Отчет Data Locker с единым источником истины (SSOT) для маркетологов

Чтобы включить отчеты с единым источником истины, выполните одну из следующих процедур.

• Основные папки организованы по типу отчета. Возможные значения:
  • ssot_unified
  • ssot_retargeting
  • ssot_user_acquisition
• В этих папках подпапки упорядочены по дате установки.

Управление версиями 

• Каждая папка с датой установки содержит несколько версий, создаваемых ежедневно.
• Каждая версия отражает обновленные совокупные данные на эту дату установки.
• Отчеты будут содержать все доступные данные на дату установки. Например, 18 апреля последняя версия для каждой даты установки содержит все данные до 18 апреля.
• Совет. Всегда обрабатывайте последнюю доступную версию отчета, чтобы обеспечить точность.

Дата установки ограничена 31 версиями. По истечении 31 дней все метрики являются полностью зафиксированными и завершёнными. Подробнее.

Путь к отчету состоит имеет следующий формат:

<bucket-name>/t=<ssot_unified OR ssot_retargeting OR ssot_user_acquisition>/install_date=<yyyy-mm-dd>/version=<unix timestamp>/<parquet file number>

Пример иерархии папок в корзине рекламодателя:

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
    |   |
    .   . 
    .   .

Условные обозначения:

• t: Тема (тип) отчета.
• install_date: Дата установки приложения. Это означает, что действия после установки будут отображаться на основе даты установки, когда пользователь скачал приложение, а не дня, когда произошло действие пользователя.
• version: Временная метка Unix, указывающая, когда была создана версия.

AppsFlyer моделирует данные, которые не могут предоставить базовые отчеты SKAdNetwork.

• Нулевое значение конверсии (CV): В SKAN Apple может заменить фактические данные значением «Null» для сохранения конфиденциальности пользователя. Чтобы гарантировать, что данные не будут пропущены, эти значения NULL моделируются в SSOT. Подробнее.
• Более длинные метрики после установки: Детализация данных SKAN за периоды после установки, выходящие за рамки первых двух дней, ограничена, что может привести к неточностям. Для поддержания высокого качества данных мы моделируем доход и уникальных пользователей внутренних событий приложения для days_post_attribution больше 2. Подробнее.

Геоданные: SKAN ограничивает детализацию данных, часто делая геоданные недоступными. В таких случаях мы моделируем данные для точного анализа эффективности. Подробнее.

При анализе последних дней установки метрики за более длительные периоды после установки (например, 7 дней) могут быть отработаны не полностью. В таких случаях метрики по-прежнему будут доступны, но будут отражать частичные данные.

Некоторые практические правила:

• В отчете отображаются все доступные данные, как только они становятся доступными.
• Через 5 дней метрики за два дня после установки будут дополнены*.
• Через 7 дней метрики за семь дней после установки будут дополнены. В течение 15 дней после установки модель может уточнить это значение.

Причины частичных данных:

• Зрелость данных: если время с даты установки короче анализируемого периода в днях, данные все еще накапливаются и еще не дополнены.
• Задержки SKAN: данные SKAN поступают со случайной задержкой. Например, данные о действиях после установки в течение первых двух дней могут быть получены в течение 96 часов (4 дней) после установки.
• Синхронизация моделируемых данных: моделируются данные SKAN за периоды, превышающие 2 дня после установки. Наши модели генерируют первое расчетное значение через 7 дней. В этот период (со 2-го по 7-й дни) доступны данные классических методов атрибуции AppsFlyer, а данные, смоделированные SKAN, — нет.

Примеры (если датой установки является 1 января):

• 2 января: Данные SKAN еще не получены. Данные за 2 дня после установки будут равны данным менее чем через 7 дней после установки, и в обоих случаях они являются частичными и состоят из данных классических методов атрибуции AppsFlyer.
• 3 января: Данные SKAN получены частично. Данные за 2 дня после установки по-прежнему будут частичными с частичным содержанием данных SKAN. Данные за 7 дней после установки пока не будут включать смоделированные данные SKAN (первое смоделированное значение будет доступно через 7 дней после установки). Таким образом, через 2–7 дней после установки мы можем увидеть более низкое значение за 7 дней после установки по сравнению с 2 днями после установки.
• 6 января: Данные SKAN за первые два дня после установки были получены в полном объеме, включая постбэки с максимально возможной задержкой. Метрики за два дня после установки дополнены. На данный момент метрики за 7 дней после установки еще не дополнены.
• 8 января: Смоделированные данные SKAN за 7 дней после установки дополнены. Наша модель продолжит уточнение значения до 16 января. 

Примечание: Та же логика применима к данным SKAN за 14-й, 21-й и 30-й дни. Это означает, что показатели за [X]-й день (где [X] может быть 7, 14, 21 или 30) становятся доступны только по истечении [X] дней с даты установки.

Вы можете загружать в свои системы бизнес-аналитики объединенные отчеты, отчеты по привлечению пользователей и отчеты по ретаргетингу отдельно или вместе. Если вы загружаете их вместе и хотите самостоятельно фильтровать обзоры:

• Объединенные отчеты: Use is_primary_attribution=true или поле null.
• Отчеты по привлечению пользователей: Используйте conversion_type=Install.
• Отчеты по ретаргетингу: Используйте conversion_type=re-engagement или re-attribution.
• Объединенный обзор: Если вы используете единый обзор в процессе загрузки данных, вы можете разделить данные по типам кампаний:

• Используйте conversion_type=install, re-engagement или re-attribution (повторные загрузки в SKAN).
• Подробнее см. в разделе «Двойная атрибуция событий ретаргетинга».

• Для атрибуций (установок, повторных вовлечений и т. д.) значение равно 0.
• Данные о доходе и внутренних событиях приложения разделены на заранее определенные когорты, которые в настоящее время ограничены «2» днями и «7» днями после установки.

Чтобы точно анализировать внутренние события приложения и доход, следует применить фильтр по параметру days_post_attribution. Ниже приведен пример запроса.

Примером распространенной ошибки является применение упрощенной логики, которая суммирует столбец дохода для определенного набора параметров. Такой подход приводит к получению неверных цифр, так как некоторые данные о доходах учитываются дважды (один раз для days_post_install=2 и второй раз для days_post_install=7). Этот пример также актуален при анализе уникальных пользователей по конкретным внутренним событиям приложения.

• Последняя версия: Всегда используйте версию, чей номер имеет наибольшее значение для каждой даты установки, поскольку там содержатся самые последние данные. Номер версии выполнен в формате временной метки Unix, поэтому чем больше значение, тем новее версия. Так вы можете гарантировать, что в вашем анализе использована самая точная и актуальная информация.
• Расчет дохода: Доход в долларах США рассчитывается по валютному курсу на день события.
• Анализ атрибуции: Записи, в которых event_name=af_conversion отражают атрибуцию (установки, реатрибуции (повторные загрузки в SKAN) и повторные вовлечения). Количество атрибуций отображается под метрикой уникальных пользователей, а метрики дохода для этих полей будут пустыми. Значение в поле days_post_attribution будет равно 0.
• Сравнение дэшбордов: При сравнении установок с дэшбордом суммируйте типы повторной загрузки и конверсии установок, поскольку дэшборд учитывает оба типа в столбце установки.
• Анализ внутренних событий приложения: Записи, в которых event_name не равно «af_conversion», отражают внутренние события приложения. Количество уникальных пользователей, выполнивших событие, отображается в метрике уникальных пользователей, а доход, полученный от этих событий, — в метрике дохода.
• Тип конверсии: Дифференцируйте конверсии при привлечении пользователей и ретаргетинге с помощью этого параметра. Обратите внимание, что доступна дополнительная разбивка для данных SKAN (установки или повторные загрузки). При сравнении данных с дэшбордом SSOT оба типа считаются установками.
• События дохода от рекламы: Они включены там, где это возможно.
• Разделение данных: Все данные приложения предоставляются в одном файле. Используйте поле «Идентификатор приложения» для разделения данных по приложениям или настройте разделение по приложениям в Data Locker.
• Данные до атрибуции, такие как затраты, клики и показы, следует использовать из отчёта Cost ETL.

Ниже приведены примеры некоторых популярных практических применений данных, которые разработчики BI могут извлекать с помощью Data Locker. Каждый пример иллюстрируется оператором SQL и примером визуального представления в Excel.

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;

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;

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;

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;

SELECT install_date,
       af_adset,
       SUM(revenue_usd) AS total_revenue_day_30
FROM ssot_unified
WHERE media_source = 'facebook'
    AND days_post_attribution = 30  -- Choose a specific post-install period (cohort)
    AND app_id = 'YOUR_APP'
GROUP BY install_date, af_adset;

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;

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;

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;

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;

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;

SELECT install_date,
       SUM(revenue_usd) AS total_revenue_day_7
FROM ssot_unified
WHERE attribution_method IN ('AF Model','SKAN')
  AND days_post_attribution = 7 
  AND app_id = 'YOUR_APP'
GROUP BY install_date;

SELECT install_date,
       SUM(revenue_usd) AS total_revenue_day_7
FROM ssot_unified
WHERE attribution_method = 'Organic'
  AND days_post_attribution = 7 
  AND app_id = 'YOUR_APP'
GROUP BY install_date;

SELECT install_date,
       SUM(revenue_usd) AS total_revenue_day_7
FROM ssot_unified
WHERE event_name = 'af_ssot_organic'
  AND days_post_attribution = 7 
  AND app_id = 'YOUR_APP'
GROUP BY install_date;