คำนวณกลุ่มรายได้สำหรับสคีมามูลค่า Conversion ของเครือข่าย SKAd

คำนวณกลุ่มรายได้สำหรับสคีมามูลค่า Conversion ของเครือข่าย SKAd

เกี่ยวกับ Codelab นี้

subjectอัปเดตล่าสุดเมื่อ ต.ค. 18, 2023
account_circleเขียนโดย Surath Sarma

1 บทนำ

บริบทบางอย่างก่อนที่เราจะเริ่มต้น

หากคุณเป็นนักพัฒนาแอป iOS คุณน่าจะเคยได้ยินเกี่ยวกับการอัปเดตความเป็นส่วนตัวสำหรับ iOS 14.5 ขึ้นไป Apple มี SKAd Network API เพื่อวัดการกระทําที่ถือเป็น Conversion ที่มีความหมายหลังจากติดตั้ง ซึ่งให้คุณวัดความสำเร็จของแคมเปญโฆษณาในขณะที่เคารพความเป็นส่วนตัวของผู้ใช้ได้ คุณสามารถค้นหาวิธีที่ดีที่สุดในการใช้ประโยชน์จากเครือข่าย SKAd เพื่อรับข้อมูลเชิงลึกที่มีความหมายเกี่ยวกับแคมเปญโดยพิจารณาจากความต้องการทางธุรกิจของคุณ ใน Codelab นี้ เราจะแสดงตัวอย่างวิธีการในการใช้ประโยชน์จากข้อมูล GA4F ใน BigQuery เพื่อจัดกลุ่มรายได้หลังการติดตั้งแอปลงในที่เก็บข้อมูล ซึ่งคุณนำไปใช้ตั้งค่าร่วมกับพาร์ทเนอร์ระบุแหล่งที่มาสำหรับแอปได้ แม้ว่า Codelab นี้จะใช้แนวทางที่อิงตามรายได้ แต่คุณก็ใช้เหตุการณ์หรือวิธีการตาม Funnel สำหรับการวัด SKAN ได้เช่นกัน โปรดดูคำแนะนำโดยละเอียดเพิ่มเติมในศูนย์ช่วยเหลือนี้ นี่เป็นเพียงตัวอย่างไม่ใช่คำแนะนำอย่างเป็นทางการของ Google คุณออกแบบสคีมาของตนเองตามความต้องการทางธุรกิจที่เฉพาะเจาะจงได้

หัวข้อที่เราตั้งใจจะพูดถึง

  • สำรวจข้อมูล GA4F ใน BigQuery
  • ค้นหาข้อมูลรายได้สำหรับผู้ใช้ที่ทำ Conversion ภายใน 0-2 วัน
  • จัดกลุ่มข้อมูลรายได้ลงในที่เก็บข้อมูล
  • ทําความเข้าใจการกระจายตัวของผู้ใช้ในที่เก็บข้อมูลแต่ละชุด
  • ใช้ที่เก็บข้อมูลใน Appsflyer SKAN Conversion Studio

สิ่งที่ต้องมีก่อน

2 การเข้าถึง BigQuery Export

ไปที่ชุดข้อมูลใน GA4F โดยไปที่การตั้งค่าโปรเจ็กต์ > การผสานรวม > BigQuery คุณต้องเปิดใช้ปุ่มสลับก่อน และเปิดใช้แล้ว ชุดข้อมูลจะใช้เวลาประมาณ 48 ชั่วโมงจึงจะพร้อมใช้งาน คุณสามารถคลิกลิงก์ที่แสดงด้านล่าง แล้วระบบจะนำคุณไปยัง BigQuery

1aa4e20bfd3419d1.png

เรียกใช้การค้นหาบางรายการ

เมื่ออยู่ใน BigQuery แล้ว คุณควรจะเห็นตารางรายวันที่สร้างขึ้น ในภาพหน้าจอตัวอย่างด้านล่าง เราได้เห็นตารางรายวัน 64 ตาราง ดังนั้นการส่งออกจึงดำเนินการมาเป็นเวลา 64 วัน หากเข้าถึงเป็นครั้งแรก คุณอาจเห็นตารางรายวัน 1 ตารางสำหรับข้อมูลวันก่อนหน้า คุณจะเห็นสคีมาของตารางทางด้านขวา ดูรายละเอียดเพิ่มเติมเกี่ยวกับช่องดังกล่าวได้ที่นี่

เพื่อเริ่มเขียนคำค้นหา คุณสามารถคลิกที่ คำค้นหา > ในแท็บใหม่

42ba59ec655c5d1b.png

จากนั้นให้ลองเรียกใช้การค้นหาตัวอย่างในแท็บใหม่

70ef90d32b7cd7f1.png

3 วิเคราะห์ข้อมูลรายได้

กำลังดึงข้อมูลการติดตั้ง

เราต้องดูข้อมูลของผู้ใช้ที่ติดตั้งแอปภายใน 24-72 ชั่วโมงที่ผ่านมาก่อน เพื่อเริ่มสร้างขอบเขตรายได้ SKAd Network 4.0 ช่วยให้คุณดูข้อมูลใน 0-2 วันได้ ขณะที่เครือข่าย SKAd 3.5 อนุญาต 24 ชั่วโมงโดยค่าเริ่มต้น (คุณอาจแก้ไขกรอบเวลากิจกรรมนี้ได้โดยไม่เกิน 72 ชั่วโมง ทั้งนี้ขึ้นอยู่กับความสามารถของ App Attribution Partner ของคุณ) เมื่อผู้ใช้ติดตั้งแอปและเปิดแอปเป็นครั้งแรก SDK จะเริ่มเหตุการณ์ first_open และบันทึกใน BigQuery

ตัวระบุที่คุณใช้สำหรับ BigQuery ได้คือ user_pseudo_id (เรียกอีกอย่างว่ารหัสอินสแตนซ์ของแอป) คุณจึงใช้การค้นหาด้านล่างเพื่อค้นหาผู้ใช้เหล่านี้ได้

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'

สิ่งที่ควรทราบเกี่ยวกับคำค้นหานี้

  • โปรดเปลี่ยนชื่อตารางด้วยตารางที่ส่งออกของ Analytics คุณใช้ไวลด์การ์ด เพื่อค้นหาตารางรายวันหลายตารางได้ ตัวอย่างเช่น ปี 2023* จะค้นหาข้อมูลทั้งหมดในปี 2023
  • หากคุณมีผู้ใช้จำนวนมาก คุณยังค้นหาเฉพาะ 30 วันล่าสุดได้ด้วยเพื่อให้ประมวลผลได้เร็วขึ้น
  • เรากรองแพลตฟอร์ม = "IOS" ในกรณีที่มีแอป iOS หลายแอปในโปรเจ็กต์ Firebase คุณสามารถเพิ่มตัวกรองสำหรับ app_info.firebase_app_id เพื่อรับข้อมูลสำหรับแอปที่ต้องการได้ด้วย

กำลังดึงข้อมูลรายได้

ตอนนี้เรามาดูคำค้นหาเพื่อค้นหารายได้สำหรับผู้ใช้ของคุณกัน ในกรณีนี้ เราจะถือว่าเหตุการณ์รายได้ของคุณคือ in_app_purchase และ ad_impression รายได้จาก in_app_purchase อยู่ใน event_value_usd ส่วนสําหรับ ad_impression รายได้จะอยู่ในพารามิเตอร์ value ภายในพารามิเตอร์เหตุการณ์ หากคุณไม่คุ้นเคยกับพารามิเตอร์เหตุการณ์ใน BigQuery เราขอแนะนําให้ดูคําจํากัดความที่นี่ รวมถึงลองใช้คําค้นหาตัวอย่างนี้ในข้อมูลอ้างอิงอย่างเป็นทางการของเรา ซึ่งจะครอบคลุมการดึงค่าจาก event_params ด้วย

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')

มาดูการทำงานของการค้นหาที่นี่กัน คุณจะสังเกตเห็นสิ่งต่อไปนี้

  • ในวรรค "WHERE" เราจะกรองหาเหตุการณ์เกี่ยวกับรายได้ เนื่องจากเราสนใจเฉพาะเหตุการณ์เหล่านั้นเท่านั้น และเช่นเดียวกับครั้งที่แล้ว เราต้องการข้อมูล iOS
  • ส่วนในวรรค SELECT เราจะนํามูลค่าและสกุลเงินสําหรับเหตุการณ์รายได้จากโฆษณา (ad_impression) และจะนํา event_value_in_usd เมื่อเหตุการณ์เป็น in_app_purchase
  • ในกรณีที่คุณส่งหลายสกุลเงิน คุณต้องให้สอดคล้องกับสกุลเงินเดียวสำหรับการวิเคราะห์นี้ก่อน สำหรับในตัวอย่างนี้ เราจะถือว่าสกุลเงินของรายได้จากการโฆษณาเป็นสกุลเงิน USD ด้วย

เอาต์พุตจะมีลักษณะดังนี้ (คอลัมน์ user_pseudo_id มีการปกปิดที่นี่)

1e1e6943e4b3a6d8.png

การรวมข้อมูลนี้

จนถึงทุกวันนี้เราใช้ข้อความค้นหา 2 ข้อความ รายการหนึ่งใช้เพื่อหาข้อมูลสำหรับผู้ใช้ที่ติดตั้งและเปิดแอป และอีกรายการหนึ่งเป็นเพื่อหารายได้สำหรับผู้ใช้เหล่านั้น ต่อไปมาอย่าลืมสิ่งที่เราพูดถึงเกี่ยวกับข้อจำกัดของเครือข่าย SKAd กัน กรอบเวลาการระบุแหล่งที่มาจะใช้ได้ภายใน 0-2 วันหลังจากการติดตั้งเท่านั้น เราจึงต้องตรวจสอบการประทับเวลาเหตุการณ์สำหรับการติดตั้งและรายได้ และนำข้อมูลมาใช้เฉพาะในกรณีที่เกิดขึ้นภายในกรอบเวลาดังกล่าวเท่านั้น ตอนนี้เรามาลองสรุปรวมเป็นคำค้นหาที่แสดงรายได้รวมสำหรับการโพสต์แต่ละครั้งหลังจากการติดตั้งแอป 2 วัน

#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

คำค้นหาเพียงพยายามรวมข้อมูลการติดตั้งและข้อมูลรายได้ในช่อง user_pseudo_id จากนั้นเราจะต้องตรวจสอบว่าการประทับเวลาอยู่ภายใน 2 วัน หากใช้ SKAd Network 3.5 ค่าเริ่มต้นจะเป็น 24 ชั่วโมง คุณจึงเปลี่ยนเงื่อนไขให้รวมข้อมูลของ 1 วันเท่านั้นได้ด้วย

จัดกลุ่มรายได้

หลังจากการค้นหาก่อนหน้า คุณจะต้องมี user_pseudo_id และรายได้ทั้งหมด

2c1986b93e937d19.png

ตอนนี้เราจะต้องรวมสิ่งนี้ลงในที่เก็บข้อมูล ซึ่งสามารถใช้สำหรับช่วงมูลค่า Conversion ของเราได้ สำหรับวัตถุประสงค์นี้ เราจะใช้ฟังก์ชัน approx_quariles ใน BigQuery ซึ่งจะสร้างช่วงเหล่านี้ให้คุณโดยอัตโนมัติ สมมติว่าในตัวอย่างนี้เราต้องการสร้าง 5 ช่วง เราจึงสามารถใช้ที่เก็บข้อมูล approx_quariles(total_revenue, 5) AS

ดังนั้น เราจะได้ผสานรวมข้อมูลนี้กับคำค้นหาโดยรวมของเรา

#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

การค้นหานี้จะแบ่งรายได้ออกเป็น 5 ช่วง และ BigQuery จะพยายามรักษาการกระจายเปอร์เซ็นไทล์ให้สอดคล้องกัน

ba46f5d993449948.png

วิเคราะห์การกระจายตัวของผู้ใช้ด้วยที่เก็บข้อมูลเหล่านี้

ขั้นตอนนี้เป็นขั้นตอนที่ไม่บังคับ หากต้องการทำความเข้าใจเกี่ยวกับการกระจายผู้ใช้ในที่เก็บข้อมูลแต่ละชุด สำหรับตัวอย่างของเรา ช่วงที่เก็บข้อมูลที่แสดงผลในการค้นหาก่อนหน้าคือ

  • 0.1
  • 0.5
  • 2
  • 2.5
  • 5 [จะต้องไม่ใช้ค่าสุดท้ายในการกำหนดค่าช่วง]

สำหรับช่วงสุดท้าย เราจะไม่สนใจที่เก็บข้อมูล 5 สุดท้าย เนื่องจากโดยทั่วไปจะเป็นค่าสูงสุด และเราจะพิจารณาได้ว่า 2.5 เป็นช่วงสุดท้าย ทั้งนี้เนื่องจากผู้ให้บริการระบุแหล่งที่มาของแอปมักจะคำนวณ ROAS โดยใช้ค่าเฉลี่ยของช่วง จึงต้องยกเว้นค่าผิดปกติเพื่อให้คำนวณในแบบเดียวกันมากขึ้น

ตอนนี้เราจะพยายามดูจำนวนผู้ใช้สำหรับแต่ละวันในทุกช่วง เพื่อให้เราเข้าใจปริมาณผู้ใช้รายวันในที่เก็บข้อมูลแต่ละชุด ซึ่งเราสามารถทำได้โดยใช้การค้นหาตัวอย่างนี้ ซึ่งคุณสามารถแทนที่ค่าที่เก็บข้อมูลด้วยข้อมูลจริงของคุณ และข้อความค้นหาจะมีลักษณะดังนี้

#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

ระบบจะแสดงผู้ใช้ในช่วงรายได้แต่ละช่วงของแต่ละวัน ดังตัวอย่างด้านล่าง หากเห็นตัวเลขที่ต่ำมากในที่เก็บข้อมูลหรือการกระจายโดยทั่วไปที่ไม่เท่ากัน คุณอาจต้องปรับจำนวนที่เก็บข้อมูลและเรียกใช้การค้นหาอีกครั้ง

bf7d73085fe94cb6.png

ข้อมูลเบื้องต้นเกี่ยวกับ SKAd Network 4.0

SKAd Network 4.0 มีกรอบเวลา Conversion หลายกรอบเวลาสูงสุด 2 วัน, 3-7 วัน และ 8-35 วัน จากแนวทางข้างต้น คุณสามารถเปลี่ยนกรอบเวลาเพื่อวิเคราะห์ข้อมูลสำหรับสถานการณ์เพิ่มเติมเหล่านี้ได้อย่างง่ายดาย นอกจากนี้ยังมีค่าแบบละเอียด LOW, MEDIUM และ HIGH ที่ใช้ได้ด้วย ขอย้ำอีกครั้งว่าหากคุณต้องการใช้วิธีการนี้ ให้มองว่านี่เป็นที่เก็บข้อมูล 3 รายการ ดังนั้นหากเปลี่ยนจำนวนที่เก็บข้อมูลเป็น 3 คุณจะได้เกณฑ์สำหรับ "ต่ำ" "ปานกลาง" และ "สูง"

4 การติดตั้งใช้งานกับผู้ให้บริการระบุแหล่งที่มา

คำแนะนำนี้อาจมีการเปลี่ยนแปลง โดยขึ้นอยู่กับแพลตฟอร์มแต่ละแห่ง โปรดปรึกษาตัวแทนแพลตฟอร์มเพื่อดูข้อมูลที่อัปเดตล่าสุดเกี่ยวกับเรื่องนี้ สำหรับวัตถุประสงค์ของตัวอย่างนี้ เราจะดูว่าปัจจุบันเราทำให้การดำเนินการนี้ใช้งานได้กับ AppsFlyer อย่างไร

ในการค้นหาที่เราเรียกใช้ก่อนหน้านี้ ช่วงสุดท้ายที่เราได้รับเป็นเอาต์พุตจะเป็นดังนี้

ba46f5d993449948.png

  • ช่วง 1 : 0 ถึง 0.1
  • ช่วง 2 : 0.1 ถึง 0.5
  • ช่วง 3 : 0.5 ถึง 2
  • ช่วง 4 : 2 ถึง 2.5

โปรดทราบว่าเราตัดสินใจที่จะไม่สนใจช่วงรายได้ล่าสุด เนื่องจากจะเป็นค่าผิดปกติ และบิดเบือนการคำนวณโดยเฉลี่ยสำหรับผู้ให้บริการระบุแหล่งที่มาของแอป

AppsFlyer มี SKAN Conversion Studio ซึ่งป้อนข้อมูลนี้ลงใน UI โดยตรงได้อย่างง่ายดาย คุณจะใช้ 4.0 โดยตรงหรือใช้ "กำหนดเอง" ก็ได้ หากคุณใช้ 3.5 และเพิ่ม "รายได้" การวัดผล จากนั้นให้เพิ่มช่วงรายได้ที่คำนวณไว้จากการวิเคราะห์ก่อนหน้า

f8c56abdf9b405f4.png

แนวทางปฏิบัติแนะนำและการเรียนรู้เกี่ยวกับ Google Ads

เราขอมอบคำแนะนำในกรณีที่คุณใช้งานแคมเปญใน Google Ads และวัดผลผ่านสคีมามูลค่า Conversion ของเครือข่าย SKAd

  • ตรวจสอบว่ากรอบเวลา Conversion ที่ใช้ใน Google Ads ตรงกับกรอบเวลากิจกรรมที่คุณระบุไว้ในแพลตฟอร์มการระบุแหล่งที่มาของแอป สำหรับเครือข่าย SKAd 3.5 ขั้นตอนนี้อาจใช้เวลาภายใน 1-3 วัน คุณจึงปรับเปลี่ยนให้สอดคล้องกันใน Google Ads ได้โดยทำตามขั้นตอนที่ระบุไว้ที่นี่

4fd625aae9d4a43.png

  • ถ้าคุณใช้ Appsflyer ปัจจุบันตัวนับเหตุการณ์เริ่มต้นคือ 1 ซึ่งหมายความว่าตัวนับเหตุการณ์จะไม่นับรวมหลายกิจกรรมต่อผู้ใช้ หากใช้โมเดลตามเหตุการณ์สำหรับการวัด SKAN และเปรียบเทียบกับแคมเปญ tCPA ใน Google Ads อยู่ คุณเลือกที่จะปรับแต่งได้โดยทำตามคําแนะนํานี้จาก Appsflyer

6c7a4d703567700a.png

5 ขอแสดงความยินดี

ยินดีด้วย คุณตั้งค่าสคีมามูลค่า Conversion ของเครือข่าย SKAd เรียบร้อยแล้ว ตอนนี้คุณสามารถตรวจสอบข้อมูลในรายงานเครือข่าย SKAd ของ Google Ads เพื่อตรวจสอบมูลค่า Conversion สําหรับแคมเปญ Google Ads เมื่อเผยแพร่แล้ว

คุณได้เรียนรู้

  • วิธีสำรวจข้อมูลดิบที่สมบูรณ์จาก GA4F ใน BigQuery
  • แนวทางการวิเคราะห์เพื่อคำนวณที่เก็บข้อมูลรายได้สำหรับธุรกิจ
  • ทำให้สคีมาใช้งานได้ด้วย AppsFlyer