[Beta cerrada] Reportes agregados avanzados en Data Locker

Reportar hechos

Estructura del reporte

El reporte se compone de dimensiones y métricas.

El formato de los campos es el siguiente:

• Dimensiones: String. La longitud máxima del string es dinámica y en la mayoría de los casos depende de cómo se completan los elementos de la jerarquía publicitaria.
• Métricas: Number. Nota: El formato del campo moneda_seleccionada es tipo string.
  Las métricas disponibles son los ingresos, los usuarios únicos que realizan un evento y el número de ocurrencias del evento. Para calcular métricas relacionadas con los costos, como el ROI y el ROAS, necesitas métricas tanto de ingresos como de costos. Las métricas de ingresos están en Cohorte y las métricas de costos las proporciona ROI360 Cost ETL.

Dimensiones

Métricas

Estructura de directorios y nombres de archivos

La ruta al reporte consta de la siguiente jerarquía de carpetas:

Con el siguiente formato: /t=cohort_unified_versioned/dt=/version=/

Jerarquía de carpetas de reportes

Un ejemplo de la jerarquía de carpetas de reportes versionados por cohortes en el segmento de anunciantes:

bucket
|
└── t=cohort_unified_versioned
    |
    ├── dt=2024-05-05
    |   |
    |   └── version=1714890235
    |   |    |
    |   |    ├── part-00000-4762858-d62a-446e-b499-dd05f2d5434d-c000.csv.gz
    |   |    |
    |   |    ├── part-00001-4762858-d62a-446e-b499-dd05f2d5434d-c000.csv.gz
    |   |    │
    |   |    └── part-00002-4762858-d62a-446e-b499-dd05f2d5434d-c000.csv.gz
    |   |
    |   |
    |   └── version=1714890286
    |        |
    |        ├── part-00000-1d295376-d024-4321-8d34-1fbb37cbb58d-c000.csv.gz
    |        |
    |        ├── part-00001-1d295376-d024-4321-8d34-1fbb37cbb58d-c000.csv.gz
    |        │
    |        └── part-00002-1d295376-d024-4321-8d34-1fbb37cbb58d-c000.csv.gz
    |   |
    .   . 
    .   . 

Leyenda:

• dt: teFecha en que ocurrieron los hechos incluidos en el reporte.
• t: tipo de reporte.
• versión: Marca de tiempo de Unix cuando se creó la versión.

Versiones de reportes y calidad de los datos

• A diario. Los reportes se envían cada pocas horas.
• Los reportes son para todos los datos disponibles actualmente para el día. Es decir, el 18 de abril, cada versión del reporte contiene todos los datos disponibles hasta ese momento para el 18 de abril.
• Ingiere únicamente la última versión del reporte disponible.

Reportar hechos

Estructura del reporte

El reporte se compone de dimensiones y métricas.

El formato de los campos es el siguiente:

• Dimensiones: String. La longitud máxima del string es dinámica y en la mayoría de los casos depende de cómo se completan los elementos de la jerarquía publicitaria.
• Métricas: Number. Nota: El formato del campo moneda_seleccionada es tipo string.
  Las métricas disponibles son los ingresos, los usuarios únicos que realizan un evento y el número de ocurrencias del evento. Para calcular métricas relacionadas con los costos, como el ROI y el ROAS, necesitas métricas tanto de ingresos como de costos. Las métricas de ingresos están en Cohorte y las métricas de costos las proporciona ROI360 Cost ETL.

Dimensiones

Métricas

Estructura de directorios y nombres de archivos

La ruta al reporte consta de la siguiente jerarquía de carpetas:

Con el siguiente formato: /t=cohort_unified_timezone_versioned/dt=/version=/

Jerarquía de carpetas de reportes

Un ejemplo de la jerarquía de carpetas de reportes versionados de zona horaria de cohorte en el grupo de anunciantes:

bucket
|
└── t=cohort_unified_timezone_versioned
    |
    ├── dt=2024-05-05
    |   |
    |   └── version=1714890235
    |   |    |
    |   |    ├── part-00000-4762858-d62a-446e-b499-dd05f2d5434d-c000.csv.gz
    |   |    |
    |   |    ├── part-00001-4762858-d62a-446e-b499-dd05f2d5434d-c000.csv.gz
    |   |    │
    |   |    └── part-00002-4762858-d62a-446e-b499-dd05f2d5434d-c000.csv.gz
    |   |
    |   |
    |   └── version=1714890286
    |        |
    |        ├── part-00000-1d295376-d024-4321-8d34-1fbb37cbb58d-c000.csv.gz
    |        |
    |        ├── part-00001-1d295376-d024-4321-8d34-1fbb37cbb58d-c000.csv.gz
    |        │
    |        └── part-00002-1d295376-d024-4321-8d34-1fbb37cbb58d-c000.csv.gz
    |   |
    .   . 
    .   . 

Leyenda:

• dt: teFecha en que ocurrieron los hechos incluidos en el reporte.
• t: tipo de reporte.
• versión: Marca de tiempo de Unix cuando se creó la versión.

Versiones de reportes y calidad de los datos

• A diario. Los reportes se envían cada pocas horas.
• Los reportes son para todos los datos disponibles actualmente para el día. Es decir, el 18 de abril, cada versión del reporte contiene todos los datos disponibles hasta ese momento para el 18 de abril.
• Los casos de uso de reportes pueden ser diferentes según tu ubicación geográfica y zona horaria. Saber más
• Ingiere únicamente la última versión del reporte disponible.

Los casos de uso de reportes pueden ser diferentes según tu ubicación geográfica y zona horaria. Utiliza la siguiente tabla para comprender qué geos coinciden con qué zonas horarias.

Alcance de los datos en el reporte

Los reportes contienen instalaciones de adquisición de usuarios y reatribuciones y nuevas interacciones de retargeting, y sus eventos relacionados en la aplicación.

Puedes cargar reportes unificados, de adquisición de usuarios y de retargeting por separado o juntos en tu BI. Si los cargas juntos y deseas filtrar las vistas por tu cuenta: 

• Para unificado, utiliza el campo is_primary_attribution=true o null.
• Para la adquisición de usuarios, utiliza conversion_type=Install.
• Para retargeting, utiliza conversion_type=re-engagement o re-attribution.

Si solo utilizas la vista unificada en tu proceso de carga de datos, puedes usar la lógica para dividir los datos entre tipos de campaña, es decir, atribución de usuario (instalaciones) y retargeting (nuevas interacciones). Para hacerlo, utiliza conversion_type=install, install-unified, re-engagement o re-attribution. Consulta Doble atribución de eventos de retargeting. 

Consideraciones a nivel de campo

• Usa los días posteriores a la atribución para permitir un cálculo sencillo de las métricas de retención.
• Calcular usuarios únicos utilizando las dimensiones del nombre de la campaña y del ID de la campaña: Si puedes ignorar la granularidad del nombre de la campaña, puedes sumar el recuento único del ID de la campaña y las métricas serán correctas. 
• Puedes agregar los datos utilizando los campos de jerarquía de campaña. 
• Los ingresos en USD se calculan utilizando el tipo de cambio del día del evento. 

Consideraciones generales

Los datos de todas las aplicaciones son configurables; Puede proporcionarse en un solo archivo o en archivos separados por aplicación.

Los siguientes son ejemplos de algunas aplicaciones prácticas y populares de los datos que los desarrolladores de BI pueden extraer a través de Data Locker. Cada ejemplo está ilustrado por una declaración SQL y un objeto visual de Excel de muestra. 

1. Calculando la retención

En el siguiente ejemplo, nosotros:

• Calculamos la retención el día 1 y el día 7, así como el número total de instalaciones por campaña y anuncio.
• Sumamos el recuento de eventos por evento de conversión filtrando event_name para af_conversion.
• Analizamos específicamente las campañas de adquisición de usuarios filtrando los datos para que conversion_type=install.

SQL

select
    campaign_id, ad_id,
    sum(if(event_name = 'af_conversion', event_count,0)) as installs,
    sum(if(event_name = 'af_session' and days_post_attribution = 1, unique_users,0)) / sum(if(event_name = 'af_conversion', event_count,0)) as retention_day1,
    sum(if(event_name = 'af_session' and days_post_attribution = 7, unique_users,0)) / sum(if(event_name = 'af_conversion', event_count,0)) as retention_day7
from YOUR_DATA_LOCKER_REPORT
where
    conversion_date between '2023-06-01' and '2023-06-08'
    and conversion_type = 'install'
    and app_id = YOUR_APP
group by 1,2

Excel

2. Calculando el ARPU de múltiples eventos en la aplicación

En el siguiente ejemplo, nosotros:

• Calculamos el ARPU de múltiples eventos in-app por campaña.
• Analizamos específicamente las campañas de retargeting filtrando los datos para que conversion_type=re-engagement y conversion_type=re-attribution.
• Sumamos el recuento de eventos por evento de conversión filtrando event_name para af_conversion.
• Sumamos los ingresos de múltiples eventos, en este caso af_purchase y af_coins.
• Colocamos days_post_attribution al mínimo necesario (en este caso, 7) para minimizar la carga de procesamiento de datos.

SQL

select
    campaign_id,
    sum(if(days_post_attribution <= 1 and event_name in ('af_purchase', 'af_coins') , revenue_usd, 0)) / sum(if(event_name = 'af_conversion', event_count, 0)) as ARPU_day1,
    sum(if(days_post_attribution <= 3 and event_name in ('af_purchase', 'af_coins') , revenue_usd, 0)) / sum(if(event_name = 'af_conversion', event_count, 0)) as ARPU_day3,
    sum(if(days_post_attribution <= 7 and event_name in ('af_purchase', 'af_coins') , revenue_usd, 0)) / sum(if(event_name = 'af_conversion', event_count, 0)) as ARPU_day7
from YOUR_DATA_LOCKER_REPORT
where
    conversion_date between '2023-06-01' and '2023-06-08'
    and days_post_attribution <= 7
    and conversion_type in ('re-engagement', 're-attribution')
    and app_id = YOUR_APP
group by 1

Excel

3. Calculando la tasa de conversión de eventos in-app para un día de cohorte específico

En el siguiente ejemplo, nosotros:

• Calculamos la tasa de conversión del evento in-app del Día 0 para múltiples dimensiones (en este caso, fecha de conversión, geo, campaña, anuncio e ID del sitio).
• Analizamos datos unificados (tanto campañas de UA como de retargeting) filtrando los datos para que is_primary=true.
• Sumamos el recuento de eventos por evento de conversión filtrando event_name para af_conversion.
• Colocamos days_post_attribution al mínimo necesario (en este caso, 7) para minimizar la carga de procesamiento de datos.

SQL

select
    conversion_date, geo, campaign_id, ad_id, site_id,
    sum(if(days_post_attribution = 0 and event_name = 'af_complete_tutorial', unique_users, 0)) / sum(if(event_name = 'af_conversion', event_count, 0)) as day0_af_tutorial_conversion
from YOUR_DATA_LOCKER_REPORT
where
    conversion_date between '2023-06-01' and '2023-06-08'
    and is_primary = true
    and app_id = YOUR_APP
group by 1,2,3,4,5

Excel

4. Calculando instalaciones diarias 

En el siguiente ejemplo, nosotros:

• Calculamos la cantidad de instalaciones por ID de aplicación, fecha de conversión, fuente de medios, nombre del evento y tipo de conversión.
• Filtramos los datos para mostrar las instalaciones de UA (no el retargeting), configurando conversion_type para install.
• Sumamos las instalaciones configurando event_name para af_conversion.

SQL

select
    app_id,
    conversion_date,
    media_source,
    event_name,
    conversion_type,
    sum(events_count) as total
from YOUR_DATA_LOCKER_REPORT
where
    conversion_date between '2023-06-01' and '2023-06-08'
    and conversion_type = 'install'
    and event_name = 'af_conversion'
    and app_id = YOUR_APP
group by 1,2,3,4,5

Excel

5. Calculando los ingresos de los anuncios de Facebook 

En el siguiente ejemplo, nosotros:

• Calculamos los ingresos del Día 3 de Facebook por fecha de conversión e ID de la aplicación.
• Analizamos los datos de Facebook filtrándolos para que media_source='Facebook Ads'.
• Colocamos days_post_attribution al mínimo necesario (en este caso, 3) para minimizar la carga de procesamiento de datos.

SQL

select
    conversion_date,
    app_id,
    media_source,
    sum(if(days_post_attribution <= 3, revenue_usd, 0)) as revenue_day3
from YOUR_DATA_LOCKER_REPORT
where
    conversion_date between '2022-06-01' and '2023-05-31'
    and days_post_attribution <= 3
    and media_source = 'Facebook Ads'
    and app_id in (APP_ID1, APP_ID2, ...)
group by 1,2,3

Excel

6. Calculando el ARPU por ID de palabra clave de ASA para hasta 365 días de cohorte 

En el siguiente ejemplo, nosotros:

• Calculamos el ARPU de Apple Search Ads por ID de palabra clave hasta el día 365 de cohorte.
• Analizamos los datos de Apple Search Ads filtrándolos para que media_source='Apple Search Ads'.
• Sumamos el recuento de eventos por evento de conversión filtrando event_name para af_conversion.

SQL

select
    media_source,
    keyword_id,
    sum(if(days_post_attribution <= 365, revenue_usd,0)) / sum(if(event_name = 'af_conversion', event_count, 0)) as ARPU_day365
from YOUR_DATA_LOCKER_REPORT
where
    conversion_date between '2022-06-01' and '2023-05-31'
    and media_source = 'Apple Search Ads'
    and app_id = YOUR_APP
group by 1

Excel

7. Calculando el ARPU del Día 7 por tiempo de atribución por geo 

El siguiente ejemplo ilustra cómo utilizar los KPIs por tiempo de atribución. En el ejemplo, nosotros:

• Calculamos el ARPU del Día 7 por fecha de atribución por geo.
• Los resultados se ordenan por la cantidad de conversiones y se muestran las 20 geos principales.
• Los datos se filtran para que conversion_type='install'.
• La primera columna muestra geo. La segunda columna muestra las conversiones totales. A partir de entonces, las columnas muestran los días de ingresos del Día 7 para cada día especificado como fila en la consulta.

SQL

select
    geo,
    sum(if(event_name = 'af_conversion', event_count, 0)) total_conversions,
    sum(if(cohort_day = '2023-07-11' and days_post_attribution <= 7, revenue_usd, 0)) / sum(if(cohort_day = '2023-07-11' and event_name = 'af_conversion', event_count, 0)) as ARPU_day7_2023_07_11,
    sum(if(cohort_day = '2023-07-12' and days_post_attribution <= 7, revenue_usd, 0)) / sum(if(cohort_day = '2023-07-12' and event_name = 'af_conversion', event_count, 0)) as ARPU_day7_2023_07_12,
    sum(if(cohort_day = '2023-07-13' and days_post_attribution <= 7, revenue_usd, 0)) / sum(if(cohort_day = '2023-07-13' and event_name = 'af_conversion', event_count, 0)) as ARPU_day7_2023_07_13,
    sum(if(cohort_day = '2023-07-14' and days_post_attribution <= 7, revenue_usd, 0)) / sum(if(cohort_day = '2023-07-14' and event_name = 'af_conversion', event_count, 0)) as ARPU_day7_2023_07_14,
    sum(if(cohort_day = '2023-07-15' and days_post_attribution <= 7, revenue_usd, 0)) / sum(if(cohort_day = '2023-07-15' and event_name = 'af_conversion', event_count, 0)) as ARPU_day7_2023_07_15,
    sum(if(cohort_day = '2023-07-16' and days_post_attribution <= 7, revenue_usd, 0)) / sum(if(cohort_day = '2023-07-16' and event_name = 'af_conversion', event_count, 0)) as ARPU_day7_2023_07_16
from YOUR_DATA_LOCKER_REPORT
where
    conversion_date between '2023-07-11' and '2023-07-16'
    and days_post_attribution <= 7
    and conversion_type = 'install'
    and app_id = 'YOUR_APP'
group by 1
order by 2 desc
limit 20

Excel

8. Calculando compras del Día 7 después de la conversión 

En el siguiente ejemplo, nosotros:

• Calculamos los usuarios únicos acumulados que realizan eventos af_purchase 7 días después de su conversión (en vista unificada).
• Calculamos la tasa de conversión del evento, es decir, la proporción de conversiones que realizan una compra en los 7 días posteriores a su conversión.
• Los datos se filtran para que conversion_type='install'.
• Los datos se agrupan por aplicación, fecha de conversión, fuente de medios, campaña y anuncio.

SQL

select
    app_id, conversion_date, media_source, campaign, adset,
    sum(if(event_name = 'af_conversion', event_count,0)) as unified_conversions,
    sum(if(event_name = 'af_purchase', first_inapp, 0)) as af_purchase_day_7_cumulative_unique_users,
    concat(
        cast(
            round(
                sum(if(event_name = 'af_purchase', first_inapp, 0)) /
                sum(if(event_name = 'af_conversion', event_count, 0)) * 100.0
            ,2)
        as varchar),
    '%') as af_purchase_day_7_cumulative_unique_users_conversion_rate
from YOUR_DATA_LOCKER_REPORT
where
    conversion_date between '2023-12-01' and '2023-12-31'
    and is_primary = True
    and days_post_attribution <= 7
    and app_id in (APP_ID1, APP_ID2, ...)
group by 1,2,3,4,5

Excel