คำนวณกลุ่มรายได้สำหรับสคีมามูลค่า Conversion ของเครือข่าย SKAd

1. บทนำ

บริบทบางอย่างก่อนที่เราจะเริ่ม

หากคุณเป็นนักพัฒนาแอป iOS คุณคงเคยได้ยินการอัปเดตความเป็นส่วนตัวใน iOS 14.5 ขึ้นไป Apple มี SKAd Network API ซึ่งช่วยให้คุณวัดความสําเร็จของแคมเปญโฆษณาไปพร้อมกับเคารพความเป็นส่วนตัวของผู้ใช้ได้ เพื่อวัดการกระทําที่ถือเป็น Conversion ที่มีความหมายหลังการติดตั้ง คุณสามารถหาวิธีที่ดีที่สุดในการใช้ประโยชน์จาก SKAdNetwork เพื่อรับข้อมูลเชิงลึกที่มีความหมายเกี่ยวกับแคมเปญได้ตามความต้องการทางธุรกิจ ในโค้ดแล็บนี้ เราจะดูวิธีการตัวอย่างในการใช้ประโยชน์จากข้อมูล GA4F ใน BigQuery เพื่อจัดกลุ่มรายได้หลังการติดตั้งแอปเป็นกลุ่มต่างๆ ซึ่งคุณจะใช้เพื่อตั้งค่ากับพาร์ทเนอร์การระบุแหล่งที่มาของแอปได้ แม้ว่าโค้ดแล็บนี้จะใช้วิธีการที่อิงตามรายได้ แต่คุณก็สามารถใช้วิธีการที่อิงตามเหตุการณ์หรือ Funnel สําหรับการวัดผล SKAN ได้เช่นกัน โปรดดูคำแนะนำเพิ่มเติมโดยละเอียดที่ศูนย์ช่วยเหลือนี้ นี่เป็นเพียงตัวอย่าง ไม่ใช่คำแนะนำอย่างเป็นทางการจาก Google คุณสามารถออกแบบสคีมาของคุณเองตามความต้องการทางธุรกิจที่เฉพาะเจาะจงได้

สิ่งที่เราตั้งใจจะพูดถึง

• สํารวจข้อมูล GA4F ใน BigQuery
• ค้นหาข้อมูลรายได้สําหรับผู้ใช้ที่ทํา Conversion ภายใน 0-2 วัน
• จัดกลุ่มข้อมูลรายได้เป็นที่เก็บข้อมูล
• ทําความเข้าใจการกระจายผู้ใช้ในแต่ละกลุ่ม
• ใช้กลุ่มใน SKAN Conversion Studio ของ Appsflyer

ข้อกำหนดเบื้องต้น

• SDK ของ GA4F ในแอป iOS และเหตุการณ์รายได้ทั้งหมดที่ผสานรวม (in_app_purchase หรือรายได้ที่มาจากโฆษณา)
• เปิดใช้การส่งออก Firebase ไปยัง BigQuery
• App Attribution Partner ซึ่งบันทึกเหตุการณ์รายได้ทั้งหมดด้วย

2. การเข้าถึง BigQuery Export

ไปที่ชุดข้อมูล Google Cloud

ไปที่ชุดข้อมูลใน GA4F โดยไปที่การตั้งค่าโปรเจ็กต์ > การผสานรวม > BigQuery คุณต้องเปิดใช้ปุ่มสลับก่อน และเมื่อเปิดใช้แล้ว ระบบจะใช้เวลาประมาณ 48 ชั่วโมงเพื่อให้ชุดข้อมูลพร้อมใช้งาน คุณคลิกลิงก์ที่แสดงด้านล่างเพื่อไปยัง BigQuery ได้

เรียกใช้การค้นหา

ตอนนี้คุณอยู่ใน BigQuery แล้ว คุณควรเห็นตารางรายวันที่สร้างขึ้น ในภาพหน้าจอตัวอย่างด้านล่าง เราเห็นตารางรายวัน 64 ตาราง ซึ่งหมายความว่าการส่งออกทำงานมาเป็นเวลา 64 วันแล้ว หากเข้าถึงเป็นครั้งแรก คุณอาจเห็นตารางรายวันเพียง 1 ตารางสำหรับข้อมูลของวันก่อนหน้า ทางด้านขวา คุณจะเห็นสคีมาตาราง ดูรายละเอียดเพิ่มเติมเกี่ยวกับฟิลด์ได้ที่นี่

หากต้องการเริ่มเขียนคําค้นหา ให้คลิกคําค้นหา > ในแท็บใหม่

จากนั้นคุณสามารถลองเรียกใช้คําค้นหาตัวอย่างในแท็บใหม่ได้

3. วิเคราะห์ข้อมูลรายได้

การดึงข้อมูลการติดตั้ง

ตอนนี้เราต้องดูข้อมูลของผู้ใช้ที่ติดตั้งแอปภายใน 24-72 ชั่วโมงที่ผ่านมาก่อนเพื่อเริ่มสร้างกลุ่มรายได้ SKAdNetwork 4.0 ช่วยให้คุณดูข้อมูลได้ภายใน 0-2 วัน ขณะที่ SKAdNetwork 3.5 อนุญาตให้ดูได้ภายใน 24 ชั่วโมงโดยค่าเริ่มต้น (คุณอาจแก้ไขกรอบเวลากิจกรรมนี้ได้โดยทั่วไปไม่เกิน 72 ชั่วโมง ทั้งนี้ขึ้นอยู่กับความสามารถของพาร์ทเนอร์การระบุแหล่งที่มาของแอป) เมื่อผู้ใช้ติดตั้งแอปและเปิดแอปเป็นครั้งแรก SDK จะทริกเกอร์เหตุการณ์ first_open และบันทึกใน BigQuery

ตัวระบุที่คุณใช้กับ BigQuery ได้คือ user_pseudo_id (หรือที่เรียกว่ารหัสอินสแตนซ์ของแอป) ดังนั้นคุณจึงใช้การค้นหาด้านล่างเพื่อค้นหาผู้ใช้เหล่านี้ได้

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'

ข้อควรทราบ 2-3 อย่างเกี่ยวกับการค้นหานี้

• โปรดแทนที่ชื่อตารางด้วยตารางที่ส่งออกจาก Analytics คุณสามารถใช้ไวลด์การ์ด เพื่อค้นหาตารางรายวันหลายรายการได้ เช่น 2023* จะค้นหาข้อมูลทั้งหมดในปี 2023
• หากมีผู้ใช้จำนวนมาก คุณสามารถค้นหาเฉพาะ 30 วันที่ผ่านมาเพื่อการประมวลผลที่เร็วขึ้นได้
• เรากรองตามแพลตฟอร์ม = "IOS" ในกรณีที่มีแอป iOS หลายแอปในโปรเจ็กต์ Firebase คุณยังเพิ่มตัวกรองสำหรับ app_info.firebase_app_id เพื่อรับข้อมูลสําหรับแอปที่เฉพาะเจาะจงได้ด้วย

การดึงข้อมูลรายได้

ตอนนี้เรามาดูคําค้นหาเพื่อหารายได้สําหรับผู้ใช้กัน ในกรณีนี้ เราจะถือว่าเหตุการณ์รายได้ของคุณคือ in_app_purchase และ ad_impression รายได้จาก in_app_purchase จะอยู่ใน event_value_usd ส่วนรายได้จาก ad_impression จะอยู่ในพารามิเตอร์ value ภายในพารามิเตอร์เหตุการณ์ หากคุณไม่คุ้นเคยกับพารามิเตอร์เหตุการณ์ใน BigQuery เราขอแนะนําให้ดูคําจํากัดความที่นี่ และคุณสามารถลองใช้คําค้นหาตัวอย่างนี้ในเอกสารอ้างอิงอย่างเป็นทางการของเรา ซึ่งครอบคลุมถึงการดึงค่าจาก 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')

มาดูกันว่าการค้นหาทำอะไรที่นี่ สิ่งที่คุณจะสังเกตเห็นมีดังนี้

• ในอนุประโยค WHERE เราจะกรองเหตุการณ์รายได้เนื่องจากเราสนใจเฉพาะเหตุการณ์เหล่านั้น และเช่นเดียวกับครั้งที่แล้ว เรากําลังมองหาข้อมูล iOS
• ตอนนี้ในอนุประโยค SELECT เราจะใช้มูลค่าและสกุลเงินสําหรับเหตุการณ์รายได้จากโฆษณา (ad_impression) และใช้ event_value_in_usd เมื่อเหตุการณ์เป็น in_app_purchase
• หากคุณส่งหลายสกุลเงิน คุณจะต้องปรับให้เป็นสกุลเงินเดียวก่อนสำหรับการวิเคราะห์นี้ เพื่อวัตถุประสงค์ของตัวอย่างนี้ เราจะถือว่าสกุลเงินสำหรับรายได้ที่มาจากโฆษณาก็เป็น USD ด้วย

เอาต์พุตจะมีลักษณะคล้ายกับด้านล่าง (เราปกปิดคอลัมน์สำหรับ user_pseudo_id ไว้ที่นี่)

การรวมข้อมูลนี้

จนถึงตอนนี้ เราได้เรียกใช้การค้นหา 2 รายการแล้ว รายการหนึ่งเพื่อค้นหาข้อมูลสำหรับผู้ใช้ที่ติดตั้งและเปิดแอป และอีกรายการหนึ่งเพื่อค้นหารายได้สำหรับผู้ใช้เหล่านั้น ตอนนี้เรามาทบทวนสิ่งที่เราพูดคุยกันเกี่ยวกับข้อจำกัดของ SKAdNetwork กัน กรอบเวลาการระบุแหล่งที่มาจะใช้ได้ภายใน 0-2 วันหลังการติดตั้งเท่านั้น ดังนั้น เราจึงต้องตรวจสอบการประทับเวลาของเหตุการณ์สำหรับการติดตั้งและรายได้ และจะใช้เฉพาะข้อมูลที่เกิดขึ้นภายในกรอบเวลาดังกล่าว ตอนนี้เรามาลองรวมเป็นคําค้นหาที่ให้รายได้รวมสําหรับโพสต์แต่ละรายการหลังจากติดตั้งแอป 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

คําค้นหาเพียงพยายามรวมข้อมูลการติดตั้งและข้อมูลรายได้ในช่อง user_pseudo_id จากนั้นเราต้องตรวจสอบว่าการประทับเวลาอยู่ภายใน 2 วัน หากคุณใช้ SKAdNetwork 3.5 ค่าเริ่มต้นคือ 24 ชั่วโมง คุณจึงเปลี่ยนเงื่อนไขให้รวมเฉพาะข้อมูล 1 วันได้ด้วย

การจัดกลุ่มรายได้เป็นกลุ่ม

หลังจากคําค้นหาก่อนหน้า คุณจะมี user_pseudo_id และรายได้รวม

ตอนนี้เราต้องรวมข้อมูลนี้ลงในที่เก็บข้อมูลที่เราใช้สำหรับช่วงมูลค่า Conversion ได้ ด้วยเหตุนี้ เราจะใช้ฟังก์ชัน approx_quantiles ใน BigQuery ซึ่งจะสร้างช่วงเหล่านี้ให้คุณโดยอัตโนมัติ สมมติว่าเราต้องการสร้างช่วง 5 ช่วงเพื่อวัตถุประสงค์ของตัวอย่างนี้ เราจึงใช้ SELECT approx_quantiles(total_revenue, 5) AS buckets ได้

มาใช้ข้อมูลนี้ในคำค้นหาโดยรวมกัน

#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 กลุ่ม และ BigQuery จะพยายามรักษาการกระจายเปอร์เซ็นไทล์ที่สอดคล้องกัน

วิเคราะห์การกระจายผู้ใช้ด้วยกลุ่มเหล่านี้

ขั้นตอนนี้ไม่บังคับ หากคุณต้องการทำความเข้าใจการกระจายของผู้ใช้ในแต่ละกลุ่ม สำหรับตัวอย่างของเรา ช่วงของที่เก็บข้อมูลที่แสดงผลในคำค้นหาก่อนหน้าคือ

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

สำหรับช่วงสุดท้าย เราจะละเว้นกลุ่มสุดท้ายที่ 5 เนื่องจากโดยทั่วไปแล้วจะเป็นค่าสูงสุด และเราสามารถพิจารณาได้ว่า 2.5 เป็นช่วงสุดท้าย เนื่องจากผู้ให้บริการระบุแหล่งที่มาของแอปมักจะคำนวณ ROAS โดยใช้ค่าเฉลี่ยของช่วง ดังนั้นจึงต้องยกเว้นค่าผิดปกติเพื่อให้การคำนวณมีความสม่ำเสมอมากขึ้น

ตอนนี้เราจะลองดูจํานวนผู้ใช้สําหรับแต่ละวันในทุกช่วง เพื่อให้เราเข้าใจปริมาณผู้ใช้รายวันในแต่ละกลุ่มได้ โดยเราสามารถทําได้โดยใช้คําค้นหาตัวอย่างนี้ ซึ่งคุณสามารถแทนที่ค่ากลุ่มด้วยข้อมูลจริงของคุณ และคําค้นหาจะมีลักษณะดังนี้

#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

โดยจะแสดงผู้ใช้ในแต่ละช่วงรายได้ของแต่ละวัน ดังเช่นด้านล่าง หากเห็นตัวเลขที่ต่ำมากในกลุ่มใดกลุ่มหนึ่งหรือการกระจายที่ไม่สม่ำเสมอโดยทั่วไป คุณอาจต้องปรับจำนวนกลุ่มและเรียกใช้คำค้นหาอีกครั้ง

พูดคุยกันสั้นๆ เรื่อง SKAd Network 4.0

SKAd Network 4.0 มีกรอบเวลา Conversion หลายรายการสูงสุด 2 วัน, 3-7 วัน และ 8-35 วัน ในแนวทางข้างต้น คุณสามารถเปลี่ยนกรอบเวลาเพื่อวิเคราะห์ข้อมูลสำหรับสถานการณ์เพิ่มเติมเหล่านี้ได้อย่างง่ายดาย นอกจากนี้ ยังมีค่าแบบหยาบของ LOW, MEDIUM และ HIGH ด้วย อีกครั้ง หากต้องการใช้วิธีนี้ ให้คิดว่ามี 3 บัคเก็ต ดังนั้นการเปลี่ยนจำนวนบัคเก็ตเป็น 3 จะทำให้คุณได้รับเกณฑ์สำหรับต่ำ ปานกลาง และสูง

4. การติดตั้งใช้งานกับผู้ให้บริการการระบุแหล่งที่มา

คำแนะนำนี้อาจเปลี่ยนแปลงได้โดยขึ้นอยู่กับแพลตฟอร์มที่เฉพาะเจาะจง โปรดติดต่อตัวแทนของแพลตฟอร์มเพื่อขอข้อมูลล่าสุดเกี่ยวกับเรื่องนี้ ในตัวอย่างนี้ เราจะดูวิธีที่เราสามารถติดตั้งใช้งานใน AppsFlyer ได้ในปัจจุบัน

ในคำค้นหาที่เราเรียกใช้ก่อนหน้านี้ ช่วงสุดท้ายที่เราได้รับเป็นเอาต์พุตมีดังนี้

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

โปรดทราบว่าเราตัดสินใจที่จะไม่สนใจช่วงรายได้สุดท้าย เนื่องจากจะเป็นค่าผิดปกติและทำให้การคำนวณค่าเฉลี่ยสำหรับผู้ให้บริการระบุแหล่งที่มาของแอปไม่ถูกต้อง

AppsFlyer มี SKAN Conversion Studio ซึ่งช่วยให้คุณป้อนข้อมูลนี้ลงใน UI ได้โดยตรงอย่างง่ายดาย คุณจะใช้ 4.0 โดยตรงหรือใช้โหมด "กําหนดเอง" ก็ได้หากใช้ 3.5 และเพิ่มการวัด "รายได้" จากนั้นคุณก็เพียงเพิ่มช่วงรายได้ที่คำนวณจากการวิเคราะห์ก่อนหน้านี้

แนวทางปฏิบัติแนะนำและสิ่งที่ได้เรียนรู้เกี่ยวกับ Google Ads

เราขอแนะนำให้คุณทำตามคำแนะนำต่อไปนี้หากกำลังทําแคมเปญใน Google Ads และวัดผลลัพธ์ผ่านสคีมามูลค่า Conversion ของ SKAdNetwork

• ตรวจสอบว่ากรอบเวลา Conversion ที่คุณใช้ใน Google Ads ตรงกับกรอบเวลากิจกรรมที่คุณระบุในแพลตฟอร์มการระบุแหล่งที่มาของแอป สําหรับเครือข่าย SKAd 3.5 ระบบอาจใช้เวลา 1-3 วัน ดังนั้นคุณจึงปรับได้ตามความเหมาะสมใน Google Ads โดยทําตามขั้นตอนที่ระบุที่นี่

• หากคุณใช้ Appsflyer ปัจจุบันตัวนับเหตุการณ์เริ่มต้นคือ 1 ซึ่งหมายความว่าระบบจะไม่พิจารณาเหตุการณ์หลายรายการต่อผู้ใช้ หากคุณใช้รูปแบบตามเหตุการณ์สําหรับการวัด SKAN และเปรียบเทียบกับแคมเปญ tCPA ใน Google Ads คุณสามารถเลือกปรับแต่งได้โดยทําตามคําแนะนําจาก Appsflyer นี้

5. ขอแสดงความยินดี

ยินดีด้วย คุณตั้งค่าสคีมามูลค่า Conversion ของ SKAdNetwork เรียบร้อยแล้ว ตอนนี้คุณสามารถตรวจสอบข้อมูลในรายงาน SKAdNetwork ของ Google Ads เพื่อตรวจสอบมูลค่า Conversion ของแคมเปญ Google Ads ได้เมื่อรายงานพร้อมใช้งาน

คุณได้เรียนรู้

• วิธีสํารวจข้อมูลดิบที่สมบูรณ์จาก GA4F ใน BigQuery
• แนวทางการวิเคราะห์เพื่อคำนวณกลุ่มรายได้สำหรับธุรกิจ
• ทําให้สคีมาใช้งานได้กับ AppsFlyer