Analysera data med Adobe Analytics: Varifrån kommer data

Du kanske inte vet detta, men Adobe Analytics-användare utför dataanalyser på saker utanför deras webbplatser. Adobe samlar även in data för sina kunders räkning i mobilappar, surfplattor och mer. Dessutom har Adobe byggt in betydande flexibilitet i Adobe Analytics för att hantera en mer digitalt uppkopplad konsumentvärld som sömlöst växlar från röstassistent till telefon till bärbar dator.

©Shutterstock/LineTale

Uppfattningar om karaktären av dataanalys definierades inom populärkulturens område av Jonah Hill-karaktären i filmatiseringen av boken Moneyball . I den sanna historien lyckades ett baseballlag med liten marknad (Oakland A:s) dramatiskt överträffa lag med mycket större löner genom att innovativt identifiera och agera för att förvärva underprissatta spelare baserat på statistiska mått på en spelares effektivitet bortom och på många sätt gå emot traditionella mätvärden, såsom slaggenomsnitt, hemmakörningar per säsong och RBIs (inslagna körningar).

Sedan den filmen kom ut har nya och allt mer komplexa utmaningar med att samla in och analysera data dykt upp. ( Kolla in den här artikeln för mer om datatrender .)

Till exempel har användare av onlineenheter betingats att snabbt navigera från en plats till en annan, vilket kräver mer nyanserade och detaljerade mätvärden för att exakt spåra användaraktivitet. Och användare blir allt mer medvetna om integritetshänsyn och fattar mer välgrundade beslut om hur de vill hantera förhållandet mellan bekvämligheten som tillhandahålls av att få sin aktivitet spårad och att upprätthålla konfidentialitet i sin onlineaktivitet.

På andra sidan dataanalysmyntet finns det betydligt fler källor till användardata än för bara några år sedan. Idag har Adobe ett antal mekanismer för att importera information för dataanalys från digitalt frånkopplade källor som callcenter, CRM-system och handelsmotorer i butik.

Innan du dyker in i detaljerna om hur data samlas in är det viktigt att förstå att insamling av data och pumpning av den till Adobe Analytics normalt inte är dataanalytikers domän. Ditt jobb som analytiker är att, ja, analysera data som fångas från användaraktivitet.

Men följande grundläggande översikt över hur data samlas in är viktig för analytiker av två anledningar. För det första är det bra att veta var data kommer ifrån när du vill bedöma dess giltighet; och två, att ha en grundläggande förståelse för processen att bryta och skicka data till Adobe Analytics gör att du kan ha mer produktiv interaktion med personerna som ställer in verktygen som extraherar data.

Använda Adobe Analytics för att fånga data från webbplatser

Låt oss börja med den vanligaste Adobe Analytics-datakällan: webbplatser. Webbdata analyserades ursprungligen baserat på serverloggar. Serverloggdata genereras automatiskt av servrar som är värd för webbplatser och ger ett antal och tidsstämpel för varje begäran och nedladdning av varje fil på webbplatsen. Tyvärr är data mycket opålitliga eftersom serverloggar inte har förmågan att skilja bots från människor.

Botar är automatiserade datorer som skannar webbplatser. Dessa bots är ofta vänliga och används för att rangordna webbplatser för sökmotorer eller produktaggregatorwebbplatser. Vissa bots är dock ovänliga och används för konkurrenskraftig information eller värre.

Eftersom serverloggar inte kan skilja en människa från en bot, migrerade branschen snabbt till taggar, som nu är industristandarden. Generellt sett är taggar JavaScript-baserade kodrader som lägger till en osynlig bild på varje sida och åtgärd på din webbplats. Dessa bilder fungerar som en ledstjärna för analysverktyg, där flera saker händer på bara några millisekunder:

JavaScript-kod körs för att identifiera webbläsar- och enhetsinformation samt tidsstämpeln för sidvisningen.

Mer JavaScript-kod körs för att leta efter förekomsten av en cookie, vilket är en text som sparas i en webbläsare. Cookies kan endast nås av de domäner som ställer in dem och har ofta ett utgångsdatum.

Om det finns extraheras ett besökar-ID från cookien för att identifiera användaren över besök och sidor. Om ett besöks-ID inte finns skapas ett unikt ID och sätts i en ny cookie. Dessa ID:n är unika för varje besökare men är inte kopplade till en användares personliga data, vilket ger användarna ett mått av integritet.

Mer JavaScript används för att fånga information om sidan: webbadressen, hänvisningsadressen och en rad anpassade dimensioner som identifierar besökarens agerande och beteende.

Efter all JavaScript-logik som körs genereras bildsignalen för att skicka data till insamlings- och bearbetningsmotorn i Adobes analys.

Skrämmande är det inte? Tja, det var så webbutvecklare kände. När webbanalys först kom till scenen var ett av de tuffaste jobben att lära utvecklare hur man skriver och testar allt detta JavaScript för att säkerställa att våra taggar aktiveras korrekt. Att lära utvecklare att utvecklas – inget roligt jobb.

Tur för oss, en ännu smartare utvecklare kom på en idé att flytta all JavaScript till ett enda gränssnitt (användargränssnitt). webbutvecklare behövde bara lägga till en eller två rader kod på varje sida på webbplatsen, och marknadsföraren kunde sedan hantera sina taggar i denna nya plattform som heter ett tagghanteringssystem eller TMS. Det dröjde inte länge innan tagghanteringsbranschen exploderade, vilket ledde till dussintals leverantörer, och sedan förvärv, sammanslagningar och teknikomvälvningar.

Den goda nyheten är att branschen för tagghanteringssystem har blivit varuanpassad och är tillgänglig gratis från Adobe i form av Dynamic Tag Manager (DTM) och Adobe Launch. Du kanske redan är bekant med Googles TMS, Google Tag Manager eller någon av de oberoende TMS-spelarna som Tealium, Ensighten eller Signal.

Chansen är stor att ditt företag redan använder en av dessa tekniker för att distribuera marknadsföringstaggar på din webbplats. Alla kan distribuera Adobe Analytics, även om Adobes rekommendation för bästa praxis är att använda Adobe Launch.

Använda Adobe Analytics för att fånga data från mobila enheter

Om standardwebbplatser som levereras till en bärbar dator är det naturliga stället att börja med vår datainsamlingsdiskussion, är det logiska nästa steg att flytta till en mindre mobilskärm.

Du kanske redan vet att i det här skedet av utvecklingen av webbdesign är mobilwebbplatser fullt fungerande webbsidor, inte eftertänkta tillägg till bärbara, stationära eller stora skärmar. Dessa mindre skalliga webbplatser skapas genom att använda en metod för webbutveckling som kallas responsiv design, där koden som används för att skapa webbplatsinnehåll är densamma oavsett storleken på webbbesökarens skärm och webbläsare. Ditt företag använder troligen redan responsiv design.

När responsiv design tillämpas bör samma taggar som aktiveras på datorwebbplatsen fungera på mobil- och surfplattoroptimerade webbplatser eftersom de är i princip samma sak, vilket är goda nyheter i tagghanteringsvärlden. Däremot är världen av responsiv designbaserade mobilappar helt annorlunda än den för inbyggda appar.

Bryta data från inbyggda appar med Adobe Analytics

Inbyggda appar innebär särskilda utmaningar för datainsamling. Dessa mobil- och surfplattor är programmerade på ett annat sätt än responsiva webbplatser.

I allmänhet körs inte inbyggda appar i webbläsare, använder inte HTML och kan inte köra JavaScript. Faktum är att applikationer byggda för iOS är byggda i ett annat programmeringsspråk (Mål C) än Android-appar (Java). Dessa tekniska programmeringsspråk nämns av en viktig anledning: Ett tagghanteringssystem kommer inte att fungera på dina mobil- och surfplattor.

Vissa leverantörer av tagghanteringssystem har hackat möjligheten att införliva JavaScript i appar, men resultatet har begränsad kapacitet och är långt ifrån en bästa praxis. Det mest kompletta, exakta och skalbara sättet att distribuera Adobe-verktyg är att använda Adobes mobilprogramvaruutvecklingssats (SDK). Adobes mobila SDK är byggd för att fungera som ett datainsamlingssystem, som ett tagghanteringssystem, men använder appens inhemska programmeringsspråk (Objective C för iOS eller Java för Android).

Adobe SDK är viktigt eftersom det har djupare åtkomst till koden som kör appen och därför kan användas för mer än bara datainsamling. Förutom att skicka data till Adobe Analytics måste Adobe SDK göra följande:

• Fånga geografisk platsdata baserat på GPS.
• Använd geofences baserade på GPS-data för analys eller åtgärd.
• Skicka push-meddelanden till användare.
• Uppdatera innehåll i appen via meddelanden i appen, anpassning och testning.

Tillgången till dessa funktioner kan vara begränsad till den SKU, eller versionen, som ditt företag har köpt från Adobe. Arbeta med din Adobe Account Manager för att förstå vilka av dessa funktioner som ingår i ditt kontrakt.

Använda Adobe Analytics för att fånga data från IoT och vidare

Nu när du förstår insamlingsstandarder för de två största användningsfallen (webb och mobil), är det dags att förgrena sig till en mer generisk uppsättning av Internet of Things (IoT). Alla som ställer frågor om data måste tänka på digitala kiosker, smarta klockor, uppkopplade bilar, interaktiva skärmar och vilka andra nya enheter våra tekniska överherrar har tillkännagett sedan den här meningen skrevs.

Leverantörer som Adobe har svårt att hålla koll på varje ny enhet eftersom att bygga SDK:er tar tid, pengar, forskning, ingenjörer, kod, kvalitetssäkring och mer. Men oroa dig inte: Enheter som inte har inbyggda SDK:er kan fortfarande skicka data till Adobe Analytics.

Den bästa praxisen för att skicka data från en av dessa enheter är genom ett applikationsprogrammeringsgränssnitt (API). Kort sagt innebär detta att utvecklarna av IoT-applikationen kan skriva sin egen kod för att skapa en anslutning till ditt Adobe Analytics-konto och sedan skicka data till det.

API:er har blivit standardsättet på vilket data skickas från alla enheter som är anslutna till Internet, antingen på heltid eller deltid. Adobe har också några rekommendationer att dela med sig av, särskilt för några av deras stora satsningar när det kommer till dessa nya enheter, som röst och uppkopplad bil. När detta skrivs är SDK:er inte tillgängliga för röstaktiverade enheter eller anslutna bilapplikationer. Adobe har dock bästa praxis för dataanpassningar, variabelinställningar och kodalternativ för båda dessa tekniker.

Företagsprogramvara – programvara licensierad till institutioner – uppdateras regelbundet, och Adobe släpper bästa praxis för att spåra data kopplade till nya digitala medier som röst och den anslutna bilen.

Du har nu utforskat alla typer av data som genereras av enheter som har deltids- eller heltidsåtkomst till webben: datorer, telefoner, surfplattor och IoT.

Människors digitala upplevelser och interaktioner på dessa enheter fångas av någon kombination av TMS, SDK och API. Enligt marknadsförare och analytiker saknar den listan något: data som inte är baserad på beteende.

Det kanske bästa exemplet på icke-beteendedata kommer från ditt verktyg för kundrelationshantering (CRM) . CRM-verktyg används för att organisera, kategorisera och hantera dina potentiella kunder och kunder. Andra exempel på icke-beteendedata som marknadsförare och analytiker skulle vara intresserade av inkluderar följande:

• Callcenter
• Köp offline eller i butik
• Returer eller avbokningar
• Produktkostnad för sålda varor
• Annonskampanj
• Kundnöjdhet

Adobe Analytics kan importera vilken som helst av dessa datatyper tillsammans med många andra. I allmänhet importeras denna data till Adobe Analytics via antingen File Transfer Protocol (FTP) eller API.