[Bêta fermée] Rapports agrégés avancés dans Data Locker

Faits rapportés

Structure du rapport

Le rapport est composé de mesures et de métriques.

Le format des champs est le suivant :

• Mesures : Chaîne. La longueur maximale de la chaîne est dynamique et, dans la plupart des cas, dépend de la façon dont vous renseignez les éléments de la hiérarchie publicitaire.
• Indicateurs : Nombre. Remarque : Le format de champ selected_currency est une chaîne.
  Les métriques disponibles sont les revenus, les utilisateurs uniques qui effectuent un événement et le nombre d’occurrences d’événements. Pour calculer des indicateurs liés aux coûts tels que le ROI (retour sur investissement) et le ROAS (retour sur les dépenses publicitaires), vous avez besoin à la fois de données liés aux revenus et aux coûts. Les mesures de revenus sont dans la partie «Cohorte». Les mesures de coûts sont fournies par le ROI360 Cost ETL.

Dimensions

Métriques

Structure des répertoires et des noms de fichiers

Le chemin vers le rapport consiste en la hiérarchie de dossiers suivante :

Avec le format suivant : /t=cohort_unified_versioned/dt=/version=/

Hiérarchie des dossiers de rapports

Exemple de hiérarchie de dossiers de rapport versionné de cohorte dans le compartiment de l’annonceur :

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
    |   |
    .   . 
    .   . 

Légende :

• dt : Date à laquelle les événements inclus dans le rapport se sont produits.
• t : type de rapport.
• version: Horodatage Unix lors de la création de la version.

Versions des rapports et actualisation des données

• Intraday. Les rapports sont envoyés toutes les heures.
• Les rapports concernent toutes les données actuellement disponibles pour la journée. Cela signifie que le 18 avril, chaque version du rapport contient toutes les données disponibles à date pour le 18 avril.
• Ingérez uniquement la dernière version disponible du rapport.

Faits rapportés

Structure du rapport

Le rapport est composé de mesures et de métriques.

Le format des champs est le suivant :

• Mesures : Chaîne. La longueur maximale de la chaîne est dynamique et, dans la plupart des cas, dépend de la façon dont vous renseignez les éléments de la hiérarchie publicitaire.
• Indicateurs : Nombre. Remarque : Le format de champ selected_currency est une chaîne.
  Les métriques disponibles sont les revenus, les utilisateurs uniques qui effectuent un événement et le nombre d’occurrences d’événements. Pour calculer des indicateurs liés aux coûts tels que le ROI (retour sur investissement) et le ROAS (retour sur les dépenses publicitaires), vous avez besoin à la fois de données liés aux revenus et aux coûts. Les mesures de revenus sont dans la partie «Cohorte». Les mesures de coûts sont fournies par le ROI360 Cost ETL.

Dimensions

Métriques

Structure des répertoires et des noms de fichiers

Le chemin vers le rapport consiste en la hiérarchie de dossiers suivante :

Avec le format suivant : /t=cohort_unified_timezone_versioned/dt=/version=/

Hiérarchie des dossiers de rapports

Exemple de hiérarchie de dossiers de rapport versionnés par fuseau horaire de cohorte dans le compartiment de l’annonceur :

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
    |   |
    .   . 
    .   . 

Légende :

• dt : Date à laquelle les événements inclus dans le rapport se sont produits.
• t : type de rapport.
• version: Horodatage Unix lors de la création de la version.

Versions des rapports et actualisation des données

• Intraday. Les rapports sont envoyés toutes les heures.
• Les rapports concernent toutes les données actuellement disponibles pour la journée. Cela signifie que le 18 avril, chaque version du rapport contient toutes les données disponibles à date pour le 18 avril.
• Les cas d’utilisation des rapports peuvent varier en fonction de votre zone géographique et de votre fuseau horaire. En savoir plus
• Ingérez uniquement la dernière version disponible du rapport.

Les cas d’utilisation des rapports peuvent varier en fonction de votre zone géographique et de votre fuseau horaire. Utilisez le tableau suivant pour comprendre quelles zones géographiques correspondent à quels fuseaux horaires.

Portée des données dans le rapport

Les rapports contiennent les installations par les utilisateurs en acquisition, les ré-attributions et les ré-engagements de retargeting, ainsi que les événements associés dans l'application.

Vous pouvez charger des rapports unifiés, d’acquisition d’utilisateurs et de retargeting séparément ou ensemble dans votre BI. Si vous les chargez ensemble et que vous souhaitez filtrer les vues par vous-même : 

• Pour consolider les données, utilisez le champ is_primary_attribution=true ou laissez le champ nul.
• Pour l’acquisition d’utilisateurs, utilisez conversion_type=Install.
• Pour le retargeting, utilisez conversion_type=réengagement ou réattribution.

Si vous utilisez simplement la vue unifiée dans votre processus de chargement des données, vous pouvez utiliser la logique pour répartir les données entre les types de campagne, c’est-à-dire l’attribution des utilisateurs (installations) et le retargeting (réengagements). Pour ce faire, utilisez les conversion_type=install, install-unified, re-engagement ou re-attribution. Double attribution d'événements de retargeting. 

Considérations au niveau du champ

• Utilisez les jours de post-attribution pour faciliter le calcul des mesures de rétention.
• Calcul des utilisateurs uniques à l’aide des mesures liées au nom et et à l’ID de campagne : Si vous pouvez ignorer la granularité des noms de campagne, vous pouvez totaliser un décompte unique à partir de l'ID de campagne. Les indicateurs seront ainsi fiables.  
• Vous pouvez agréger les données à l’aide des champs de hiérarchie de campagne. 
• Les revenus en USD sont calculés en utilisant le taux de change du jour de l’événement. 

Considérations générales

Les données de toutes les applications sont configurables. Ces données peuvent être fournies dans un seul fichier ou des fichiers séparés par application.

Voici quelques exemples d’applications populaires et pratiques des données que les développeurs BI peuvent extraire via Data Locker. Chaque exemple est illustré par une requête SQL et un exemple de visuel Excel. 

1. Calcul de la rétention

Dans l’exemple suivant, nous :

• Calculons la rétention Jour 1 et Jour 7, ainsi que le nombre total d’installations par campagne et publicité ;
• Additionnons le nombre d’événements par événement de conversion en filtrant event_name pour qu’il soit af_conversion ;
• Analysons spécifiquement les campagnes d’acquisition d’utilisateurs en filtrant les données afin que conversion_type=install.

instruction 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

Exemple d’Excel

2. Calcul de l’ARPU de plusieurs événements dans l’application

Dans l’exemple suivant, nous :

• Calculons l’ARPU de plusieurs événements in-app par campagne.
• Analysons spécifiquement les campagnes de reciblage en filtrant les données de sorte que conversion_type=re-engagement et conversion_type=re-attribution.
• Additionnons le nombre d’événements par événement de conversion en filtrant event_name pour qu’il soit af_conversion ;
• Additionnons les revenus de plusieurs événements, dans ce cas af_purchaseet af_coins.
• Définissez days_post_attribution le minimum nécessaire (dans ce cas, 7) pour minimiser la charge de traitement des données.

instruction 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

Exemple d’Excel

3. Calcul du taux de conversion des événements in-app pour un jour de cohorte spécifique

Dans l’exemple suivant, nous :

• Calculons le taux de conversion de l’événement dans l’application Jour 0 pour plusieurs mesures (dans ce cas, la date de conversion, la zone géographique, la campagne, l’annonce et l’ID du site).
• Analysons les données unifiées (UA et campagnes de remarketing) en filtrant les données de sorte que is_primary=true.
• Additionnons le nombre d’événements par événement de conversion en filtrant event_name pour qu’il soit af_conversion ;
• Définissez days_post_attribution le minimum nécessaire (dans ce cas, 7) pour minimiser la charge de traitement des données.

instruction 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

Exemple d’Excel

4. Calcul des installations quotidiennes 

Dans l’exemple suivant, nous :

• Calculons le nombre d’installations par ID d’application, date de conversion, source multimédia, nom de l’événement et type de conversion.
• Filtrons les données pour afficher les installations UA (pas le reciblage), en définissant conversion_type sur install.
• Additionnons les installations en définissant event_name pour qu’elles soient af_conversion

instruction 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

Exemple d’Excel

5. Calcul des revenus à partir des publicités Facebook 

Dans l’exemple suivant, nous :

• Calculons les revenus de Facebook du jour 3 par date de conversion et ID d’application.
• Analysons les données Facebook en filtrant les données de sorte que media_source='Facebook Ads'.
• Définissons days_post_attribution le minimum nécessaire (dans ce cas, 3) pour minimiser la charge de traitement des données.

instruction 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

Exemple d’Excel

6. Calcul de l’ARPU par ID de mot-clé ASA pour un maximum de 365 jours de cohorte 

Dans l’exemple suivant, nous :

• Calculons l’ARPU à partir d’Apple Search Ads par identifiant de mot-clé jusqu’au jour de cohorte 365.
• Analysons les données Apple Search Ads en les filtrant de sorte que media_source='Apple Search Ads'.
• Additionnons le nombre d’événements par événement de conversion en filtrant event_name pour qu’il soit af_conversion ;

instruction 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

Exemple d’Excel

7. Calcul du ARPU (revenu moyen par utilisateur) à J+7 par heure d'attribution et par zone géographique 

L’exemple suivant illustre comment utiliser les indicateurs de performance par heure d’attribution. Dans cet exemple, nous :

• Calculons l’ARPU à J+7 par date d’attribution et par zone géographique ;
• Les résultats sont triés en fonction du nombre de conversions, les 20 premières zones géographiques s’affichant ;
• Les données sont filtrées de sorte que conversion_type='install' ;
• La première colonne indique la zone géographique. La deuxième colonne indique le nombre total de conversions. Les colonnes suivantes affichent le revenu à J+7 pour chaque jour spécifié comme une ligne dans la requête.

instruction 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

Exemple d’Excel

8. Calcul des achats à J+7 après la conversion 

Dans l’exemple suivant, nous :

• Calculez le nombre cumulé d’utilisateurs uniques qui effectuent des événements af_purchase à J+17 après leur conversion (en vue consolidée).
• Calculer le taux de conversion à l'événement, c'est-à-dire la part des personnes converties qui effectuent un achat dans les 7 jours suivant leur conversion.
• Les données sont filtrées de sorte que conversion_type='install' ;
• Les données sont regroupées par application, date de conversion, source média, campagne et ensemble publicitaire.

instruction 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

Exemple d’Excel