한눈에 보기: 데이터 락커의 SSOT(Single Source of Truth) 리포트는 ID 매칭, SKAN 등의 다양한 어트리뷰션 방법에서 얻은 데이터를 병합하여 앱 캠페인 성과에 대한 통합적이고 정확한 개요를 제공합니다. 내부 BI 시스템에 데이터를 사용하여 분석 및 리포팅 기능을 강화할 방법을 제공합니다. 구독 플랜에 로데이터 액세스가 포함되는 경우, 별도의 데이터 락커 구독이 필요하지 않습니다.
데이터 락커란?
데이터 락커는 AWS, GCS, Snowflake 등 주요 클라우드 플랫폼에 직접 데이터를 제공하는 보안 솔루션입니다. 마케터는 데이터 락커를 통해 포괄적인 분석 및 리포팅을 위해 내부 BI 시스템에 데이터를 쉽게 통합하고 사용할 수 있습니다. 더 알아보기.
SSOT(Single Source of Truth)란?
SSOT(Single Source of Truth) 솔루션은 ID 매칭, SKAN 등의 다양한 어트리뷰션 방법에서 얻은 데이터를 병합하여 앱 캠페인 성과에 대한 통합적이고 정확한 개요를 제공하여 데이터 단편화 문제를 해결하는 것을 목표로 합니다. 더 알아보기.
데이터 락커에서 SSOT 리포트의 이점
Single Source of Truth 리포트:
- 정확하고 완전한 어트리뷰션 뷰 확보: SSOT는 다양한 어트리뷰션 방법의 데이터를 병합하는 논리를 처리하여 여러 어트리뷰션 방법으로 어트리뷰션된 설치를 중복으로 계산하는 것을 사실상 방지합니다. 이를 통해 데이터가 정확하고 실제 유저 행동과 어트리뷰션을 반영하도록 보장합니다.
- BI 시스템에 데이터 로드: SSOT는 집계된 데이터를 사용하여 내부 BI 시스템을 개발하는 효율적이고 정확한 방법을 제공합니다. 여기에는 모든 차원 및 지표와 함께 어트리뷰션, 인앱 이벤트, 수익 데이터가 포함됩니다. 이 데이터를 BI 시스템에 로드하면 사용자 개인정보 보호 체제를 유지하면서 캠페인 성과 및 최적화 프로세스를 강화할 수 있습니다.
- 최고의 세분성: SSOT는 SKAN에 내재된 데이터 갭을 모델링할 때도 가능한 최고 수준의 세분성을 제공합니다. 이 상세한 데이터는 정확하고 정보에 기반한 의사 결정을 내리는 데 도움이 됩니다.
데이터 락커 설정
SSOT(Single Source of Truth) 리포트를 활성화하려면 다음 절차 중 하나를 완료하십시오.
현재 데이터 락커를 통해 데이터를 받고 계신가요? | 절차 |
---|---|
Yes |
|
아니요 |
|
SSOT 리포트 관련 팩트
이름 | 설명 |
---|---|
사용 가능한 리포트 | 다음 리포트를 사용할 수 있습니다.
|
리포팅 기간 | 이 리포트에서는 설치 후 최대 7일까지 코호트 지표를 제공합니다. |
디렉터리 구조 | 디렉터리 구조는 설치 날짜를 기준으로 구성됩니다. 각 설치 날짜 폴더에는 매일 생성되는 여러 버전이 포함됩니다. 각 버전은 이 설치 날짜에 대해 업데이트된 누적 데이터를 반영합니다. 즉, 사용 가능한 최신 리포트 버전만 처리해야 합니다. 더 알아보기 |
리포트 구조 | 리포트의 스키마 (측정기준 및 측정항목 포함)는 고정되어 있으며 수정할 수 없습니다. |
시간대 | UTC |
데이터 최신성 |
|
리포트 구조
리포트는 기준 및 지표로 구성됩니다.
지표는 어트리뷰션, 수익, 이벤트를 수행하는 고유 유저에 대한 데이터를 포괄합니다. 비용 관련 지표(예: ROI 및 ROAS)를 계산하려면 수익 및 비용 지표가 모두 있어야 합니다. 수익 메트릭은 SSOT 리포트에 있으며 비용 메트릭은 ROI360 Cost ETL에서 제공합니다.
필드 형식
필드 이름 | 설명 |
---|---|
문자열 [n] | 문자열의 최대 길이. 일반적으로 데이터 수신 시에는 필드 길이 제한 사항을 적용하지 않지만 수신 이후에 데이터가 잘릴 수 있습니다. |
시간 문자열 |
문자열의 형식은 다음과 같습니다. yyyy-mm-dd hh:mm:ss. 예를 들어, 2019-09-17 00:09:25 |
Enum [n] | Enum 필드는 특정 값만 포함할 수 있습니다. 예를 들어, selected_currency는 3자이며 지정된 통화 코드만 포함할 수 있습니다. |
Timestamp | 10자리 UNIX 타임 스탬프. 예: 2020년 8월 4일 07:25 UTC는 다음과 같이 변환됩니다. "timestamp": "1596525944" |
Boolean | 필드의 값은 TRUE 또는 FALSE일 수 있습니다. |
정수 | 정수 |
Float | 소수점과 소수점 뒤의 값을 가질 수 있는 실제 부동소수입니다. |
디멘션
필드 이름 | 설명 | 형식 | ||||||
---|---|---|---|---|---|---|---|---|
af_ad_id | 광고 식별자. 캠페인 구조. | string | ||||||
af_ad | 광고 이름 | string | ||||||
af_adset_id | 광고 세트 식별자. 캠페인 구조. | string | ||||||
af_adset | 광고 세트 이름. | string | ||||||
app_id | 접두사 ID를 가진 앱 ID(광고주 앱). | string | ||||||
attribution_method | 이벤트를 어트리뷰션하는 데 사용되는 메커니즘. 이러한 메커니즘의 예로는 앱스플라이어 메서드, SKAdNetwork(SKAN) 및 오가닉이 있습니다. | string | ||||||
attributed_touch_type | 가능한 값: 클릭 노출, null. | string | ||||||
campaign | 애드 네트워크가 앱스플라이어에 리포트한 캠페인 이름. | string | ||||||
af_c_id | 캠페인 식별자. | string | ||||||
days_post_attribution | 전환 날짜 이후 경과된 일수(특정 전환 타임스탬프 아님). 팁! 이를 사용하여 보존 기간 및 KPI 일수를 계산합니다. |
int | ||||||
event_name | 이벤트를 식별합니다. 일부 이벤트 이름은 특정 의미를 갖지만, 다른 이벤트 이름은 앱에서 광고주가 설정한 인앱이벤트와 관련됩니다.
|
string | ||||||
지역 | ISO 국가 코드. 앱스플라이어의 기존 어트리뷰션 방법에서는 유저 IP 주소에서 파생되는 반면, SKAN에서는 데이터가 애드 네트워크에서 보강되거나 모델링됩니다. | string | ||||||
install_date |
SKAN 앱스플라이어가 포스트백 도착 시간을 기준으로 추정합니다. AF:
|
string | ||||||
is_primary_attribution |
UA: true 리타겟팅: 리인게이지먼트 윈도우 중에, 인앱 이벤트는 원래의 UA 미디어소스(리인게이지먼트 이전)와 리인게이지먼트 미디어소스 모두에 어트리뷰션됩니다. 이벤트가 리인게이지먼트 윈도우 이내에 있는 경우입니다. 원래의 미디어소스는 FALSE가 됩니다(기본 어트리뷰션이 아님). 리인게이지먼트 미디어 소스는 TRUE입니다. |
bool | ||||||
media_source | 이벤트에 어트리뷰션된 애드 네트워크. | string | ||||||
selected_currency | 앱 설정에서 유저가 설정한 3자리 통화 코드(USD, EUR). ISO-4217 형식입니다. SSOT 유저 인터페이스에서 수익을 표시하는 데 사용되는 것과 동일한 통화입니다. | string | ||||||
conversion_type | 가능한 값: 설치: 유저가 처음으로 앱을 다운로드하고 엽니다. 리어트리뷰션: 유저가 재설치하고 새 캠페인에 어트리뷰션됩니다. 재다운로드(SKAN): 유저가 앱을 삭제한 후 다시 설치합니다. 리인게이지먼트: 리인게이지먼트: 유저가 리타겟팅 광고와 상호 작용한 후 앱을 다시 엽니다. |
string |
측정 지표
선택한 dl 이름 | 설명 | 형식 |
---|---|---|
revenue_selected_currency | 선택한 통화의 누적 수익 금액. 소수점 이하 최대 2자리입니다. 예: days_post_attribution=2인 event_name=purchase의 경우, 이 값은 설치 후 2일 이내(둘째 날뿐만 아니라) 구매 이벤트에서 발생한 총수익을 반영합니다. |
double |
revenue_usd | 누적 수익 금액(USD). 예: days_post_attribution=2인 event_name=purchase의 경우, 이 값은 설치 후 2일 이내(둘째 날뿐만 아니라) 구매 이벤트에서 발생한 총수익을 반영합니다. |
double |
skan_duplicates | SKAN과 다른 AF 메서드에 의해 동시에 어트리뷰션된 설치는 SSOT 데이터의 중복 계산 방지를 위해 제거됩니다. | long |
uninstalls_count | 나중에 앱을 제거(삭제)하는 유저의 앱 유저 설치 수(유저 인입에만 해당) | long |
unique_users | 이벤트를 수행하는 고유 유저의 수. 값은 누적됩니다. 예: days_post_attribution=2인 event_name=purchase의 경우, 이 값은 설치 후 2일째 이내(둘째 날뿐만 아니라)에 구매한 고유 유저 수를 반영합니다. |
int |
모델링된 데이터
앱스플라이어는 기본 SKAdNetwork 리포팅이 제공할 수 없는 데이터를 모델링합니다.
- Null 변환 값(CV): SKAN에서 Apple은 유저 개인 정보를 보호하기 위해 실제 데이터를 "Null" 값으로 바꿀 수 있습니다. 데이터가 누락되지 않도록 이러한 null 값은 SSOT에서 모델링됩니다. 더 알아보기.
- 더 긴 설치 후 지표: 첫 2일 이후의 설치 후 기간 동안 SKAN의 데이터 세분화는 제한적이며, 이로 인해 부정확성이 발생할 수 있습니다. 높은 데이터 품질을 유지하기 위해 2보다 큰 days_post_attribution에 대해 수익과 고유 인앱 이벤트 유저를 모델링합니다. 더 알아보기.
지역 데이터: SKAN은 데이터 세분화를 제한하여 지역 데이터를 사용할 수 없게 만드는 경우가 많습니다. 이러한 경우 효율적인 성능 분석이 가능하도록 데이터를 모델링합니다. 더 알아보기.
부분 데이터
최근 설치 일수를 분석할 때 연장된 설치 후 기간(예: 7일)의 지표가 완전히 성숙되지 않았을 수 있습니다. 이러한 경우 지표를 계속 사용할 수는 있지만 부분적인 데이터만 반영하게 됩니다.
몇 가지 경험칙:
- 리포트에는 사용 가능한 모든 데이터가 사용 가능하게 되는 즉시 표시됩니다.
- 5일이 지나면 설치 후 2일간의 지표가 완성됩니다*.
- 7일이 지나면 설치 후 7일간의 지표가 완성됩니다*. 설치 후 최대 15일까지 모델은 이 값을 구체화할 수 있습니다.
부분 데이터의 이유:
- 데이터 성숙도: 설치 날짜 이후의 시간이 분석 중인 일수보다 짧으면 데이터가 계속 누적되는 중이며 아직 완료되지 않은 것입니다.
- SKAN 지연: SKAN 데이터는 무작위로 지연 수신됩니다. 예를 들어, 처음 2일 동안의 설치 후 활동은 설치 후 최대 96시간(4일)까지 수신 가능합니다.
- 모델링된 데이터 타이밍: 설치 후 2일 이상의 기간에 대한 SKAN 데이터가 모델링됩니다. 우리가 사용하는 모델은 7일 후에 첫 번째 추정 값을 생성합니다. 이 기간(2일 차부터 7일 차까지) 중에는 앱스플라이어의 기존 어트리뷰션 방법의 데이터를 사용할 수 있지만 SKAN 모델링 데이터는 사용할 수 없습니다.
예(설치 날짜가 1월 1일이라고 가정):
- 1월 2일: SKAN 데이터는 아직 수신되지 않았습니다. 설치 후 2일 동안의 데이터는 설치 후 7일의 데이터와 동일하며, 둘 다 부분적이며 앱스플라이어의 기존 어트리뷰션 방법의 데이터로 구성됩니다.
- 1월 3일: SKAN 데이터가 부분적으로 수신됩니다. 설치 후 2일 동안의 데이터는 여전히 부분적 데이터이며, 이제 부분적으로 SKAN 데이터를 포함합니다. 설치 후 7일 동안의 데이터에는 아직 모델링된 SKAN 데이터가 포함되지 않습니다(첫 번째 모델링된 값은 설치 후 7일이 지나면 사용 가능함). 따라서 설치 후 2일에서 7일 사이에는 설치 후 2일에 비해 설치 후 7일의 값이 더 낮을 수 있습니다.
- 1월 6일: 설치 후 첫 2일 동안의 SKAN 데이터가 완전히 수신되었으며, 여기에는 가능한 최대 지연이 있는 포스트백이 포함되었습니다. 설치 후 2일 동안의 지표가 완성되었습니다. 이 시점에서 설치 후 7일간의 지표는 아직 완성되지 않았습니다.
- 1월 8일: 설치 후 7일간의 SKAN 모델링 데이터가 완성되었습니다. 이 모델은 1월 16일까지 값을 계속 구체화합니다.
디렉터리 구조
리포트 폴더 계층 구조
-
기본 폴더는 리포트 유형별로 구성됩니다. 가능한
값:
- ssot_unified
- ssot_retargeting
- ssot_user_acquisition
- 이러한 폴더 내의 하위 폴더는 설치 날짜별로 구성됩니다.
버전 관리
- 각 설치 날짜 폴더에는 매일 생성되는 여러 버전이 포함됩니다.
- 각 버전은 해당 설치 날짜에 대해 업데이트된 누적 데이터를 반영합니다.
- 리포트에는 설치 날짜에 사용 가능한 모든 데이터가 포함됩니다. 예를 들어 4월 18일에 각 설치 날짜의 최신 버전에는 4월 18일 해당 시점까지의 모든 데이터가 포함됩니다.
- 팁: 정확성을 보장하기 위해 항상 사용 가능한 최신 리포트 버전을 처리합니다.
각 설치 날짜는 최대 15개 버전으로 제한됩니다. 15일이 지나면 모든 지표가 완전히 확정되고 완성됩니다. 더 알아보기.
디렉터리 및 파일 이름 구조
리포트 경로는 다음 형식으로 구성됩니다.
<bucket-name>/t=<ssot_unified OR ssot_retargeting OR ssot_user_acquisition>/install_date=<yyyy-mm-dd>/version=<unix timestamp>/<parquet file number>
광고주 버킷의 폴더 계층 구조 예:
bucket | └── t=ssot_unified | ├── install_date=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 | | . . . .
범례:
- t: 리포트 주제(유형)
- install_date: 앱의 설치 날짜입니다. 즉, 설치 후 활동은 유저 작업이 발생한 날이 아니라 유저가 앱을 다운로드한 설치 날짜를 기준으로 표시됩니다.
- version: 버전이 생성된 시점을 나타내는 Unix 타임스탬프입니다.
BI 개발사 고려사항
리포트의 데이터 범위:
이 리포트에는 유저 유입 설치, 리타겟팅 리어트리뷰션(SKAN에서 재다운로드), 리인게이지먼트에 대한 데이터와 관련 인앱 이벤트에 대한 데이터가 포함됩니다.
리포트 로드
통합, 사용자 획득 및 리타겟팅 리포트를 개별적으로 또는 함께 BI 시스템에 로드할 수 있습니다. 함께 로드하고 직접 뷰를 필터링하려는 경우:
- 통합 리포트: is_primary_attribution=true 또는 null 필드를 사용합니다.
- 유저 유입 리포트: conversion_type=Install을 사용합니다.
- 리타겟팅 리포트: conversion_type=re-engagement 또는 re-attribution을 사용합니다.
- 통합 뷰: 데이터 로드 프로세스에서 통합 뷰를 사용하는 경우 캠페인 유형 간에 데이터를 분할할 수 있습니다.
- conversion_type=install, re-engagement 또는 re-attribution (SKAN에서는 re-downloads)을 사용합니다.
- 자세한 내용은 "리타겟팅 이벤트의 이중 어트리뷰션"을 참조하세요.
어트리뷰션 후 일수
중요!
이 리포트에는 수익 및 고유 유저 데이터를 설치 후 특정 일수와 연결하는 차원 days_post_attribution이 포함됩니다.
- 어트리뷰션(설치, 리인게이지먼트 등)의 경우 값은 0입니다.
- 수익 및 인앱 이벤트의 경우 데이터는 사전 정의된 코호트로 분류되며, 현재 설치 후 "2일" 및 "7일"로 제한됩니다.
인앱 이벤트와 수익을 정확하게 분석하려면 days_post_attribution 차원에 필터를 적용해야 합니다. 아래 예제 쿼리를 참조하세요.
흔히 범하는 실수의 예는 특정 차원 세트에 대한 수익 열을 합산하는 단순화된 논리를 적용하는 것입니다. 이 접근 방식을 사용하면 일부 수익 데이터가 두 번 (days_post_install=2에 한 번, days_post_install=7에 다시 한 번) 계산되므로 잘못된 숫자가 생성됩니다. 이 예는 특정 인앱 이벤트에 대한 고유 유저를 분석할 때도 관련이 있습니다.
고려 사항
팁 고려 사항:
- 마지막 버전: 항상 각 설치 날짜에 사용 가능한 최신 버전을 쿼리하여 분석을 위해 가장 최신의 정확한 데이터로 작업하고 있는지 확인합니다.
- 수익 계산: USD 단위의 수익은 이벤트 발생일의 환율을 사용하여 계산됩니다.
- 어트리뷰션 분석: event_name=af_conversion인 레코드는 어트리뷰션(설치, 리어트리뷰션(SKAN에서 재다운로드), 리인게이지먼트)을 반영합니다. 어트리뷰션 수는 고유 유저 지표 아래에 표시되며, 이러한 필드에 대한 수익 지표는 비어 있게 됩니다. days_post_attribution 아래의 값은 0이 됩니다.
- 대시보드 비교: 설치를 대시보드와 비교할 때, 대시보드는 설치 열에서 재다운로드 및 설치 전환 유형을 모두 고려하므로 두 유형을 모두 합산합니다.
- 인앱 이벤트 분석: event_name이 'af_conversion'과 같지 않은 레코드는 인앱 이벤트를 반영합니다. 이벤트를 수행하는 고유 유저 수는 고유 유저 지표 아래에 표시되고, 이러한 이벤트에서 생성된 수익은 수익 지표 아래에 표시됩니다.
- 전환 유형: 이 차원을 사용하여 유저 유입 전환과 리타겟팅 전환을 구분합니다. SKAN 데이터에 대한 추가 중단(설치 대 재다운로드)을 사용할 수 있습니다. SSOT 대시보드와 데이터를 비교할 때 두 유형 모두 설치로 간주됩니다.
- 광고 수익 이벤트: 사용 가능한 경우 이러한 이벤트가 포함됩니다.
- 데이터 분리: 모든 앱 데이터는 단일 파일로 제공됩니다. 앱 ID 필드를 사용하여 앱별로 데이터를 분리하거나 데이터 락커를 앱별로 분리하도록 설정합니다.
- 비용, 클릭 수, 노출 수 등의 사전 어트리뷰션 데이터는 비용 ETL 리포트에서 가져와야 합니다.
사용 사례 예시
다음은 BI 개발자가 데이터 락커를 통해 추출할 수 있는 코호트 데이터의 인기 있고 실용적인 애플리케이션의 예입니다. 각 예제를 SQL 문과 샘플 Excel 시각적 개체로 설명합니다.
캠페인당 총 어트리뷰션 수 계산
이 쿼리에서는 다음을 수행합니다.
- 각 설치 날짜의 캠페인당 총 고유 어트리뷰션을 합산합니다.
- 이벤트 이름이 'af_conversion'이고 특정 캠페인 ID(af_c_id)가 있는 전환을 필터링합니다.
SELECT install_date, SUM(unique_users) AS total_attributions FROM ssot_unified WHERE event_name = 'af_conversion' AND af_c_id = '4475903638579' -- Change to your specific campaign AND app_id = 'YOUR_APP' GROUP BY install_date;
전환(설치 및 재다운로드)을 계산하여 고유 캠페인마다 대시보드의 설치 수와 비교하기
이 쿼리에서는 다음을 수행합니다.
- 전환 수를 계산하여 고유한 캠페인과 설치 날짜마다 신규 설치와 재다운로드를 구분합니다.
- 'install' 전환 유형과 're-download' 전환 유형을 병합하는 대시보드 설치 지표와 설치 수를 비교합니다.
SELECT install_date, conversion_type, SUM(unique_users) AS total_conversions FROM ssot_unified WHERE event_name = 'af_conversion' AND af_c_id = '4475903638579' -- Change to your specific campaign AND conversion_type IN ('install', 're-download')
-- The dashboard sums both under the install field AND app_id = 'YOUR_APP' GROUP BY install_date, conversion_type;
지역별 리타겟팅 전환 계산
이 쿼리에서는 다음을 수행합니다.
- 리타겟팅 캠페인의 전환 수를 지리적 위치별로 분류하여 계산합니다.
- 이러한 전환에 대해 're-attribution' 및 're-engagement' 유형을 고려합니다.
SELECT install_date, conversion_type, geo, SUM(unique_users) AS total_conversions FROM ssot_unified WHERE event_name = 'af_conversion' AND conversion_type IN ('re-attribution', 're-engagement')
-- Both types are relevant for re-targeting AND app_id = 'YOUR_APP' GROUP BY install_date, conversion_type, geo;
미디어소스별 어트리뷰션 방법으로 설치 수 계산
이 쿼리에서는 다음을 수행합니다.
- 어트리뷰션 방법(SKAN, 앱스플라이어 방법, 오가닉)으로 설치 수를 계산하고 미디어소스별로 분류합니다.
- 전환 유형이 'install'인 'af_conversion' 이벤트를 기준으로 필터링합니다.
SELECT install_date, attribution_method, media_source, SUM(unique_users)
AS total_installs FROM ssot_unified WHERE event_name = 'af_conversion' AND conversion_type = 'install' AND app_id = 'YOUR_APP' GROUP BY install_date, attribution_method, media_source;
광고 세트당 Facebook에 대해 설치 후 7일 동안의 누적 수익 계산
이 쿼리에서는 Facebook에 게재된 광고의 설치 후 7일 이내에 누적된 수익을 측정합니다.
SELECT install_date, af_adset, SUM(revenue_usd) AS total_revenue_day_7 FROM ssot_unified WHERE media_source = 'facebook' AND days_post_attribution = 7 -- Choose a specific post-install period (cohort) AND app_id = 'YOUR_APP' GROUP BY install_date, af_adset;
선택한 설치 후 기간의 누적 수익 계산
이 쿼리에서는 다음을 수행합니다.
- 설치 후 선택한 여러 날 동안의 누적 수익을 계산하여 2일 차와 7일 차의 합계를 분석합니다.
- 지난 7일 동안의 설치를 분석할 때 설치 후 7일 동안의 데이터가 완전하지 않을 수 있습니다. 더 알아보기
SELECT install_date, SUM(IF(days_post_attribution = 2, revenue_usd, 0)) AS total_revenue_day2, SUM(IF(days_post_attribution = 7, revenue_usd, 0)) AS total_revenue_day7 FROM ssot_unified WHERE app_id = 'YOUR_APP' GROUP BY install_date;
미디어소스당 특정 인앱 이벤트(구매)의 수익 계산
이 쿼리에서는 다음을 수행합니다.
- 특정 인앱 이벤트(예: 'af_purchase')의 수익 가치를 측정하고 해당 데이터를 미디어소스별로 합산합니다.
- 설치 후 선택한 일수를 필터링하여 데이터가 이중 계산되지 않도록 합니다.
SELECT install_date, media_source, SUM(revenue_usd) AS total_purchase_revenue FROM ssot_unified WHERE event_name = 'af_purchase' -- Change to your specific event AND days_post_attribution = 7 -- Choose a specific post-install period (cohort) AND app_id = 'YOUR_APP' GROUP BY install_date, media_source;
설치 후 2일 동안의 인앱 이벤트 전환율 계산
이 쿼리에서는 모든 설치와 관련된 특정 인앱 이벤트(예: 'af_complete_tutorial')의 전환율을 계산합니다.
SELECT install_date, SUM(IF(days_post_attribution = 2 AND
event_name = 'af_complete_tutorial', unique_users, 0)) / SUM(IF(event_name = 'af_conversion', unique_users, 0))
AS conversion_rate_day2_af_tutorial_conversion FROM ssot_unified WHERE conversion_type = 'install'
-- Choose the conversion types for the sample group you want to measure AND app_id = 'YOUR_APP' GROUP BY install_date;
캠페인 ID당 설치 후 7일 및 2일 동안의 ARPU 계산
이 쿼리에서는 다음을 수행합니다.
- 캠페인 전반에서 설치 후 2일 차와 7일 차의 유저당 평균 수익(ARPU)을 계산합니다.
- 지난 7일 동안의 설치를 분석할 때 설치 후 7일 동안의 데이터가 완전하지 않을 수 있습니다. 더 알아보기
SELECT install_date, af_c_id, SUM(IF(days_post_attribution = 2, revenue_usd, 0)) / SUM(IF(event_name = 'af_conversion', unique_users, 0)) AS ARPU_day2, SUM(IF(days_post_attribution = 7, revenue_usd, 0)) / SUM(IF(event_name = 'af_conversion', unique_users, 0)) AS ARPU_day7 FROM ssot_unified WHERE conversion_type = 'install' -- Choose the conversion types for the sample group you want to measure AND app_id = 'YOUR_APP' GROUP BY install_date, af_c_id;
이 쿼리에서 미디어소스당 중복 수량 계산
이 쿼리에서는 미디어소스 및 설치 날짜별로 중복된 유저 어트리뷰션의 총 횟수를 계산하여 유저 어트리뷰션에서 중복이 더 많을 수 있는 미디어 채널을 강조 표시합니다.
SELECT install_date, media_source, SUM(skan_duplicates) FROM ssot_unified WHERE app_id = 'YOUR_APP' AND event_name = 'af_conversion' GROUP BY install_date, media_source;
SELECT install_date, media_source, SUM(skan_duplicates) FROM ssot_unified WHERE app_id = 'YOUR_APP' GROUP BY install_date, media_source;
특징 및 제약 사항
열 a | 열 b |
---|---|
비용 데이터 | 비용 데이터를 사용할 수 없습니다. 비용 ETL을 대신 사용할 수 있습니다. |
일별 리포트 가용성 | 하루가 끝날 때 SSOT 토글이 설정된 설치 날짜에만 해당 날짜에 대한 SSOT 리포트가 있습니다. |
설치 후 2일 지표
|
|
인앱 이벤트 가용성
|
|
수익 | SKAN 수익이 특정 이벤트에 대해서만 구성된 경우 SSOT 수익 지표는 해당 AF 리포트 수익 이벤트만 고려합니다. |
SKAN 재다운로드 분석 | 사용 가능. SSOT 대시보드에서는 이 분석을 사용할 수 없으며 설치 및 재다운로드가 모두 설치 지표에 포함됩니다. |
SKAN Conversion Studio 구성 변경
|
SKAN Conversion Studio 구성을 변경하면 이전 스키마로 인코딩된 설치의 포스트백이 계속 도착하므로 약 96시간 동안 SSOT 데이터에 부정확성이 발생할 수 있습니다. |
시간대 | 앱별 시간대는 사용할 수 없습니다. |
오가닉 데이터 |
|
전환 후 일수(설치, 리어트리뷰션, 리인게이지먼트) 데이터 | 변환 후 7일로 제한됩니다. |
에이전시 투명성
|
지원됨. X 광고 및 메타 광고 데이터는 항상 투명합니다. |
캠페인 이름 변경
|
지원 안 됨. 캠페인 이름이 변경된 경우 그룹화 및 필터링에 캠페인 ID를 사용합니다. |
애드 네트워크
|
|
에이전시 액세스
|
해당 없음. 에이전시 유저는 SSOT 대시보드에서 SSOT 데이터를 볼 수 있습니다. |
D7 지표
|
|
사전 정의된 이벤트 이름
|
이벤트 이름 'af_conversion'은 다양한 유형의 전환을 나타내는 데 사용되므로 'af_conversion'이라는 특정한 이름을 가진 이벤트가 있는 앱에는 원래 이벤트의 이름이 'af_conversion_event'로 바뀝니다. |
현지 통화 차이
|
SSOT 대시보드와 SSOT DataLocker 리포트는 동시에 계산되지 않으므로 대시보드의 현지 통화로 표시된 수익을 리포트에서 선택한 통화와 비교할 때 약간의 불일치가 발생할 수 있습니다. 이는 데이터가 계산된 시점에 사용된 환율이 약간 다르기 때문입니다. |
SKAN D7 부분 데이터 | SKAN D7 데이터가 모델링되고 설치 후 7일이 지나 초기 버전이 준비되므로 지난 7일 이내의 날에 대한 D7 지표를 분석할 때 D7 데이터는 부분 데이터입니다. 어트리뷰션 방법이 SKAN인 레코드의 경우 D7 지표는 D2 지표보다 낮습니다. |
D7 수익 및 인앱 이벤트 지표에 대한 제한적 세분성 | 설치 후 7일 동안의 수익 및 고유 유저 이벤트 지표는 광고 세트, 광고, 전환 유형 세분화 수준에서 사용할 수 없습니다. 이 수준의 세부 정보는 일반적으로 SKAN에서 사용할 수 없으므로 모델은 이러한 차원을 고려하지 않습니다. |
광고 수익 데이터 최신성 |
광고 수익 데이터가 하루 지연됩니다. 예를 들어 7월 3일 아침에 생성된 리포트에는 7월 1일까지의 광고 수익 데이터가 포함됩니다. |