Анализиране на данни с Adobe Analytics: Откъде идват данните

Може да не знаете това, но потребителите на Adobe Analytics извършват анализ на данни за неща извън техните уебсайтове. Adobe също така улавя данни от името на своите клиенти в мобилни приложения, приложения за таблети и др. Освен това Adobe вгради значителна гъвкавост в Adobe Analytics, за да се справи с по-дигитално свързан потребителски свят, който безпроблемно преминава от гласов асистент към телефон към лаптоп.

©Shutterstock/LineTale

Възприятията за естеството на анализа на данните бяха определени в сферата на популярната култура от героя на Джона Хил във филмовата адаптация на книгата Moneyball . В тази истинска история бейзболен отбор на малкия пазар (Оукланд А) успя драматично да надмине отборите с много по-големи заплати, като иновативно идентифицира и действа за придобиване на играчи с по-ниска цена въз основа на статистически мерки за ефективността на играча извън и в много отношения срещу традиционните показатели, като средни стойности на ударите, хоумрани за сезон и RBIs (ранове с удари).

Откакто излезе този филм, се появиха нови и все по-сложни предизвикателства при събирането и анализирането на данни. ( Разгледайте тази статия за повече информация относно тенденциите в данните .)

Например потребителите на онлайн устройства са били обусловени бързо да се придвижват от едно място на друго, което изисква по-нюансирани и подробни показатели за точно проследяване на активността на потребителите. И потребителите все повече осъзнават съображенията за поверителност и вземат по-информирани решения за това как искат да управляват връзката между удобството, осигурено от проследяването на тяхната дейност, спрямо запазването на поверителността на тяхната онлайн дейност.

От другата страна на монетата за анализ на данни съществуват много повече източници на потребителски данни, отколкото само преди няколко години. Днес Adobe разполага с редица механизми за импортиране на информация за анализ на данни от дигитално изключени източници, като кол центрове, системи за управление на взаимоотношенията с клиенти (CRM) и двигатели за търговия в магазина.

Преди да се потопите в подробностите за това как се събират данните, важно е да разберете, че улавянето на данни и изпомпването им в Adobe Analytics обикновено не е домейн на анализаторите на данни. Вашата работа като анализатор е да анализирате данните, заснети от активността на потребителите.

Но следният основен преглед на това как се събират данни е важен за анализаторите по две причини. Първо, добре е да знаете откъде идват данните, когато искате да оцените тяхната валидност; и второ, наличието на основно разбиране на процеса на копаене и изпращане на данни в Adobe Analytics ви позволява да имате по-продуктивни взаимодействия с хората, които настройват инструментите за извличане на данни.

Използване на Adobe Analytics за улавяне на данни от уебсайтове

Нека започнем с най-често срещания източник на данни на Adobe Analytics: уебсайтове. Уеб данните първоначално бяха анализирани въз основа на регистрационни файлове на сървъра. Данните от сървърния дневник се генерират автоматично от сървъри, които хостват уебсайтове и предоставят брой и времеви печат на всяка заявка и изтегляне на всеки файл на сайта. За съжаление данните са много ненадеждни, тъй като логовете на сървъра нямат способността да различават ботове от хора.

Ботовете са автоматизирани компютри, които сканират уебсайтове. Тези ботове често са приятелски настроени и се използват за класиране на уебсайтове за търсачки или уебсайтове за агрегатори на продукти. Някои ботове обаче не са приятелски настроени и се използват за конкурентна информация или по-лошо.

Тъй като сървърните регистрационни файлове не могат да различат човек от бот, индустрията бързо мигрира към тагове, които сега са индустриален стандарт. По принцип маркерите са базирани на JavaScript редове код, които добавят невидимо изображение към всяка страница и действие на вашия уебсайт. Тези изображения действат като маяк към инструментите за анализ, където няколко неща се случват само за няколко милисекунди:

JavaScript кодът се изпълнява, за да идентифицира информацията за браузъра и устройството, както и времевата марка на изгледа на страницата.

Повече JavaScript код се изпълнява, за да търси съществуването на бисквитка, която е част от текст, запазена в браузър. Бисквитките могат да бъдат достъпни само от домейните, които ги задават и често имат срок на валидност.

Ако съществува, от бисквитката се извлича идентификатор на посетителя, за да се идентифицира потребителят при посещения и страници. Ако идентификатор на посетителя не съществува, се създава уникален идентификатор, който се задава в нова бисквитка. Тези идентификатори са уникални за всеки посетител, но не са свързани с личните данни на потребителя, като по този начин осигуряват мярка за поверителност на потребителите.

Повече JavaScript се използва за улавяне на информация за страницата: URL адрес, препращащ адрес и множество персонализирани измерения, които идентифицират действието и поведението на посетителя.

След като изпълни цялата тази логика на JavaScript, маякът на изображението се генерира, за да изпрати данни в машината за събиране и обработка в анализа на Adobe.

Плашещо, нали? Е, така се чувстваха уеб разработчиците. Когато уеб анализът за първи път се появи на сцената, една от най-трудните задачи беше да научите разработчиците как да пишат и тестват целия този JavaScript, за да гарантират, че нашите маркери се задействат точно. Обучаването на разработчиците да се развиват - не е забавна работа.

За щастие за нас, още по-умен разработчик излезе с идея да премести целия този JavaScript в един потребителски интерфейс (потребителски интерфейс). уеб разработчиците трябваше да добавят само един или два реда код към всяка страница на сайта и търговецът можеше след това да управлява своите тагове в тази нова платформа, наречена система за управление на етикети или TMS. Не след дълго индустрията за управление на етикети избухна, което доведе до десетки доставчици, а след това придобивания, сливания и технологични завъртания.

Добрата новина е, че индустрията на системите за управление на етикети е станала обикновена и е достъпна безплатно от Adobe под формата на Dynamic Tag Manager (DTM) и Adobe Launch. Може вече да сте запознати с TMS на Google, Google Tag Manager или някой от независимите TMS плейъри като Tealium, Ensighten или Signal.

Вероятно вашата компания вече използва една от тези технологии за внедряване на маркетингови маркери на вашия уебсайт. Всички те могат да внедряват Adobe Analytics, въпреки че препоръката на Adobe за най-добра практика е да използвате Adobe Launch.

Използване на Adobe Analytics за улавяне на данни от мобилни устройства

Ако стандартните уебсайтове, доставяни на лаптоп, са естественото място да започнем с нашата дискусия за събиране на данни, преминаването към по-малък мобилен екран е логичната следваща стъпка.

Може би вече знаете, че на този етап от еволюцията на уеб дизайна мобилните уебсайтове са напълно работещи уеб страници, а не закъсани придатъци към сайтове за лаптопи, настолни компютри или големи монитори. Тези по-малки уебсайтове са създадени чрез използване на подход към уеб разработката, наречен отзивчив дизайн, при който кодът, използван за създаване на съдържание на уебсайт, е един и същ, независимо от размера на екрана и браузъра на уеб посетителя. Вашата компания най-вероятно вече използва отзивчив дизайн.

Когато се прилага адаптивен дизайн, същите тагове, които се задействат на настолния сайт, трябва да работят на уебсайтове, оптимизирани за мобилни устройства и таблети, защото по същество са едно и също нещо, което е добра новина в света на управлението на маркери. Въпреки това, светът на мобилните приложения, базирани на отзивчив дизайн, е напълно различен от този на родните приложения.

Извличане на данни от родни приложения с Adobe Analytics

Родните приложения представляват особени предизвикателства за събиране на данни. Тези мобилни и таблетни приложения са програмирани по различен начин от адаптивните уебсайтове.

По принцип родните приложения не се изпълняват в браузъри, не използват HTML и не могат да изпълняват JavaScript. Всъщност приложенията, създадени за iOS, са изградени на различен език за програмиране (Objective C) от приложенията за Android (Java). Тези технически езици за програмиране са споменати по една важна причина: Системата за управление на етикети няма да работи на вашите мобилни и таблетни приложения.

Някои доставчици на системи за управление на маркери са хакнали възможността за включване на JavaScript в приложенията, но резултатът е с ограничени възможности и далеч не е най-добрата практика. Най-пълният, точен и мащабируем начин за внедряване на инструменти на Adobe е използването на комплекта за разработка на мобилен софтуер на Adobe (SDK). Мобилният SDK на Adobe е създаден да работи като система за събиране на данни, като система за управление на маркери, но използва родния език за програмиране на приложението (Objective C за iOS или Java за Android).

Adobe SDK е важен, защото има по-дълбок достъп до кода, който изпълнява приложението и следователно може да се използва за повече от просто събиране на данни. В допълнение към изпращането на данни до Adobe Analytics, Adobe SDK се изисква да направи следното:

• Снимайте данни за географско местоположение въз основа на GPS.
• Използвайте геозони въз основа на тези GPS данни за анализ или действие.
• Изпращайте насочени известия до потребителите.
• Актуализирайте съдържанието в приложението чрез съобщения в приложението, персонализиране и тестване.

Достъпът до тези възможности може да бъде ограничен до SKU или версията, която вашата компания е закупила от Adobe. Работете с вашия мениджър на акаунти в Adobe, за да разберете кои от тези възможности са включени в договора ви.

Използване на Adobe Analytics за улавяне на данни от IoT и извън него

Сега, когато разбирате стандартите за събиране за двата най-големи случая на използване (уеб и мобилни), е време да се разклоните към по-общ набор от Интернет на нещата (IoT). Всеки, който задава въпроси за данни, трябва да мисли за цифрови павилиони, смарт часовници, свързани автомобили, интерактивни екрани и каквито и други нови устройства, които нашите технологични господари обявиха от написването на това изречение.

Доставчици като Adobe намират за трудно да останат на върха на всяко ново устройство, тъй като изграждането на SDK отнема време, пари, изследвания, инженери, код, осигуряване на качеството и др. Но не се притеснявайте: Устройствата, които нямат вградени SDK, пак могат да изпращат данни до Adobe Analytics.

Най-добрата практика за изпращане на данни от едно от тези устройства е чрез интерфейс за програмиране на приложения (API). Накратко, това означава, че разработчиците на приложението IoT могат да напишат свой собствен код, за да създадат връзка с вашия акаунт в Adobe Analytics и след това да изпратят данни към него.

Приложните програмни интерфейси (API) се превърнаха в начинът по подразбиране, по който данните се изпращат от всяко устройство, свързано с интернет, на пълен или непълен работен ден. Adobe също има някои препоръки за споделяне, особено за някои от техните големи залози, когато става въпрос за тези нови устройства, като глас и свързан автомобил. Към момента на писане на тази статия комплектите за разработване на софтуер (SDK) не са налични за гласово активирани устройства или свързани приложения за автомобили. Въпреки това Adobe има най-добри практики за персонализиране на данни, променливи настройки и опции за код за двете технологии.

Корпоративен софтуер — софтуер, лицензиран за институции — се актуализира редовно и Adobe пуска най-добри практики за проследяване на данни, свързани с нови цифрови носители, като глас и свързан автомобил.

Вече проучихте всички видове данни, генерирани от устройства, които имат непълен или пълен работен ден достъп до мрежата: компютри, телефони, таблети и IoT.

Дигиталните преживявания и взаимодействията на хората на тези устройства са уловени от някаква комбинация от TMS, SDK и API. Според маркетолозите и анализаторите в този списък липсва нещо: данни, които не се основават на поведение.

Може би най-добрият пример за неповеденчески данни идва от вашия инструмент за управление на взаимоотношенията с клиенти (CRM) . CRM инструментите се използват за организиране, категоризиране и управление на вашите потенциални клиенти и клиенти. Други примери за неповеденчески данни, от които маркетолозите и анализаторите биха се интересували, включват следното:

• Кол център
• Офлайн покупки или покупки в магазина
• Връщания или анулиране
• Стойност на продукта на продадените стоки
• Рекламна кампания
• Удовлетвореността на клиентите

Adobe Analytics може да импортира всеки от тези типове данни заедно с много други. По принцип тези данни се импортират в Adobe Analytics чрез протокол за прехвърляне на файлове (FTP) или API.