Calcula los buckets de ingresos para el esquema de valor de conversión de SKAdNetwork
Acerca de este codelab
1. Introducción
Contexto antes de comenzar
Si eres desarrollador de apps para iOS, es probable que hayas escuchado sobre las actualizaciones de privacidad de iOS 14.5 y versiones posteriores. Para medir acciones de conversión significativas después de la instalación, Apple proporciona la API de SKAd Network, que te permite medir el éxito de tus campañas publicitarias y, al mismo tiempo, respetar la privacidad del usuario. Según las necesidades de tu empresa, puedes encontrar la forma más óptima de aprovechar SKAdNetwork para obtener estadísticas significativas sobre tus campañas. En este codelab, examinamos una metodología de ejemplo para aprovechar tus datos de GA4F en BigQuery y agrupar los ingresos posteriores a la instalación de la aplicación en buckets, que luego puedes usar para configurar con tu socio de atribución de aplicaciones. Si bien este codelab usa un enfoque basado en los ingresos, también puedes usar enfoques basados en eventos o embudos para la medición de SKAN. Consulta este Centro de ayuda para obtener más información. Esto es solo un ejemplo, no una recomendación oficial de Google. Puedes diseñar tu propio esquema según tus necesidades empresariales específicas.
Qué temas abordaremos
- Explora los datos de GA4F en BigQuery
- Encuentra datos de ingresos de los usuarios que generaron conversiones en un plazo de 0 a 2 días
- Agrupa los datos de ingresos en buckets
- Comprende la distribución de usuarios en cada bucket
- Implementa los buckets en Appsflyer SKAN Conversion Studio
Requisitos previos
- El SDK de GA4F en tu aplicación para iOS y todos los eventos de ingresos integrados (in_app_purchase o ingresos financiados por anuncios)
- Exportación habilitada de Firebase a BigQuery
- Socio de atribución en aplicaciones, que también registra todos los eventos de ingresos
2. Cómo acceder a BigQuery Export
Navega al conjunto de datos de Google Cloud
Para navegar al conjunto de datos en GA4F, ve a Configuración del proyecto > Integraciones > BigQuery. Primero, debes habilitar el botón de activación y, una vez que lo hagas, el conjunto de datos tardará alrededor de 48 horas en estar disponible. Puedes hacer clic en el vínculo que se muestra a continuación para ir a BigQuery.
Ejecuta algunas consultas
Ahora que estás en BigQuery, deberías ver las tablas diarias generadas. En la siguiente captura de pantalla de ejemplo, vemos 64 tablas diarias, por lo que la exportación se ejecutó durante 64 días. Si accedes por primera vez, es posible que solo veas 1 tabla diaria con los datos del día anterior. A la derecha, verás el esquema de la tabla. Puedes consultar más detalles sobre los campos aquí.
Para comenzar a escribir tu consulta, puedes hacer clic en Consultar > En una pestaña nueva.
Luego, puedes intentar ejecutar la consulta de muestra en la pestaña nueva.
3. Cómo analizar los datos de ingresos
Cómo recuperar datos de instalación
Ahora, para comenzar a crear los segmentos de ingresos, primero debemos analizar los datos de los usuarios que instalaron la aplicación en las últimas 24 a 72 horas. SKAd Network 4.0 te permite ver los datos en un plazo de 0 a 2 días, mientras que SKAd Network 3.5 permite 24 horas de forma predeterminada. (Según las capacidades de tu socio de atribución de aplicaciones, es posible que puedas modificar esta ventana de actividad en general a no más de 72 horas). Cuando los usuarios instalan la app y la abren por primera vez, el SDK activa el evento first_open y lo registra en BigQuery.
El identificador que puedes usar para BigQuery es user_pseudo_id (también llamado ID de instancia de la app), por lo que puedes usar la siguiente consulta para encontrar a estos usuarios.
SELECT
user_pseudo_id,
event_name,
event_date,
event_timestamp
FROM `project_name.dataset_name.events_2023*`
WHERE
event_name = 'first_open'
AND platform = 'IOS'
Ten en cuenta lo siguiente sobre esta consulta
- Reemplaza el nombre de la tabla por la tabla exportada de Analytics. Puedes usar comodines para consultar varias tablas diarias. Por ejemplo, 2023* realizará una consulta en todos los datos de 2023.
- Si tienes muchos usuarios, también puedes consultar solo los últimos 30 días para acelerar el procesamiento.
- Filtramos por platform = "IOS". En caso de que tengas varias apps para iOS en tu proyecto de Firebase, también puedes agregar un filtro para app_info.firebase_app_id para obtener datos de la app específica.
Cómo recuperar datos de ingresos
Ahora, veamos una consulta para encontrar los ingresos de tus usuarios. En este caso, suponemos que tus eventos de ingresos son in_app_purchase y ad_impression. Los ingresos de in_app_purchase están disponibles en event_value_usd, mientras que, para ad_impression, los ingresos están disponibles en el parámetro value, dentro de los parámetros del evento. Si no conoces los parámetros de evento en BigQuery, te recomendamos que consultes la definición aquí. También puedes probar esta consulta de muestra en nuestra referencia oficial, que también abarca la extracción del valor de event_params.
SELECT
user_pseudo_id,
event_name,
EXTRACT(date FROM Parse_datetime('%Y%m%d', event_date)) AS event_date,
(
SELECT COALESCE(value.int_value, value.float_value, value.double_value, NULL)
FROM UNNEST(event_params)
WHERE
KEY = 'value'
AND event_name = 'ad_impression'
) AS ad_funded_revenue,
(
SELECT value.string_value
FROM UNNEST(event_params)
WHERE
KEY = 'currency'
AND event_name = 'ad_impression'
) AS ad_revenue_currency,
(
CASE
WHEN event_name = 'in_app_purchase' THEN event_value_in_usd
ELSE 0
END) AS iap_revenue_usd,
FROM `project_name.dataset_name.events_2023*`
WHERE
platform = 'IOS'
AND event_name IN (
'in_app_purchase',
'ad_impression')
Veamos qué hace la consulta aquí. Estos son los aspectos que notarías
- En la cláusula WHERE, filtramos los eventos de ingresos, ya que solo nos interesan esos, y, como la última vez, buscamos datos de iOS.
- Ahora, en la cláusula SELECT, tomamos el valor y la moneda del evento de ingresos publicitarios (ad_impression) y tomamos el event_value_in_usd cuando el evento es in_app_purchase.
- Si envías varias monedas, primero debes alinearlas a una sola moneda para este análisis. A los efectos de este ejemplo, supongamos que la moneda de los ingresos financiados por anuncios también es USD.
El resultado sería similar al siguiente (la columna para user_pseudo_id está oculta aquí).
Cómo combinar estos datos
Hasta ahora, ejecutamos dos consultas, una para encontrar los datos de los usuarios que instalaron y abrieron la aplicación, y otra para encontrar los ingresos de esos usuarios. Ahora, recordemos lo que hablamos sobre las limitaciones de la red de SKAd. La ventana de atribución solo puede estar disponible entre 0 y 2 días después de la instalación. Por lo tanto, deberemos verificar las marcas de tiempo de los eventos de instalación y los ingresos, y solo tomar la información si ocurre dentro de ese período. Ahora, intentemos combinarlas en una consulta que proporcione los ingresos totales de cada publicación dos días después de la instalación de la aplicación.
#creating the install table
WITH
install_table AS (
SELECT
user_pseudo_id,
event_name,
event_date,
event_timestamp
FROM `project_name.dataset_name.events_2023*`
WHERE
event_name = 'first_open'
AND platform = 'IOS'
),
#creating the revenue table
revenue_table AS (
SELECT
user_pseudo_id,
event_name,
event_timestamp,
EXTRACT(date FROM Parse_datetime('%Y%m%d', event_date)) AS event_date,
(
SELECT COALESCE(value.int_value, value.float_value, value.double_value, NULL)
FROM UNNEST(event_params)
WHERE
KEY = 'value'
AND event_name = 'ad_impression'
) AS ad_funded_revenue,
(
SELECT value.string_value
FROM UNNEST(event_params)
WHERE
KEY = 'currency'
AND event_name = 'ad_impression'
) AS ad_revenue_currency,
(
CASE
WHEN event_name = 'in_app_purchase' THEN event_value_in_usd
ELSE 0
END) AS iap_revenue_usd,
FROM `project_name.dataset_name.events_2023*`
WHERE
platform = 'IOS'
AND event_name IN (
'in_app_purchase',
'ad_impression')
)
SELECT
it.user_pseudo_id AS user_pseudo_id,
#combine ad revenue and IAP revenue, assuming both are in same currency
sum(ifnull(rt.iap_revenue_usd,0) + ifnull(rt.ad_funded_revenue,0)) AS total_revenue,
FROM install_table it
INNER JOIN revenue_table rt
ON it.user_pseudo_id = rt.user_pseudo_id
WHERE
rt.event_timestamp >= it.event_timestamp
AND rt.event_timestamp
<= it.event_timestamp + 86400000000 * 2 #added 86400 000 millisecond as 24 hours, taking for 2 days later
GROUP BY 1
La consulta solo intenta unir los datos de instalación y los datos de ingresos en el campo user_pseudo_id y, luego, debemos asegurarnos de que la marca de tiempo sea de 2 días. Si usas SKAd Network 3.5, el valor predeterminado es de 24 horas, por lo que también puedes cambiar la condición para que solo incluya los datos de 1 día.
Agrupar los ingresos en categorías
Después de la consulta anterior, tendrás el user_pseudo_id y los ingresos totales.
Ahora, debemos combinar esto en buckets que podamos usar para nuestros rangos de valores de conversión. Para ello, usaremos la función approx_quantiles en BigQuery, que crea automáticamente estos rangos por ti. Supongamos que, para los fines de este ejemplo, queremos crear 5 rangos, por lo que podemos usar SELECT approx_quantiles(total_revenue, 5) AS buckets
Con eso, incorporemos esto a nuestra consulta general.
#creating the install table
WITH
install_table AS (
SELECT
user_pseudo_id,
event_name,
event_date,
event_timestamp
FROM `project_name.dataset_name.events_2023*`
WHERE
event_name = 'first_open'
AND platform = 'IOS'
),
#creating the revenue table
revenue_table AS (
SELECT
user_pseudo_id,
event_name,
event_timestamp,
EXTRACT(date FROM Parse_datetime('%Y%m%d', event_date)) AS event_date,
(
SELECT COALESCE(value.int_value, value.float_value, value.double_value, NULL)
FROM UNNEST(event_params)
WHERE
KEY = 'value'
AND event_name = 'ad_impression'
) AS ad_funded_revenue,
(
SELECT value.string_value
FROM UNNEST(event_params)
WHERE
KEY = 'currency'
AND event_name = 'ad_impression'
) AS ad_revenue_currency,
(
CASE
WHEN event_name = 'in_app_purchase' THEN event_value_in_usd
ELSE 0
END) AS iap_revenue_usd,
FROM `project_name.dataset_name.events_2023*`
WHERE
platform = 'IOS'
AND event_name IN (
'in_app_purchase',
'ad_impression')
),
total_revenue_table AS (
SELECT
it.user_pseudo_id AS user_pseudo_id,
#combine ad revenue and IAP revenue, assuming both are in same currency
sum(ifnull(rt.iap_revenue_usd,0) + ifnull(rt.ad_funded_revenue,0)) AS total_revenue,
FROM install_table it
INNER JOIN revenue_table rt
ON it.user_pseudo_id = rt.user_pseudo_id
WHERE
rt.event_timestamp >= it.event_timestamp
AND rt.event_timestamp
<= it.event_timestamp + 86400000000 * 2 #added 86400 000 millisecond as 24 hours
GROUP BY 1
)
SELECT approx_quantiles(total_revenue, 5) AS buckets FROM total_revenue_table
Esta consulta debe dividir los ingresos en 5 segmentos, y BigQuery intenta mantener una distribución porcentual coherente.
Cómo analizar la distribución de usuarios con estos buckets
Este es un paso opcional si deseas comprender la distribución de tus usuarios en cada bucket. En nuestro ejemplo, los rangos de bucket que se muestran en la consulta anterior son
- 0.1
- 0.5
- 2
- 2.5
- 5 [el último valor no se debe usar en la configuración del rango]
Para los rangos finales, ignoraremos el último bucket 5, ya que, por lo general, es el valor máximo, y podemos considerar que 2.5 es el último rango. Esto se debe a que los proveedores de atribución de aplicaciones suelen calcular el ROAS con la media del rango, por lo que se debe excluir el valor atípico para obtener un cálculo más uniforme.
Ahora, intentaremos observar la cantidad de usuarios de cada fecha en todos los rangos para comprender el volumen diario de usuarios en cada bucket.Podemos hacerlo con esta consulta de ejemplo, en la que puedes reemplazar los valores del bucket por tus datos reales, y la consulta se vería de la siguiente manera:
#creating the install table
WITH
install_table AS (
SELECT
user_pseudo_id,
event_name,
event_date,
event_timestamp
FROM `project_name.dataset_name.events_2023*`
WHERE
event_name = 'first_open'
AND platform = 'IOS'
),
#creating the revenue table
revenue_table AS (
SELECT
user_pseudo_id,
event_name,
event_timestamp,
EXTRACT(date FROM Parse_datetime('%Y%m%d', event_date)) AS event_date,
(
SELECT COALESCE(value.int_value, value.float_value, value.double_value, NULL)
FROM UNNEST(event_params)
WHERE
KEY = 'value'
AND event_name = 'ad_impression'
) AS ad_funded_revenue,
(
SELECT value.string_value
FROM UNNEST(event_params)
WHERE
KEY = 'currency'
AND event_name = 'ad_impression'
) AS ad_revenue_currency,
(
CASE
WHEN event_name = 'in_app_purchase' THEN event_value_in_usd
ELSE 0
END) AS iap_revenue_usd,
FROM `project_name.dataset_name.events_2023*`
WHERE
platform = 'IOS'
AND event_name IN (
'in_app_purchase',
'ad_impression')
),
total_revenue_table AS (
SELECT
it.user_pseudo_id AS user_pseudo_id,
rt.event_date,
#combine ad revenue and IAP revenue, assuming both are in same currency
sum(ifnull(rt.iap_revenue_usd,0) + ifnull(rt.ad_funded_revenue,0)) AS total_revenue,
FROM install_table it
INNER JOIN revenue_table rt
ON it.user_pseudo_id = rt.user_pseudo_id
WHERE
rt.event_timestamp >= it.event_timestamp
AND rt.event_timestamp
<= it.event_timestamp + 86400000000 * 2 #added 86400 000 millisecond as 24 hours
GROUP BY 1, 2
)
SELECT
event_date,
sum(CASE WHEN total_revenue BETWEEN 0 AND 0.1 THEN 1 ELSE 0 END) AS Bucket1,
sum(CASE WHEN total_revenue BETWEEN 0.1 AND 0.5 THEN 1 ELSE 0 END) AS Bucket2,
sum(CASE WHEN total_revenue BETWEEN 0.5 AND 2 THEN 1 ELSE 0 END) AS Bucket3,
sum(CASE WHEN total_revenue BETWEEN 2 AND 2.5 THEN 1 ELSE 0 END) AS Bucket4,
sum(CASE WHEN total_revenue > 2.5 THEN 1 ELSE 0 END) AS Bucket5
FROM total_revenue_table
GROUP BY 1 ORDER BY 1 DESC
Debería mostrar los usuarios en cada rango de ingresos para cada día, como se indica a continuación. Si ves valores muy bajos en cualquier bucket o una distribución generalmente desigual, te recomendamos que ajustes la cantidad de buckets y vuelvas a ejecutar la consulta.
Información breve sobre SKAd Network 4.0
SKAd Network 4.0 proporciona varias ventanas de conversión de hasta 2 días, de 3 a 7 días y de 8 a 35 días. En el enfoque anterior, puedes cambiar fácilmente el período para analizar los datos de estas situaciones adicionales. También están disponibles los valores de grano grueso LOW, MEDIUM y HIGH. Una vez más, si quieres usar este enfoque, puedes considerarlo como 3 buckets. Por lo tanto, si cambias la cantidad de buckets a 3, puedes obtener los umbrales para BAJO, MEDIO y ALTO.
4. Implementación con tu proveedor de atribución
Según la plataforma específica, esta guía puede cambiar. Trabaja con los representantes de la plataforma para obtener la información más actualizada sobre este tema. A los efectos de este ejemplo, veremos cómo podemos implementar esto actualmente en AppsFlyer.
En la consulta que ejecutamos anteriormente, los rangos finales que recibimos como resultado fueron los siguientes:
- Rango 1 : De 0 a 0.1
- Rango 2 : De 0.1 a 0.5
- Rango 3 : De 0.5 a 2
- Rango 4 : De 2 a 2.5
Recuerda que decidimos ignorar el último rango de ingresos, ya que será un valor atípico y sesgará los cálculos promedio de tu proveedor de atribución de aplicaciones.
AppsFlyer ofrece SKAN Conversion Studio, en el que es muy sencillo ingresar esta información directamente en la IU. Puedes usar la versión 4.0 directamente o el modo "Personalizado" si usas la versión 3.5 y agregar la medición "Ingresos". Luego, puedes agregar los rangos de ingresos que calculaste en el análisis anterior.
Prácticas recomendadas y aprendizajes sobre Google Ads
Queremos dejarte algunas recomendaciones si publicas campañas en Google Ads y mides el impacto a través de un esquema de valor de conversión de SKAdNetwork.
- Asegúrate de que la ventana de conversión que usas en Google Ads coincida con la ventana de actividad que especificaste en tu plataforma de atribución de aplicaciones. En el caso de SKAdNetwork 3.5, es probable que sea de 1 a 3 días, por lo que puedes ajustarlo según corresponda en Google Ads. Para ello, sigue los pasos que se indican aquí.
- Si usas Appsflyer, actualmente el contador de eventos predeterminado es 1, lo que significa que no registra varios eventos por usuario. Si utilizas un modelo basado en eventos para la medición de SKAN y lo comparas con las campañas de CPA objetivo en Google Ads, puedes personalizarlo siguiendo esta guía de Appsflyer.
5. Felicitaciones
Felicitaciones, configuraste correctamente tu esquema de valor de conversión de SKAdNetwork. Una vez que esté disponible, podrás supervisar los datos en el informe de SKAdNetwork de Google Ads para verificar los valores de conversión de tus campañas de Google Ads.
Aprendiste lo siguiente:
- Cómo explorar los datos sin procesar enriquecidos de GA4F en BigQuery
- Enfoque analítico para calcular los buckets de ingresos de tu empresa
- Implementa el esquema con AppsFlyer