ADH funciona al permitir que los anunciantes accedan a los datos de su campaña en el proyecto Google Cloud propiedad de Google. Ejemplos de estos datos son las métricas de rendimiento de la campaña o los datos de comportamiento del usuario. Luego, Google procesa estos datos y permite a los anunciantes realizar análisis complejos. Los análisis realizados incluirían modelos de atribución multicanal, información sobre la audiencia y optimización de campañas. Por supuesto, todo esto se haría en un entorno limpio y centrado en la privacidad sin comprometer la privacidad del usuario.
Ads Data Hub lee datos de un proyecto de Google Cloud propiedad de Google. Luego, ADH escribe los datos agregados de la campaña de Google en su proyecto de Google Cloud. Una vez que se procesan los datos, los anunciantes pueden consultarlos mediante SQL y crear informes o visualizaciones en función de los resultados.
Una de las principales ventajas de usar Google Ads Data Hub es que permite a los anunciantes realizar análisis en múltiples canales. Ejemplos de estos canales incluyen Google Ads, Campaign Manager y YouTube. También tenga en cuenta que el análisis se puede realizar sin tener que combinar los datos de cada plataforma manualmente. Debido a esto, los anunciantes pueden ahorrar tiempo y recursos y permitirles obtener una visión holística del rendimiento de sus campañas.
Los anunciantes pueden usar ADH para obtener información sobre una amplia gama de métricas. Estas métricas incluyen clics, impresiones, conversiones y comportamiento de la audiencia. Por ejemplo, los anunciantes pueden usar ADH para realizar un análisis de atribución multicanal para determinar qué canales generan la mayor cantidad de conversiones. También pueden obtener información sobre las audiencias que interactúan con sus anuncios.
1. Ads Data Hub (ADH) para especialistas en marketing
Ads Data Hub (ADH) ofrece una amplia gama de usos potenciales para los anunciantes. Esto es especialmente cierto para aquellos que desean obtener información sobre sus campañas de Google Ads, Campaign Manager, DV360 y YouTube mientras protegen la privacidad del usuario individual. Estos son algunos ejemplos de cómo los anunciantes pueden usar ADH para analizar sus datos:
1. Informes de campañas de YouTube en pantalla cruzada:
ADH permite a los anunciantes analizar el rendimiento de sus campañas de YouTube. Esto es posible en diferentes pantallas y dispositivos, incluidos los de escritorio, los móviles y los televisores conectados.
2. Análisis de impacto posterior a la campaña:
Los anunciantes pueden analizar el impacto de sus campañas una vez finalizadas. Esto incluye los efectos a largo plazo sobre el conocimiento de la marca, la consideración y la intención de compra.
3. Análisis de Ventas Incrementales:
ADH se puede utilizar para analizar las ventas incrementales generadas por una campaña publicitaria. El análisis puede incluir el aumento de las ventas que se puede atribuir a anuncios o canales específicos.
4. Activación de audiencia:
Los anunciantes pueden crear audiencias personalizadas en función de sus datos propios. Posteriormente, pueden activar esas audiencias en las plataformas de publicidad de Google.
5. Informe de alcance de período de tiempo personalizado:
Con ADH, los anunciantes pueden crear informes de alcance personalizados que analizan la cantidad de usuarios únicos que estuvieron expuestos a sus anuncios durante un período de tiempo específico.
6. Conversiones visibles:
ADH se puede utilizar para analizar la cantidad de conversiones que fueron visibles. Esto significa que fueron vistos por los usuarios sin necesidad de desplazamiento o acciones adicionales.
7. Tasa de conversión por rutas:
Los anunciantes pueden analizar la tasa de conversión para diferentes rutas de usuario. Un ejemplo es la ruta desde la impresión del anuncio hasta la conversión.
8. Superposición de público objetivo:
Con ADH, los anunciantes pueden estudiar la superposición entre diferentes audiencias objetivo. Debido a esto, los anunciantes obtienen información sobre el comportamiento y las preferencias de la audiencia.
9. Propensión de afinidad a convertir por geo:
Los anunciantes pueden examinar la propensión de los usuarios en diferentes regiones geográficas a realizar conversiones en función de su afinidad por productos o servicios específicos.
10. Ruta del segmento de destino:
ADH se puede utilizar para analizar las rutas tomadas por los usuarios en diferentes segmentos objetivo. Un ejemplo es la ruta desde la impresión del anuncio hasta la conversión.
11. Rendimiento del dominio del segmento objetivo:
Con ADH, los anunciantes pueden analizar el rendimiento de diferentes segmentos objetivo en diferentes dominios y sitios web.
12. Superposición de segmento objetivo:
Con ADH, los anunciantes pueden analizar la superposición entre diferentes segmentos objetivo. Esto les ayudará a obtener información sobre el comportamiento y las preferencias de la audiencia.
13. Calidad del segmento objetivo:
ADH se puede utilizar para analizar la calidad de diferentes segmentos objetivo en función de sus métricas de rendimiento y participación.
2. Comprobaciones de privacidad de ADH
ADH también ofrece varios controles y restricciones de privacidad para garantizar que la privacidad del usuario individual esté protegida. Estas comprobaciones incluyen comprobaciones estáticas, comprobaciones de agregación y comprobaciones de diferencia. Las comprobaciones estáticas examinan las consultas para evitar la transmisión de datos sobre usuarios individuales. Las comprobaciones de agregación garantizan que cada fila contenga una cantidad lo suficientemente grande de usuarios (es decir, un mínimo de 50 usuarios en un nivel de fila) para proteger la privacidad. Por último, las comprobaciones de diferencias comparan los resultados para evitar recopilar información sobre usuarios individuales.
En Ads Data Hub (ADH), el tamaño mínimo de audiencia para la protección de la privacidad está determinado por los requisitos de agregación. Los requisitos de agregación están diseñados para garantizar que cada fila de datos en el conjunto de datos de salida contenga una cantidad de usuarios lo suficientemente grande como para proteger la privacidad de los usuarios individuales.
El tamaño mínimo exacto de la audiencia puede variar según el caso de uso específico y el tipo de datos que se analizan. Sin embargo, ADH generalmente requiere un tamaño de audiencia mínimo de 50 usuarios por fila para la protección de la privacidad. Esto significa que cualquier fila de datos en el conjunto de datos de salida debe contener datos de al menos 50 usuarios únicos para poder incluirse en los resultados.
Vale la pena señalar que los requisitos de agregación en ADH están diseñados para proteger la privacidad de los usuarios individuales y, al mismo tiempo, permitir que los anunciantes obtengan información sobre sus campañas. Al exigir un tamaño mínimo de audiencia para la protección de la privacidad, ADH garantiza que los datos de los usuarios individuales no estén expuestos ni sean identificables en el conjunto de datos de salida. Al mismo tiempo, seguirá brindando a los anunciantes información significativa y procesable. También es recomendable probar y ajustar siempre sus consultas en el entorno ADH Sandbox, ya que no está sujeto a controles de privacidad.
3. Cómo acceder a Ads Data Hub y agregar datos propios
Unión de datos propios en ID de dispositivos (hash)
En Ads Data Hub (ADH), puede unir sus datos propios en función de los ID de dispositivo mediante una declaración de unión en su consulta SQL. Aquí hay una consulta de ejemplo que muestra cómo unir sus datos propios con los datos de Google Ads según la identificación del dispositivo:
“`
SELECT
g.DeviceID,
g.Impressions,
c.CustomDimension
FROM
`mycompany.adh_google_ads_data` AS g
JOIN
`mycompany.adh_first_party_data` AS c
ON
g.DeviceID = c.DeviceID
“`
En este ejemplo, la tabla `mycompany.adh_google_ads_data` contiene datos de Google Ads, incluidos los ID de dispositivo de los usuarios que vieron o hicieron clic en sus anuncios. La tabla `mycompany.adh_first_party_data` contiene sus datos propios, que también incluyen ID de dispositivos.
La declaración `JOIN` en la consulta le dice a ADH que haga coincidir los ID de dispositivo en ambas tablas y combine los datos en un único conjunto de resultados. En este caso, la consulta devuelve el ID del dispositivo, el número de impresiones y una dimensión personalizada de sus datos propios.
Tenga en cuenta que para unir sus datos propios en ADH, primero debe cargar sus datos en una tabla de BigQuery a la que pueda acceder su proyecto ADH. Además, sus datos propios deben cumplir con las políticas de privacidad y los requisitos de agregación de ADH para garantizar que la privacidad del usuario individual esté protegida.
Para obtener más información, consulte https://developers.google.com/ads-data-hub/guides/join-your-data#rdids
CRM y variables de Floodlights personalizadas
En Ads Data Hub (ADH), puede usar sus datos de CRM y etiquetas de Floodlight para obtener información sobre sus campañas publicitarias. Así es como puede acceder y unir sus variables de Floodlight personalizadas con sus datos propios en ADH:
1. Configurar etiquetas de Floodlight:
En primer lugar, debe configurar las etiquetas de Floodlight en Campaign Manager 360 para recopilar información adicional sobre una visita o una conversión. Puede utilizar variables de Floodlight personalizadas (es decir, variables u) para capturar puntos de datos específicos que son importantes para su empresa. Estos puntos de datos pueden ser la identificación del cliente, la identificación del pedido, etc.
2. Exportar datos a BigQuery:
Una vez que haya configurado sus etiquetas de Floodlight, puede exportar los datos a una tabla de BigQuery a la que pueda acceder su proyecto ADH. Esto le permite analizar sus datos de Floodlight junto con sus otros datos publicitarios.
3. Escriba una consulta SQL:
Para acceder y unir sus variables de Floodlight personalizadas con sus datos propios, deberá escribir una consulta SQL. Aquí hay una consulta de ejemplo que muestra cómo acceder y unir variables de Floodlight personalizadas individuales:
“`
SELECT
f.DeviceID,
f.CustomVariable1,
c.CustomDimension
FROM
`mycompany.adh_floodlight_data` AS f
JOIN
`mycompany.adh_first_party_data` AS c
ON
f.DeviceID = c.DeviceID
“`
En este ejemplo, la tabla `mycompany.adh_floodlight_data` contiene sus datos de Floodlight, incluidos los ID de dispositivo y las variables personalizadas de Floodlight. La tabla `mycompany.adh_first_party_data` contiene sus datos propios, que también incluyen ID de dispositivos.
La declaración `JOIN` en la consulta le dice a ADH que haga coincidir los ID de dispositivo en ambas tablas y combine los datos en un único conjunto de resultados. La consulta devuelve el ID del dispositivo, el valor de la primera variable de Floodlight personalizada y una dimensión personalizada de sus datos propios.
4. Analiza los resultados:
Una vez que tenga los datos unidos, puede analizarlos para obtener información sobre sus campañas publicitarias. Por ejemplo, puede usar las variables personalizadas de Floodlight para segmentar su audiencia. Luego, puede analizar el desempeño de grupos específicos.
Vale la pena señalar que acceder a las variables personalizadas de Floodlight en ADH no es tan sencillo como en la interfaz de usuario de informes de Campaign Manager 360. Esto se debe a la forma en que los datos se almacenan en un solo campo como una cadena continua. Sin embargo, al usar consultas SQL en ADH, puede acceder y unir variables de Floodlight personalizadas individuales para obtener información más detallada sobre sus campañas.
Público objetivo con punto de venta minorista
Para dirigirse a la audiencia con datos de puntos de venta minoristas en Ads Data Hub, puede seguir estos pasos generales:
1. Obtenga acceso a los datos de ventas del minorista:
El primer paso es obtener acceso a los datos de ventas del minorista. Es posible que deba trabajar con el minorista para obtener acceso a estos datos. También es posible que ya tenga acceso si tiene una relación comercial con el minorista.
2. Formate a los datos para subirlos a BigQuery:
Una vez que tenga los datos de ventas minoristas, debe formatearlos para cargarlos en BigQuery. Puede hacerlo con una herramienta como Google Cloud Dataflow o Apache Beam.
3. Haga coincidir los datos de ventas minoristas con los datos de Campaign Manager 360:
Los datos de ventas minoristas deben incluir un ID que pueda coincidir con los datos de Campaign Manager 360. Este ID podría ser un ID de cliente, un ID de usuario o un ID de coincidencia de Google.
4. Une los datos en Ads Data Hub:
Una vez que haya formateado y hecho coincidir los datos de ventas minoristas con los datos de Campaign Manager 360, puede unir los datos en Ads Data Hub mediante consultas SQL. Puede utilizar los ID coincidentes como clave para unir los dos conjuntos de datos.
5. Use los datos combinados para dirigirse a su audiencia:
Con los datos unidos, puede usar los datos de ventas minoristas para dirigirse a su audiencia en Ads Data Hub. Por ejemplo, podría crear un segmento de audiencia personalizado en función de los clientes que hayan realizado una compra en el minorista. A continuación, puede utilizar este segmento para orientar sus campañas publicitarias.
Vale la pena señalar que los detalles específicos de este proceso pueden variar según el minorista y el formato de sus datos de ventas. Es posible que deba trabajar con un socio de integración de datos o un equipo de ingeniería de datos para ayudarlo a formatear y cargar los datos en BigQuery. Recuerde asegurarse de que los datos coincidan y se unan correctamente en Ads Data Hub.
Creación de perfiles de CRM con Affinity Data
Para realizar perfiles de CRM con datos de Affinity en Ads Data Hub, puede seguir los siguientes pasos:
1. Cargue sus datos de CRM en BigQuery:
Debe cargar sus datos de CRM en BigQuery y asegurarse de que contenga una clave de unión común con Google Ads. Esto le permitirá unir sus datos de CRM con los datos de afinidad de Google.
2. Une tus datos de CRM con los datos de afinidad de Google:
Mediante consultas SQL en Ads Data Hub, puede unir sus datos de CRM con los datos de afinidad de Google. Esto le permitirá comparar la demografía y los intereses de sus datos de CRM con los datos de afinidad de Google e identificar similitudes y diferencias.
3. Analiza los resultados:
Una vez que haya unido sus datos de CRM con los datos de afinidad de Google, puede analizar los resultados para comprender cómo se comparan sus datos propios con los datos de afinidad de Google. Esta información se puede utilizar para definir segmentos similares más precisos en Display & Video 360.
Para garantizar la privacidad, debe asegurarse de que el tamaño de la audiencia sea suficiente y que los datos no contengan información a nivel de usuario. Además, debe asegurarse de que sus datos cumplan con los requisitos de privacidad de Ads Data Hub y las leyes y regulaciones aplicables.
Alcance y frecuencia personalizados de CRM
Para crear un informe personalizado de alcance y frecuencia de CRM en Ads Data Hub, deberá seguir estos pasos:
1. Cargue sus datos de CRM en BigQuery:
Deberá cargar sus datos de CRM en BigQuery y asegurarse de que contenga una clave de unión común con Campaign Manager 360.
2. Unir los datos de CRM con los datos de Campaign Manager 360:
Con SQL, puede unir sus datos de CRM con los datos de Campaign Manager 360 en Ads Data Hub. Puede unir los datos utilizando la clave de unión común.
3. Cree una distribución de frecuencias:
Una vez que haya unido los datos, puede crear una distribución de frecuencia de la cantidad de veces que cada cliente ha estado expuesto a sus anuncios. Esto lo ayudará a comprender la frecuencia con la que cada cliente ve sus anuncios.
4. Segmentar los datos:
Segmente los datos en función del estado del cliente potencial de cada cliente o cualquier otro criterio relevante. Esto lo ayudará a comprender cómo los diferentes segmentos de clientes están respondiendo a sus anuncios.
5. Analiza los datos:
Utilice los datos segmentados para analizar cómo los diferentes segmentos de clientes están respondiendo a sus anuncios. Por ejemplo, puede encontrar que ciertos segmentos tienen una alta frecuencia durante un largo período de tiempo. Esto puede indicar que necesita ajustar su estrategia para estos grupos.
Al seguir estos pasos, puede usar Ads Data Hub para crear un informe personalizado de alcance y frecuencia de CRM y obtener información sobre cómo sus segmentos de CRM están respondiendo a sus anuncios.
Cuartil de YouTube por segmentos de CRM
Para calcular el cuartil de YouTube por segmentos de CRM con Ads Data Hub, debe seguir estos pasos:
- Cargue sus datos de CRM en BigQuery y asegúrese de que tenga una clave de unión común con Google Ads.
- Cree una nueva tabla de BigQuery que incluya las siguientes columnas: `event_timestamp`, `video_id`, `user_id`, `quartile` y cualquier otro campo relevante de sus datos de CRM.
- En la columna `event_timestamp`, almacene la marca de tiempo cuando ocurrió el evento de video.
- Cuando se trata de la columna `video_id`, almacene la ID del anuncio de video que se mostró.
- Para la columna `user_id`, almacene un identificador único para cada usuario que vio el anuncio. Esto puede ser un valor hash de su dirección de correo electrónico, por ejemplo.
- En la columna “cuartil”, almacene el cuartil del anuncio de video que vio el usuario. Utilice la API de YouTube para recuperar esta información.
- Una vez que haya creado esta tabla, ejecute una consulta para unir sus datos de CRM con los datos del cuartil de video. Después de hacerlo, agrupe los datos por segmento de CRM para ver cómo cada segmento interactúa con su contenido de video.
- A continuación, puede analizar los datos para determinar en qué cuartiles tienden a abandonar los usuarios. Luego, ajuste el contenido de su anuncio de video en consecuencia. También puede usar esta información para determinar si ciertos segmentos de CRM requieren contenido de video o mensajes diferentes para mantenerlos comprometidos.
¿Tienes más preguntas sobre Ads Data Hub (ADH)?
¡Contáctanos o síguenos en Linkedin!
https://www.linkedin.com/company/indaru/
Image by rawpixel.com on Freepik
