1.简介
开始之前的一些背景
如果您是 iOS 应用开发者，那么必须听说过 iOS 14.5+ 隐私权更新。为了衡量有意义的安装后转化操作，Apple 提供了 SKAd Network API，可让您衡量广告系列的成效，同时尊重用户隐私。您可以根据自己的业务需求想出最佳方法，利用 SKAd Network 获取有关您广告系列的有意义的数据洞见。在此 Codelab 中，我们将分析一种示例方法，利用 BigQuery 中的 GA4F 数据，将应用安装后的收入划分到存储分区中，以便您对应用归因合作伙伴进行设置。虽然此 Codelab 使用基于收入的方法，但您也可以使用基于事件或漏斗的方法进行 SKAN 衡量。如需更详细的指导，请参阅此帮助中心。这只是一个示例，并非 Google 官方建议。您可以根据自己的特定业务需求设计自己的架构
我们打算涵盖的内容
- 在 BigQuery 中探索 GA4F 数据
- 查找在 0-2 天内完成转化的用户的收入数据
- 将收入数据划分到不同的存储分区中
- 了解每个存储分区中的用户分布情况
- 在 Appsflyer SKAN Conversion Studio 中实现存储分区
前提条件
- iOS 应用中的 GA4F SDK ，以及集成的所有收入事件（in_app_purchase 或广告资助收入）
- 已启用从 Firebase 到 BigQuery 的导出
- 应用归因合作伙伴，也会记录所有收入事件
2. 访问 BigQuery Export
导航到 Google Cloud 数据集
前往 GA4F 中的项目设置 >集成 >BigQuery。需要先启用切换开关，启用后，数据集大约需要 48 小时才能可用。您可以点击下方显示的链接，前往 BigQuery
运行一些查询
现在您已进入 BigQuery，应该会看到系统每天生成的表格。在下面的示例屏幕截图中，我们看到每天 64 个表格，因此导出作业已经运行了 64 天。如果您是第一次访问该表格，则可能每天只会看到一个显示前一天数据的表格。您会在右侧看到表架构。您可以点击此处，详细了解各个字段。
要开始编写查询，您可以点击查询 >在新标签页中
然后，您可以尝试在新标签页中运行示例查询
3. 分析收入数据
正在提取安装数据
现在，要开始计算收入范围，我们必须先查看过去 24 到 72 小时内安装应用的用户的数据。SKAd Network 4.0 允许您在 0-2 天内查看数据，而 SKAd Network 3.5 默认允许 24 小时查看数据。（通常您或许可以修改此活动窗口，使其不超过 72 小时，具体取决于您的应用归因合作伙伴的功能）。当用户安装应用并首次打开该应用时，SDK 会触发 first_open 事件并将其记录在 BigQuery 中。
可用于 BigQuery 的标识符是 user_pseudo_id（也称为应用实例 ID），因此您可以使用以下查询查找这些用户
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'
关于此查询的几点说明
- 请将表格名称替换为 Google Analytics 导出的表格。您可以使用通配符 查询多个日常表。例如，2023* 将查询 2023 年的所有数据
- 如果您有许多用户，也可以仅查询过去 30 天的查询，以加快处理速度
- 我们按平台 =“IOS”进行过滤。如果您的 Firebase 项目中有多个 iOS 应用，您还可以为 app_info.firebase_app_id 添加过滤条件，以获取特定应用的数据
提取收入数据
现在，我们来看看用于查找用户收入的查询。在这种情况下，我们会假设您的收入事件是 in_app_purchase 和 ad_impression。来自 in_app_purchase 的收入数据包含在 event_value_usd 中，而对于 ad_impression，事件参数中可用的收入数据。如果您不熟悉 BigQuery 中的事件参数，建议您查看此处的定义，并且可以在我们的官方参考文档中试用此示例查询，该参考文档还介绍了如何从 event_params 中提取值
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')
我们来了解一下这个查询在执行什么操作。您会注意到
- 在 WHERE 子句中，我们会过滤收入事件，因为我们只对这些事件感兴趣，和上次一样，我们要查找 iOS 数据
- 现在，在 SELECT 子句中，我们将获取广告收入事件 (ad_impression) 的价值和币种，当事件为 in_app_purchase 时，将采用 event_value_in_usd。
- 如果您要发送多种货币，首先需要针对此项分析使用一种货币。在本示例中，我们假设广告赞助收入的币种也是美元
输出类似于以下内容（此处已隐去 user_pseudo_id 列）。
整合这些数据
到目前为止，我们已经运行了两个查询，一个用于查找已安装并打开应用的用户的数据，另一个用于查找这些用户的收入。现在，我们来回顾一下之前讨论过 SKAd 广告联盟限制的内容。归因回溯期只能在安装后的 0-2 天内使用。因此，我们需要检查事件时间戳，以了解安装和收入，并且仅当信息在该时间范围内发生时才会获取。现在，我们来介绍如何将查询合并到一个查询中，查询中每个帖子在两天的安装情况对应的总收入
#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
该查询只会尝试通过 user_pseudo_id 字段联接安装数据和收入数据，然后我们必须确保时间戳在 2 天内。如果您使用的是 SKAd Network 3.5，则默认值为 24 小时，因此您也可以更改条件，使其仅包含 1 天的数据
将收入分组
完成上一个查询后，您应该会获得 user_pseudo_id 和总收入。
现在，我们需要将其合并到一个存储分区中，以便用于我们的转化价值范围。为此，我们将使用 BigQuery 中的 approx_quantiles 函数，该函数自动为您创建这些范围。在本示例中，我们假设我们想创建 5 个范围，因此只需使用 SELECT approx_quantiles(total_revenue, 5) AS 分区
接下来，我们将它纳入到总体查询中，
#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
此查询应将收入划分为 5 个分桶，BigQuery 会尽量保持一致的百分位分布
通过这些类别分析用户分布情况
如果您想了解每个存储分区中的用户分布情况，则可以选择执行此步骤。在我们的示例中，上一个查询中返回的存储分区范围为
- 0.1
- 0.5
- 2
- 2.5
- 5 [不应在范围配置中使用最后一个值]
对于最终范围，我们应忽略最后一个分区 5，因为这通常是最大值，我们可以将 2.5 视为最后一个范围。这是因为应用归因服务提供商往往使用范围的平均值来计算广告支出回报率，因此必须排除离群值以获得更均匀的计算结果。
现在，我们将尝试查看所有时间范围内每个日期的用户数量，以了解每个存储分区中每日用户的数量。我们可以使用此示例查询执行这项操作，您可以将存储分区值替换为实际数据，查询将如下所示：
#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
它应返回每个收入范围内每天的用户，如下所示。如果您在任何存储分区中看到数值非常小或者分布通常不均匀，您可能需要调整存储分区的数量并重新运行查询。
SKAd Network 4.0 简介
SKAd Network 4.0 提供多种转化时间范围，最长为 2 天、3-7 天和 8-35 天。在上述方法中，您可以轻松更改窗口，以分析这些额外场景的数据。您还可以使用粗粒度值，包括 LOW、MEDIUM 和 HIGH。同样，如果您想使用此方法，可将其看作 3 个分桶。因此，将分桶数改为 3 可得出低、中和高的阈值
4. 使用归因服务提供商进行部署
本指南可能会因具体平台而异。如需了解与此有关的最新信息，请与平台代表联系。在本示例中，我们将探讨当前如何在 AppsFlyer 上部署此模型。
在我们之前运行的查询中，我们得到的最终输出范围如下所示
- 范围 1：0 到 0.1
- 范围 2：0.1 到 0.5
- 范围 3：0.5 到 2
- 范围 4：2 至 2.5
请注意，我们决定忽略上一个收入范围，因为这是一个离群值，导致应用归因提供商的平均计算结果出现偏差。
AppsFlyer 提供 SKAN Conversion Studio，非常便于在界面中直接输入此代码。您可以直接使用 4.0，也可以使用“自定义”模式，并在“Revenue”字段中添加“Revenue”衡量。然后，您就可以添加先前分析中计算出的收入范围。
Google Ads 最佳做法和心得
如果您在 Google Ads 上投放广告系列，并通过 SKAd Network 转化价值架构来衡量效果，我们会为您提供一些建议
- 请确保您在 Google Ads 中使用的转化时间范围与您在应用归因平台中指定的活动时间范围一致。对于 SKAd 广告联盟 3.5，这可能需要 1-3 天的时间，因此您可以按照此处列出的步骤在 Google Ads 中相应地进行调整
- 如果您使用的是 Appsflyer，那么目前的默认事件计数器为 1，这意味着它不会为每位用户计算多个事件。如果您使用基于事件的模型进行 SKAN 衡量，并与 Google Ads 上的“目标每次转化费用”广告系列进行比较，则可以选择按照 Appsflyer 提供的指南进行自定义
5. 恭喜
恭喜，您已成功设置 SKAd Network 转化价值架构。您现在可以监控 Google Ads SKAd 广告联盟报告中的数据，以便在这些广告系列发布后查看 Google Ads 广告系列的转化价值
您学到的内容
- 如何在 BigQuery 中探索 GA4F 中的丰富原始数据
- 一种分析方法，用于计算您的业务收入范围
- 使用 AppsFlyer 部署架构