروری
جنسیت جنسیت رشته اختیاری
سن سن بین المللی اختیاری
شهر شهر رشته اختیاری
کشور کشور رشته اختیاری
حالت_چرخه زندگی وضعیت قیف مشتری: ناشناخته، در حال ورود، درگیر، ناقص و غیره. رشته اختیاری
وفاداری_وضعیت نقره، طلا، پلاتین، الماس و غیره رشته اختیاری
آخرین_تاریخ_خرید تاریخ آخرین خرید (مهر زمانی یونیکس) بین المللی اختیاری
آخرین_خرید_محصول آخرین خرید / مصرف محصول رشته اختیاری
آخرین_تاریخ_تماس تاریخ آخرین تماس / نامزدی (مهر زمانی دوره یونیکس) بین المللی اختیاری
LTV LTV مشتری بین المللی اختیاری
subscription_type محصول فرعی / نوع اشتراکی که مشتری دارد - به عنوان مثال لوکس، طرح خانوادگی رشته اختیاری

مناقصه سفارشی

استراتژی‌های مناقصه Display & Video 360 را بر اساس داده‌های 1P و داده‌های Google خود بهینه کنید

نام زمینه شرح تایپ کنید مورد نیاز/اختیاری
کلید پیوستن بر اساس این که از کدام کلید پیوستن استفاده می‌کنید، تغییر می‌کند رشته ضروری
جنسیت جنسیت رشته اختیاری
سن سن بین المللی اختیاری
شهر شهر رشته اختیاری
کشور کشور رشته اختیاری
حالت_چرخه زندگی وضعیت قیف مشتری: ناشناخته، در حال ورود، درگیر، ناقص و غیره. رشته اختیاری
وفاداری_وضعیت نقره، طلا، پلاتین، الماس و غیره رشته اختیاری
آخرین_تاریخ_خرید تاریخ آخرین خرید (مهر زمانی یونیکس) بین المللی اختیاری
آخرین_خرید_محصول آخرین خرید / مصرف محصول رشته اختیاری
آخرین_تاریخ_تماس تاریخ آخرین تماس / نامزدی (مهر زمانی دوره یونیکس) بین المللی اختیاری
LTV LTV مشتری بین المللی اختیاری
subscription_type محصول فرعی / نوع اشتراکی که مشتری دارد - به عنوان مثال لوکس، طرح خانوادگی رشته اختیاری

عملکرد چند ناشر

معیارهای عملکرد را بر اساس ناشر یا برش‌شده توسط ناشر و بخش‌های کاربر 1P خود اندازه‌گیری کنید

نام زمینه شرح تایپ کنید مورد نیاز/اختیاری
کلید پیوستن بر اساس کلید پیوستن شما تغییر می کند رشته ضروری
جنسیت جنسیت رشته اختیاری
سن سن بین المللی اختیاری
شهر شهر رشته اختیاری
کشور کشور رشته اختیاری
حالت_چرخه زندگی Customer funnel state: unknown, onboarding, engaged, lapsed, etc. string Optional
loyalty_status Silver, gold, platinum, diamond, etc. string Optional
last_purchase_date Date of last purchase (Unix epoch timestamp) int Optional
last_purchase_product Product last purchased / consumed string Optional
last_contacted_date Date of last contact / engagement (Unix epoch timestamp) int Optional
LTV Customer LTV int Optional
subscription_type Subproduct / subscription type that a customer has - eg deluxe, family plan string Optional