Ανάλυση δεδομένων με το Adobe Analytics: Από πού προέρχονται τα δεδομένα

Μπορεί να μην το γνωρίζετε, αλλά οι χρήστες του Adobe Analytics εκτελούν αναλύσεις δεδομένων σε πράγματα πέρα ​​από τους ιστότοπούς τους. Η Adobe συλλαμβάνει επίσης δεδομένα για λογαριασμό των πελατών της σε εφαρμογές για κινητά, εφαρμογές tablet και πολλά άλλα. Επιπλέον, η Adobe έχει ενσωματώσει σημαντική ευελιξία στο Adobe Analytics για να χειρίζεται έναν πιο ψηφιακά συνδεδεμένο καταναλωτικό κόσμο που αλλάζει απρόσκοπτα από φωνητικό βοηθό σε τηλέφωνο σε φορητό υπολογιστή.

©Shutterstock/LineTale

Οι αντιλήψεις για τη φύση της ανάλυσης δεδομένων καθορίστηκαν στη σφαίρα της λαϊκής κουλτούρας από τον χαρακτήρα Jonah Hill στην κινηματογραφική μεταφορά του βιβλίου Moneyball . Σε αυτήν την αληθινή ιστορία, μια ομάδα μπέιζμπολ μικρής αγοράς (το Oakland A's) κατάφερε να ξεπεράσει δραματικά τις ομάδες με πολύ μεγαλύτερες μισθοδοσίες, εντοπίζοντας και ενεργώντας με καινοτόμο τρόπο για να αποκτήσει παίκτες με χαμηλότερη τιμή βάσει στατιστικών μετρήσεων της αποτελεσματικότητας ενός παίκτη πέρα ​​από και με πολλούς τρόπους σε αντίθεση με τα παραδοσιακά μετρήσεις, όπως οι μέσοι όροι κτυπήματος, οι μετρήσεις στο σπίτι ανά σεζόν και οι RBI (τρέχοντας με βολές).

Από τότε που κυκλοφόρησε αυτή η ταινία, έχουν προκύψει νέες και όλο και πιο περίπλοκες προκλήσεις στη συλλογή και ανάλυση δεδομένων. ( Ρίξτε μια ματιά σε αυτό το άρθρο για περισσότερα σχετικά με τις τάσεις δεδομένων .)

Για παράδειγμα, οι χρήστες ηλεκτρονικών συσκευών έχουν ρυθμιστεί για γρήγορη πλοήγηση από το ένα μέρος στο άλλο, απαιτώντας πιο λεπτές και λεπτομερείς μετρήσεις για την ακριβή παρακολούθηση της δραστηριότητας των χρηστών. Και οι χρήστες συνειδητοποιούν όλο και περισσότερο τα ζητήματα απορρήτου και λαμβάνουν πιο ενημερωμένες αποφάσεις σχετικά με το πώς θέλουν να διαχειριστούν τη σχέση μεταξύ της ευκολίας που παρέχεται με την παρακολούθηση της δραστηριότητάς τους έναντι της διατήρησης του απορρήτου στη διαδικτυακή τους δραστηριότητα.

Από την άλλη πλευρά του νομίσματος της ανάλυσης δεδομένων, υπάρχουν πολύ περισσότερες πηγές δεδομένων χρηστών από ό,τι πριν από λίγα χρόνια. Σήμερα, η Adobe διαθέτει διάφορους μηχανισμούς για την εισαγωγή πληροφοριών για ανάλυση δεδομένων από ψηφιακά αποσυνδεδεμένες πηγές, όπως τηλεφωνικά κέντρα, συστήματα διαχείρισης πελατειακών σχέσεων (CRM) και εμπορικές μηχανές στο κατάστημα.

Προτού εξετάσετε τις λεπτομέρειες του τρόπου συλλογής δεδομένων, είναι σημαντικό να κατανοήσετε ότι η συλλογή δεδομένων και η άντλησή τους στο Adobe Analytics δεν είναι συνήθως ο τομέας των αναλυτών δεδομένων. Η δουλειά σας ως αναλυτής είναι να αναλύετε τα δεδομένα που συλλέγονται από τη δραστηριότητα των χρηστών.

Αλλά η ακόλουθη βασική επισκόπηση του τρόπου συλλογής δεδομένων είναι σημαντική για τους αναλυτές για δύο λόγους. Πρώτον, είναι καλό να γνωρίζετε από πού προέρχονται τα δεδομένα όταν θέλετε να αξιολογήσετε την εγκυρότητά τους. και δύο, η βασική κατανόηση της διαδικασίας εξόρυξης και αποστολής δεδομένων στο Adobe Analytics σάς επιτρέπει να έχετε πιο παραγωγικές αλληλεπιδράσεις με τους ανθρώπους που δημιουργούν τα εργαλεία που εξάγουν δεδομένα.

Χρήση του Adobe Analytics για τη λήψη δεδομένων από ιστότοπους

Ας ξεκινήσουμε με την πιο κοινή πηγή δεδομένων του Adobe Analytics: ιστότοπους. Τα δεδομένα Ιστού αναλύθηκαν αρχικά με βάση τα αρχεία καταγραφής διακομιστή. Τα δεδομένα καταγραφής διακομιστή δημιουργούνται αυτόματα από διακομιστές που φιλοξενούν ιστότοπους και παρέχουν μέτρηση και χρονική σήμανση για κάθε αίτημα και λήψη κάθε αρχείου στον ιστότοπο. Δυστυχώς, τα δεδομένα είναι εξαιρετικά αναξιόπιστα επειδή τα αρχεία καταγραφής διακομιστή δεν έχουν τη δυνατότητα να διακρίνουν τα bots από τους ανθρώπους.

Τα bots είναι αυτοματοποιημένοι υπολογιστές που σαρώνουν ιστότοπους. Αυτά τα ρομπότ είναι συχνά φιλικά και χρησιμοποιούνται για την κατάταξη ιστοτόπων για μηχανές αναζήτησης ή ιστότοπους συγκέντρωσης προϊόντων. Ορισμένα ρομπότ, ωστόσο, δεν είναι φιλικά και χρησιμοποιούνται για ανταγωνιστικές πληροφορίες ή χειρότερα.

Επειδή τα αρχεία καταγραφής διακομιστή δεν μπορούν να ξεχωρίσουν έναν άνθρωπο από ένα ρομπότ, ο κλάδος γρήγορα μετεγκαταστάθηκε σε ετικέτες, οι οποίες είναι πλέον το πρότυπο του κλάδου. Γενικά, οι ετικέτες είναι γραμμές κώδικα που βασίζονται σε JavaScript που προσαρτούν μια αόρατη εικόνα σε κάθε σελίδα και ενέργεια στον ιστότοπό σας. Αυτές οι εικόνες λειτουργούν ως φάρος για τα εργαλεία ανάλυσης, όπου πολλά πράγματα συμβαίνουν σε λίγα μόνο χιλιοστά του δευτερολέπτου:

Ο κώδικας JavaScript εκτελείται για να αναγνωρίσει πληροφορίες προγράμματος περιήγησης και συσκευής, καθώς και τη χρονική σήμανση της προβολής σελίδας.

Εκτελείται περισσότερος κώδικας JavaScript για την αναζήτηση της ύπαρξης ενός cookie, το οποίο είναι ένα κομμάτι κειμένου που είναι αποθηκευμένο σε ένα πρόγραμμα περιήγησης. Τα cookies είναι προσβάσιμα μόνο από τους τομείς που τα ορίζουν και συχνά έχουν ημερομηνία λήξης.

Εάν υπάρχει, εξάγεται ένα αναγνωριστικό επισκέπτη από το cookie για την αναγνώριση του χρήστη στις επισκέψεις και τις σελίδες. Εάν δεν υπάρχει αναγνωριστικό επισκέπτη, δημιουργείται ένα μοναδικό αναγνωριστικό και ορίζεται σε ένα νέο cookie. Αυτά τα αναγνωριστικά είναι μοναδικά για κάθε επισκέπτη, αλλά δεν συνδέονται με τα προσωπικά δεδομένα ενός χρήστη, παρέχοντας έτσι ένα μέτρο απορρήτου για τους χρήστες.

Χρησιμοποιείται περισσότερη JavaScript για την καταγραφή πληροφοριών σχετικά με τη σελίδα: τη διεύθυνση URL, τον σύνδεσμο παραπομπής και μια σειρά από προσαρμοσμένες ιδιότητες που προσδιορίζουν τη δράση και τη συμπεριφορά του επισκέπτη.

Μετά από όλη αυτή τη λογική JavaScript που εκτελείται, ο φάρος εικόνας δημιουργείται για την αποστολή δεδομένων στη μηχανή συλλογής και επεξεργασίας στα αναλυτικά στοιχεία της Adobe.

Εκφοβιστικό δεν είναι; Λοιπόν, έτσι ένιωσαν οι προγραμματιστές ιστού. Όταν πρωτοεμφανίστηκε το web analytics , μια από τις πιο δύσκολες εργασίες ήταν να διδάξει στους προγραμματιστές πώς να γράφουν και να δοκιμάζουν όλο αυτό το JavaScript για να διασφαλίσουμε ότι οι ετικέτες μας ενεργοποιούνται με ακρίβεια. Διδάσκοντας τους προγραμματιστές να αναπτύσσονται — όχι μια διασκεδαστική δουλειά.

Ευτυχώς για εμάς, ένας ακόμα πιο έξυπνος προγραμματιστής σκέφτηκε μια ιδέα να μετακινήσει όλο αυτό το JavaScript σε ένα ενιαίο περιβάλλον χρήστη (UI). Οι προγραμματιστές ιστού έπρεπε να προσθέσουν μόνο μία ή δύο γραμμές κώδικα σε κάθε σελίδα του ιστότοπου και ο έμπορος μπορούσε στη συνέχεια να διαχειριστεί τις ετικέτες τους σε αυτή τη νέα πλατφόρμα που ονομάζεται σύστημα διαχείρισης ετικετών ή TMS. Δεν άργησε να εκραγεί ο κλάδος διαχείρισης ετικετών, οδηγώντας σε δεκάδες προμηθευτές και στη συνέχεια σε εξαγορές, συγχωνεύσεις και κεντρικούς άξονες τεχνολογίας.

Τα καλά νέα είναι ότι ο κλάδος του συστήματος διαχείρισης ετικετών έχει εμπορευματοποιηθεί και είναι διαθέσιμος δωρεάν από την Adobe με τη μορφή Dynamic Tag Manager (DTM) και Adobe Launch. Μπορεί να είστε ήδη εξοικειωμένοι με το TMS της Google, τον Διαχειριστή ετικετών Google ή ένα από τα ανεξάρτητα προγράμματα αναπαραγωγής TMS όπως το Tealium, το Ensighten ή το Signal.

Οι πιθανότητες είναι ότι η εταιρεία σας χρησιμοποιεί ήδη μία από αυτές τις τεχνολογίες για την ανάπτυξη ετικετών μάρκετινγκ στον ιστότοπό σας. Όλοι μπορούν να αναπτύξουν το Adobe Analytics, αν και η σύσταση της Adobe για βέλτιστη πρακτική είναι να χρησιμοποιήσετε το Adobe Launch.

Χρήση του Adobe Analytics για τη λήψη δεδομένων από κινητές συσκευές

Εάν οι τυπικοί ιστότοποι που παραδίδονται σε φορητό υπολογιστή είναι το φυσικό μέρος για να ξεκινήσουμε τη συζήτηση για τη συλλογή δεδομένων, η μετάβαση σε μια μικρότερη οθόνη κινητού είναι το λογικό επόμενο βήμα.

Ίσως γνωρίζετε ήδη ότι σε αυτό το στάδιο της εξέλιξης της σχεδίασης ιστοσελίδων, οι ιστότοποι για κινητές συσκευές είναι ιστοσελίδες που λειτουργούν πλήρως, και όχι μεταγενέστερα προσαρτήματα σε ιστοτόπους φορητών υπολογιστών, επιτραπέζιων υπολογιστών ή μεγάλων οθονών. Αυτοί οι ιστότοποι μικρότερης κλίμακας δημιουργούνται χρησιμοποιώντας μια προσέγγιση για την ανάπτυξη ιστού που ονομάζεται responsive design, στην οποία ο κώδικας που χρησιμοποιείται για τη δημιουργία περιεχομένου ιστότοπου είναι ο ίδιος ανεξάρτητα από το μέγεθος της οθόνης και του προγράμματος περιήγησης του επισκέπτη Ιστού. Η εταιρεία σας πιθανότατα αξιοποιεί ήδη τον ανταποκρινόμενο σχεδιασμό.

Όταν εφαρμόζεται αποκριτική σχεδίαση, οι ίδιες ετικέτες που ενεργοποιούνται στον ιστότοπο για επιτραπέζιους υπολογιστές θα πρέπει να λειτουργούν σε ιστότοπους βελτιστοποιημένους για κινητά και tablet, επειδή ουσιαστικά είναι το ίδιο πράγμα, κάτι που είναι καλά νέα στον κόσμο της διαχείρισης ετικετών. Ωστόσο, ο κόσμος των εφαρμογών για κινητά που βασίζονται σε αποκριτικό σχεδιασμό είναι εντελώς διαφορετικός από αυτόν των εγγενών εφαρμογών.

Εξόρυξη δεδομένων από εγγενείς εφαρμογές με το Adobe Analytics

Οι εγγενείς εφαρμογές παρουσιάζουν ιδιαίτερες προκλήσεις για τη συλλογή δεδομένων. Αυτές οι εφαρμογές για κινητά και tablet είναι προγραμματισμένες με διαφορετικό τρόπο από τους ανταποκριτικούς ιστότοπους.

Γενικά, οι εγγενείς εφαρμογές δεν εκτελούνται σε προγράμματα περιήγησης, δεν χρησιμοποιούν HTML και δεν μπορούν να εκτελέσουν JavaScript. Στην πραγματικότητα, οι εφαρμογές που έχουν δημιουργηθεί για iOS είναι κατασκευασμένες σε διαφορετική γλώσσα προγραμματισμού (Objective C) από τις εφαρμογές Android (Java). Αυτές οι τεχνικές γλώσσες προγραμματισμού αναφέρονται για έναν σημαντικό λόγο: Ένα σύστημα διαχείρισης ετικετών δεν πρόκειται να λειτουργήσει στις εφαρμογές σας για κινητά και tablet.

Ορισμένοι προμηθευτές συστημάτων διαχείρισης ετικετών έχουν παραβιάσει τη δυνατότητα ενσωμάτωσης JavaScript σε εφαρμογές, αλλά το αποτέλεσμα έχει περιορισμένες δυνατότητες και απέχει πολύ από την καλύτερη πρακτική. Ο πιο πλήρης, ακριβής και επεκτάσιμος τρόπος για την ανάπτυξη εργαλείων Adobe είναι η χρήση του κιτ ανάπτυξης λογισμικού για κινητά της Adobe (SDK). Το Adobe Mobile SDK έχει κατασκευαστεί για να λειτουργεί ως σύστημα συλλογής δεδομένων, όπως ένα σύστημα διαχείρισης ετικετών, αλλά χρησιμοποιεί την εγγενή γλώσσα προγραμματισμού της εφαρμογής (Objective C για iOS ή Java για Android).

Το Adobe SDK είναι σημαντικό επειδή έχει βαθύτερη πρόσβαση στον κώδικα που εκτελεί την εφαρμογή και επομένως μπορεί να χρησιμοποιηθεί για κάτι περισσότερο από απλή συλλογή δεδομένων. Εκτός από την αποστολή δεδομένων στο Adobe Analytics, το Adobe SDK απαιτείται να κάνει τα εξής:

• Καταγράψτε δεδομένα γεωγραφικής τοποθεσίας με βάση το GPS.
• Χρησιμοποιήστε γεωφράγματα που βασίζονται σε αυτά τα δεδομένα GPS για ανάλυση ή δράση.
• Στείλτε ειδοποιήσεις push στους χρήστες.
• Ενημερώστε το περιεχόμενο της εφαρμογής μέσω ανταλλαγής μηνυμάτων εντός εφαρμογής, εξατομίκευσης και δοκιμών.

Η πρόσβαση σε αυτές τις δυνατότητες μπορεί να περιοριστεί στο SKU ή στην έκδοση που έχει αγοράσει η εταιρεία σας από την Adobe. Συνεργαστείτε με το Adobe Account Manager για να κατανοήσετε ποιες από αυτές τις δυνατότητες περιλαμβάνονται στο συμβόλαιό σας.

Χρήση του Adobe Analytics για τη λήψη δεδομένων από το IoT και όχι μόνο

Τώρα που καταλαβαίνετε τα πρότυπα συλλογής για τις δύο μεγαλύτερες περιπτώσεις χρήσης (ιστό και κινητά), ήρθε η ώρα να επεκταθείτε σε ένα πιο γενικό σύνολο Internet of Things (IoT). Όλοι όσοι κάνουν ερωτήσεις σχετικά με δεδομένα πρέπει να σκέφτονται τα ψηφιακά περίπτερα, τα έξυπνα ρολόγια, τα συνδεδεμένα αυτοκίνητα, τις διαδραστικές οθόνες και ό,τι άλλες νέες συσκευές έχουν ανακοινώσει οι τεχνικοί μας κύριοι από τότε που γράφτηκε αυτή η πρόταση.

Προμηθευτές όπως η Adobe δυσκολεύονται να παραμείνουν στην κορυφή κάθε νέας συσκευής, επειδή η κατασκευή SDK απαιτεί χρόνο, χρήματα, έρευνα, μηχανικούς, κώδικα, διασφάλιση ποιότητας και πολλά άλλα. Αλλά μην ανησυχείτε: Οι συσκευές που δεν διαθέτουν εγγενή SDK μπορούν να στέλνουν δεδομένα στο Adobe Analytics.

Η καλύτερη πρακτική για την αποστολή δεδομένων από μία από αυτές τις συσκευές είναι μέσω μιας διεπαφής προγραμματισμού εφαρμογών (API). Εν ολίγοις, αυτό σημαίνει ότι οι προγραμματιστές της εφαρμογής IoT μπορούν να γράψουν τον δικό τους κώδικα για να δημιουργήσουν μια σύνδεση με τον λογαριασμό σας στο Adobe Analytics και στη συνέχεια να στείλουν δεδομένα σε αυτόν.

Τα API έχουν γίνει ο προεπιλεγμένος τρόπος με τον οποίο αποστέλλονται δεδομένα από οποιαδήποτε συσκευή συνδεδεμένη στο Διαδίκτυο είτε πλήρους είτε μερικής απασχόλησης. Η Adobe έχει μερικές προτάσεις να μοιραστεί επίσης, ειδικά για ορισμένα από τα μεγάλα στοιχήματά της όσον αφορά αυτές τις νέες συσκευές, όπως η φωνή και το συνδεδεμένο αυτοκίνητο. Τη στιγμή που γράφεται αυτό το άρθρο, τα SDK δεν είναι διαθέσιμα για συσκευές που ενεργοποιούνται με φωνή ή για συνδεδεμένες εφαρμογές αυτοκινήτου. Ωστόσο, η Adobe διαθέτει βέλτιστες πρακτικές για προσαρμογές δεδομένων, ρυθμίσεις μεταβλητών και επιλογές κώδικα και για τις δύο αυτές τεχνολογίες.

Το εταιρικό λογισμικό — λογισμικό με άδεια σε ιδρύματα — ενημερώνεται τακτικά και η Adobe δημοσιεύει βέλτιστες πρακτικές για την παρακολούθηση δεδομένων που σχετίζονται με νέα ψηφιακά μέσα, όπως η φωνή και το συνδεδεμένο αυτοκίνητο.

Έχετε πλέον εξερευνήσει όλους τους τύπους δεδομένων που δημιουργούνται από συσκευές που έχουν πρόσβαση μερικής ή πλήρους απασχόλησης στον Ιστό: υπολογιστές, τηλέφωνα, tablet και IoT.

Οι ψηφιακές εμπειρίες και οι αλληλεπιδράσεις των ανθρώπων σε αυτές τις συσκευές καταγράφονται από κάποιο συνδυασμό TMS, SDK και API. Σύμφωνα με εμπόρους και αναλυτές, κάτι λείπει από αυτή τη λίστα: δεδομένα που δεν βασίζονται στη συμπεριφορά.

Ίσως το καλύτερο παράδειγμα μη συμπεριφορικών δεδομένων προέρχεται από το εργαλείο διαχείρισης σχέσεων πελατών (CRM) . Τα εργαλεία CRM χρησιμοποιούνται για την οργάνωση, την κατηγοριοποίηση και τη διαχείριση των προοπτικών και των πελατών σας. Άλλα παραδείγματα μη συμπεριφορικών δεδομένων για τα οποία θα ενδιέφεραν οι έμποροι και οι αναλυτές περιλαμβάνουν τα ακόλουθα:

• Τηλεφωνικό κέντρο
• Αγορές εκτός σύνδεσης ή εντός καταστήματος
• Επιστροφές ή ακυρώσεις
• Κόστος προϊόντος πωληθέντων αγαθών
• ΔΙΑΦΗΜΙΣΤΙΚΗ ΚΑΜΠΑΝΙΑ
• Ικανοποίηση των πελατών

Το Adobe Analytics μπορεί να εισάγει οποιονδήποτε από αυτούς τους τύπους δεδομένων μαζί με πολλούς άλλους. Γενικά, αυτά τα δεδομένα εισάγονται στο Adobe Analytics είτε μέσω Πρωτοκόλλου μεταφοράς αρχείων (FTP) είτε μέσω API.