คำนวณแหล่งรายได้สำหรับสคีมามูลค่า Conversion ของเครือข่าย SKAd

1. บทนำ

บริบทบางอย่างก่อนที่เราจะเริ่มต้น

หากคุณเป็นนักพัฒนาแอป iOS คุณต้องเคยได้ยินเกี่ยวกับ การอัปเดตความเป็นส่วนตัวของ iOS 14.5+ เพื่อวัดการกระทำคอนเวอร์ชันที่มีความหมายหลังการติดตั้ง Apple ได้จัดเตรียม SKAd Network API ซึ่งช่วยให้คุณสามารถวัดความสำเร็จของแคมเปญโฆษณาของคุณไปพร้อมๆ กับการเคารพความเป็นส่วนตัวของผู้ใช้ ตามความต้องการทางธุรกิจของคุณ คุณสามารถหาวิธีที่เหมาะสมที่สุดในการใช้ประโยชน์จาก SKAd Network เพื่อรวบรวมข้อมูลเชิงลึกที่มีความหมายเกี่ยวกับแคมเปญของคุณ ใน Codelab นี้ เราจะตรวจสอบวิธีการตัวอย่างเพื่อใช้ประโยชน์จากข้อมูล GA4F ใน BigQuery เพื่อจัดกลุ่มการติดตั้งแอปหลังรายได้ลงในที่เก็บข้อมูล ซึ่งคุณสามารถใช้ตั้งค่ากับพาร์ทเนอร์ระบุแหล่งที่มาของแอปได้ แม้ว่า Codelab นี้จะใช้แนวทางตามรายได้ แต่คุณก็ยังใช้เหตุการณ์หรือแนวทางตามช่องทางสำหรับการวัดผล SKAN ได้ด้วย โปรดดู ศูนย์ช่วยเหลือนี้ สำหรับคำแนะนำโดยละเอียดเพิ่มเติม นี่เป็นเพียงตัวอย่าง ไม่ใช่คำแนะนำอย่างเป็นทางการของ Google คุณสามารถออกแบบสคีมาของคุณเองได้ตามความต้องการทางธุรกิจเฉพาะของคุณ

สิ่งที่เราตั้งใจจะครอบคลุม

• สำรวจข้อมูล GA4F ใน BigQuery
• ค้นหาข้อมูลรายได้สำหรับผู้ใช้ที่ทำ Conversion ภายใน 0-2 วัน
• จัดกลุ่มข้อมูลรายได้ลงในถัง
• ทำความเข้าใจการกระจายผู้ใช้ในแต่ละที่เก็บข้อมูล
• ติดตั้งบัคเก็ตใน Appsflyer SKAN Conversion Studio

ข้อกำหนดเบื้องต้น

• GA4F SDK ในแอป iOS ของคุณและเหตุการณ์รายได้ทั้งหมดที่ผสานรวม (in_app_purchase หรือ รายได้ที่ได้รับทุนจากโฆษณา )
• เปิดใช้การส่งออก Firebase ไปยัง BigQuery แล้ว
• App Attribution Partner ซึ่งบันทึกเหตุการณ์รายได้ทั้งหมดด้วย

2. การเข้าถึง BigQuery Export

ไปที่ชุดข้อมูล Google Cloud

ไปที่ชุดข้อมูลใน GA4F โดยไปที่ การตั้งค่าโปรเจ็กต์ > การผสานรวม > BigQuery ต้องเปิดใช้งานการสลับก่อนและเมื่อเปิดใช้งานแล้วจะใช้เวลาประมาณ 48 ชั่วโมงก่อนที่ชุดข้อมูลจะพร้อมใช้งาน คุณสามารถคลิกลิงก์ที่แสดงด้านล่าง จากนั้นระบบจะนำคุณไปยัง BigQuery

เรียกใช้แบบสอบถามบางอย่าง

ตอนนี้คุณอยู่ใน BigQuery แล้ว คุณควรเห็นตารางรายวันที่สร้างขึ้น ในภาพหน้าจอตัวอย่างด้านล่าง เราเห็นตารางรายวัน 64 ตาราง ดังนั้นการส่งออกจึงดำเนินไปเป็นเวลา 64 วัน หากคุณเข้าถึงเป็นครั้งแรก คุณอาจเห็นเพียง 1 ตารางรายวันสำหรับข้อมูลของวันก่อนหน้า ทางด้านขวา คุณจะเห็นสคีมาของตาราง คุณสามารถดูรายละเอียดเพิ่มเติมเกี่ยวกับฟิลด์ต่างๆ ได้ที่นี่

หากต้องการเริ่มเขียนข้อความค้นหา คุณสามารถคลิกที่ ข้อความค้นหา > ในแท็บใหม่

จากนั้นคุณสามารถลองเรียกใช้แบบสอบถามตัวอย่างในแท็บใหม่ได้

3. วิเคราะห์ข้อมูลรายได้

กำลังดึงข้อมูลการติดตั้ง

ตอนนี้ ในการเริ่มสร้างแหล่งรายได้ เราต้องดูข้อมูลสำหรับผู้ใช้ที่ติดตั้งในแอปภายใน 24 ถึง 72 ชั่วโมงที่ผ่านมาก่อน SKAd Network 4.0 ช่วยให้คุณดูข้อมูลได้ภายใน 0-2 วัน ในขณะที่ SKAd Network 3.5 อนุญาตให้คุณดูข้อมูลได้ภายใน 24 ชั่วโมงตามค่าเริ่มต้น (ขึ้นอยู่กับความสามารถของ App Attribution Partner คุณอาจแก้ไขหน้าต่างกิจกรรมนี้โดยทั่วไปได้ไม่เกิน 72 ชั่วโมง) เมื่อผู้ใช้ติดตั้งแอปและเปิดเป็นครั้งแรก เหตุการณ์ first_open จะเริ่มทำงานโดย SDK และบันทึกใน BigQuery

ตัวระบุที่คุณใช้กับ BigQuery ได้คือ user_pseudo_id (หรือที่เรียกว่ารหัสอินสแตนซ์ของแอป) คุณจึงใช้คำค้นหาด้านล่างเพื่อค้นหาผู้ใช้เหล่านี้ได้

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'

สิ่งที่ควรทราบสองสามประการเกี่ยวกับข้อความค้นหานี้

• โปรดแทนที่ชื่อตารางด้วยตารางที่ส่งออกของ Analytics คุณสามารถใช้ ไวด์การ์ด เพื่อค้นหาตารางรายวันหลายตารางได้ เช่น 2023* จะค้นหาข้อมูลทั้งหมดในปี 2023
• หากคุณมีผู้ใช้จำนวนมาก คุณสามารถค้นหาเฉพาะ 30 วันที่ผ่านมาเพื่อการประมวลผลที่เร็วขึ้น
• เรากรองบนแพลตฟอร์ม = 'IOS' ในกรณีที่คุณมีแอป iOS หลายแอปในโปรเจ็กต์ Firebase ของคุณ คุณสามารถเพิ่มตัวกรองสำหรับ app_info.firebase_app_id เพื่อรับข้อมูลสำหรับแอปที่ต้องการได้

กำลังดึงข้อมูลรายได้

ตอนนี้ มาดูข้อความค้นหาเพื่อค้นหารายได้สำหรับผู้ใช้ของคุณกัน ในกรณีนี้ เราจะถือว่าเหตุการณ์รายได้ของคุณคือ in_app_purchase และ ad_impression รายได้จาก in_app_purchase มีอยู่ในสกุลเงิน event_value_usd ในขณะที่ ad_impression มีรายได้อยู่ในพารามิเตอร์ value ภายในพารามิเตอร์เหตุการณ์ หากคุณไม่คุ้นเคยกับพารามิเตอร์เหตุการณ์ใน BigQuery ขอแนะนำให้ตรวจสอบคำจำกัดความ ที่นี่ และลอง ใช้คำค้นหาตัวอย่างนี้ ได้ในข้อมูลอ้างอิงอย่างเป็นทางการของเรา ซึ่งครอบคลุมถึงการแยกค่าจาก 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')

มาทำความเข้าใจกันว่าแบบสอบถามกำลังทำอะไรที่นี่ สิ่งเหล่านี้คือสิ่งที่คุณจะสังเกตเห็น

• ในส่วนคำสั่ง WHERE เรากำลังกรองเหตุการณ์รายได้ เนื่องจากเราสนใจเฉพาะเหตุการณ์เหล่านั้น และเช่นเดียวกับครั้งล่าสุด เรากำลังมองหาข้อมูล iOS
• ตอนนี้ ในส่วนคำสั่ง SELECT เรากำลังรับค่าและสกุลเงินสำหรับเหตุการณ์รายได้จากโฆษณา (ad_impression) และเรากำลังรับ event_value_in_usd เมื่อเหตุการณ์คือ in_app_purchase
• หากในกรณีที่คุณส่งหลายสกุลเงิน คุณจะต้องปรับให้เป็นสกุลเงินเดียวก่อนสำหรับการวิเคราะห์นี้ เพื่อวัตถุประสงค์ของตัวอย่างนี้ เราจะถือว่าสกุลเงินสำหรับรายได้จากการโฆษณาคือ USD เช่นกัน

ผลลัพธ์จะมีลักษณะดังนี้ (คอลัมน์สำหรับ user_pseudo_id ถูกแก้ไขใหม่ที่นี่)

การรวมข้อมูลนี้

จนถึงตอนนี้ เราได้ดำเนินการสองคำค้นหา คำค้นหาแรกเพื่อค้นหาข้อมูลสำหรับผู้ใช้ที่ติดตั้งและเปิดแอป และอีกคำค้นหาเพื่อค้นหารายได้สำหรับผู้ใช้เหล่านั้น ตอนนี้ เรามาจำสิ่งที่เราพูดคุยกันเกี่ยวกับข้อจำกัดของเครือข่าย SKAd กรอบเวลาการระบุแหล่งที่มาสามารถใช้ได้ภายใน 0-2 วันหลังการติดตั้งเท่านั้น ดังนั้น เราจะต้องตรวจสอบการประทับเวลาเหตุการณ์สำหรับการติดตั้งและรายได้ และรับเฉพาะข้อมูลหากเกิดขึ้นภายในกรอบเวลาดังกล่าว ตอนนี้ เรามาลองรวมเข้ากับคำค้นหาที่ให้รายได้รวมสำหรับการติดตั้งแอปแต่ละโพสต์เป็นเวลา 2 วันกัน

#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

แบบสอบถามพยายามรวมข้อมูลการติดตั้งและข้อมูลรายได้ในช่อง user_pseudo_id จากนั้นเราต้องตรวจสอบให้แน่ใจว่าการประทับเวลาอยู่ภายใน 2 วัน หากคุณใช้ SKAd Network 3.5 ค่าเริ่มต้นคือ 24 ชั่วโมง ดังนั้นคุณจึงเปลี่ยนเงื่อนไขให้รวมเฉพาะข้อมูล 1 วันได้

การแบ่งกลุ่มรายได้ออกเป็นถัง

หลังจากการสืบค้นก่อนหน้านี้ คุณจะต้องมี user_pseudo_id และรายได้ทั้งหมด

ตอนนี้เราจะต้องรวมสิ่งนี้ลงในที่เก็บข้อมูลที่เราใช้สำหรับช่วงมูลค่า Conversion ของเรา เพื่อจุดประสงค์นี้ เราจะใช้ฟังก์ชัน approx_quantiles ใน BigQuery ซึ่งจะสร้างช่วงเหล่านี้ให้คุณโดยอัตโนมัติ สมมติว่าจุดประสงค์ของตัวอย่างนี้ต้องการสร้าง 5 ช่วง ดังนั้นเราจึงสามารถใช้ที่เก็บข้อมูล AS SELECT approx_quantiles(total_revenue, 5) AS

ด้วยเหตุนี้ เราจะรวมสิ่งนี้เข้ากับข้อความค้นหาโดยรวมของเรา

#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

คำค้นหานี้จะแบ่งรายได้ออกเป็น 5 ที่เก็บข้อมูล และ BigQuery พยายามรักษาการกระจายเปอร์เซ็นไทล์ที่สอดคล้องกัน

วิเคราะห์การกระจายผู้ใช้ด้วยที่เก็บข้อมูลเหล่านี้

นี่เป็นขั้นตอน ที่ไม่บังคับ หากคุณต้องการทำความเข้าใจการกระจายตัวของผู้ใช้ในแต่ละที่เก็บข้อมูล สำหรับตัวอย่างของเรา ช่วงบัคเก็ตที่ส่งคืนในการสืบค้นก่อนหน้าคือ

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

สำหรับช่วงสุดท้าย เราจะละเว้นกลุ่ม 5 สุดท้าย เนื่องจากโดยทั่วไปแล้วจะเป็นค่าสูงสุด และเราสามารถถือว่า 2.5 เป็นช่วงสุดท้ายได้ เนื่องจากผู้ให้บริการระบุแหล่งที่มาของแอปมักจะคำนวณ ROAS โดยใช้ค่าเฉลี่ยของช่วง ดังนั้นจึงต้องยกเว้นค่าผิดปกติออกเพื่อให้การคำนวณมีความสม่ำเสมอมากขึ้น

ตอนนี้เราจะพยายามดูจำนวนผู้ใช้ในแต่ละวันในทุกช่วง เพื่อให้เราสามารถเข้าใจปริมาณผู้ใช้รายวันในแต่ละที่เก็บข้อมูล เราสามารถทำได้โดยใช้แบบสอบถามตัวอย่างนี้ ซึ่งคุณสามารถแทนที่ค่าที่เก็บข้อมูลด้วย ข้อมูลจริงของคุณ 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

โดยจะส่งคืนผู้ใช้ในแต่ละช่วงรายได้ในแต่ละวัน ดังตัวอย่างด้านล่างนี้ หากคุณเห็นตัวเลขที่ต่ำมากในบัคเก็ตใดๆ หรือการกระจายที่ไม่สม่ำเสมอโดยทั่วไป คุณอาจต้องปรับจำนวนบัคเก็ตและเรียกใช้การค้นหาอีกครั้ง

ข้อมูลสั้นๆ เกี่ยวกับ SKAd Network 4.0

SKAd Network 4.0 มีกรอบเวลาการแปลงหลายช่วงสูงสุด 2 วัน, 3-7 วัน และ 8-35 วัน ในแนวทางข้างต้น คุณสามารถเปลี่ยนหน้าต่างเพื่อวิเคราะห์ข้อมูลสำหรับสถานการณ์เพิ่มเติมเหล่านี้ได้อย่างง่ายดายเช่นกัน ค่าเกรนหยาบ ของ LOW, MEDIUM และ HIGH ก็มีให้เลือกเช่นกัน ขอย้ำอีกครั้งว่า หากคุณต้องการใช้วิธีนี้ คุณสามารถคิดได้ว่านี่เป็น 3 บัคเก็ต ดังนั้น เมื่อเปลี่ยนจำนวนบัคเก็ตเป็น 3 คุณจะได้รับเกณฑ์สำหรับ LOW, MEDIUM และ HIGH

4. การปรับใช้กับผู้ให้บริการระบุแหล่งที่มาของคุณ

คำแนะนำนี้อาจเปลี่ยนแปลงได้ ทั้งนี้ขึ้นอยู่กับแพลตฟอร์มเฉพาะ โปรดทำงานร่วมกับตัวแทนแพลตฟอร์มเพื่อรับข้อมูลล่าสุดเกี่ยวกับเรื่องนี้ สำหรับวัตถุประสงค์ของตัวอย่างนี้ เราจะดูว่าเราสามารถปรับใช้สิ่งนี้บน AppsFlyer ได้อย่างไร

ในแบบสอบถามที่เราเรียกใช้ก่อนหน้านี้ ช่วงสุดท้ายที่เราได้รับเป็นผลลัพธ์มีดังนี้

• 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

โปรดจำไว้ว่าเราตัดสินใจที่จะ เพิกเฉยต่อช่วงรายได้สุดท้าย เนื่องจากจะเป็นค่าที่ผิดปกติ และบิดเบือนการคำนวณโดยเฉลี่ยสำหรับผู้ให้บริการระบุแหล่งที่มาของแอปของคุณ

AppsFlyer นำเสนอ SKAN Conversion Studio ซึ่งการป้อนข้อมูลลงใน UI โดยตรงนั้นค่อนข้างง่าย คุณสามารถใช้ 4.0 โดยตรงหรือใช้โหมด "กำหนดเอง" หากคุณใช้ 3.5 และเพิ่มการวัด "รายได้" จากนั้นคุณสามารถเพิ่มช่วงรายได้ที่คุณคำนวณจากการวิเคราะห์ก่อนหน้านี้ได้

แนวทางปฏิบัติที่ดีที่สุดและการเรียนรู้เกี่ยวกับ Google Ads

เราอยากจะให้คำแนะนำแก่คุณหากคุณใช้งานแคมเปญบน Google Ads และวัดผลกระทบผ่านสคีมามูลค่า Conversion ของเครือข่าย SKAd

• ตรวจสอบให้แน่ใจว่ากรอบเวลา Conversion ที่คุณใช้บน Google Ads ตรงกับ กรอบเวลากิจกรรม ที่คุณระบุไว้บนแพลตฟอร์มการระบุแหล่งที่มาของแอป สำหรับเครือข่าย SKAd 3.5 อาจใช้เวลาภายใน 1-3 วัน คุณจึงปรับเปลี่ยนตามบน Google Ads ได้โดยทำตามขั้นตอนที่แสดงไว้ ที่นี่

• หากคุณใช้ Appsflyer ปัจจุบันตัวนับเหตุการณ์เริ่มต้นคือ 1 ซึ่งหมายความว่าไม่ได้คำนึงถึงหลายเหตุการณ์ต่อผู้ใช้ หากคุณใช้แบบจำลองตามเหตุการณ์สำหรับการวัดผล SKAN และเปรียบเทียบกับแคมเปญ tCPA บน Google Ads คุณสามารถเลือกปรับแต่งได้โดยทำตาม คำแนะนำจาก Appsflyer

5. ขอแสดงความยินดี

ยินดีด้วย คุณตั้งค่าสคีมามูลค่า Conversion ของเครือข่าย SKAd สำเร็จแล้ว ตอนนี้คุณสามารถตรวจสอบข้อมูลใน รายงานเครือข่าย Google Ads SKAd เพื่อตรวจสอบมูลค่า Conversion สำหรับแคมเปญ Google Ads ของคุณเมื่อเผยแพร่แล้ว

คุณได้เรียนรู้แล้ว

• วิธีสำรวจข้อมูลดิบที่สมบูรณ์จาก GA4F ใน BigQuery
• วิธีการวิเคราะห์เพื่อคำนวณแหล่งรายได้สำหรับธุรกิจของคุณ
• ปรับใช้สคีมาด้วย AppsFlyer