Home » Découverte » Qu’est-ce qu’Ads Data Hub (ADH) ?

Qu’est-ce qu’Ads Data Hub (ADH) ?

Conseil en Médias

Ads Data Hub (ADH) est une plate-forme axée sur la confidentialité créée par Google qui permet aux annonceurs d’obtenir des informations sur les performances de leurs campagnes Google Ads, DV360, Campaign Manager et YouTube tout en protégeant la confidentialité des utilisateurs individuels.

ADH fonctionne en permettant aux annonceurs d’accéder à leurs données de campagne dans le projet Google Cloud appartenant à Google. Des exemples de ces données sont les mesures de performance des campagnes ou les données sur le comportement des utilisateurs. Google traite ensuite ces données et permet aux annonceurs d’effectuer des analyses complexes. Les analyses effectuées incluraient la modélisation d’attribution multicanal, les informations sur l’audience et l’optimisation des campagnes. Bien sûr, tout cela se ferait dans un environnement nettoyé et axé sur la confidentialité sans compromettre la confidentialité des utilisateurs.

Ads Data Hub lit les données d’un projet Google Cloud appartenant à Google. ADH écrit ensuite les données de campagne Google agrégées dans votre projet Google Cloud. Une fois les données traitées, les annonceurs peuvent les interroger à l’aide de SQL et créer des rapports ou des visualisations en fonction des résultats.

L’un des principaux avantages de l’utilisation de Google Ads Data Hub est qu’il permet aux annonceurs d’effectuer des analyses sur plusieurs canaux. Des exemples de ces canaux incluent Google Ads, Campaign Manager et YouTube. Notez également que l’analyse peut être effectuée sans avoir à combiner manuellement les données de chaque plate-forme. De ce fait, les annonceurs peuvent économiser du temps et des ressources et leur permettre d’avoir une vue globale des performances de leurs campagnes.

Les annonceurs peuvent utiliser ADH pour obtenir des informations sur un large éventail de mesures. Ces statistiques incluent les clics, les impressions, les conversions et le comportement de l’audience. Par exemple, les annonceurs peuvent utiliser ADH pour effectuer une analyse d’attribution multicanal afin de déterminer quels canaux génèrent le plus de conversions. Ils peuvent également obtenir des informations sur les audiences qui interagissent avec leurs publicités.

 

1. Ads Data Hub (ADH) pour les commerçants

 

Ads Data Hub (ADH) offre un large éventail d’utilisations potentielles pour les annonceurs. Cela est particulièrement vrai pour ceux qui souhaitent obtenir des informations sur leurs campagnes Google Ads, Campaign Manager, DV360 et YouTube tout en protégeant la confidentialité des utilisateurs. Voici quelques exemples de la manière dont les annonceurs peuvent utiliser ADH pour analyser leurs données :

1. Rapports de campagne YouTube multi-écrans:

ADH permet aux annonceurs d’analyser les performances de leurs campagnes YouTube. Cela est possible sur différents écrans et appareils, y compris les ordinateurs de bureau, les mobiles et les téléviseurs connectés.

2. Analyse d’impact post-campagne:

Les annonceurs peuvent analyser l’impact de leurs campagnes une fois qu’elles sont terminées. Cela inclut les effets à long terme sur la notoriété de la marque, la considération et l’intention d’achat.

3. Analyse des ventes incrémentale:

ADH peut être utilisé pour analyser les ventes incrémentales générées par une campagne publicitaire. L’analyse peut inclure l’augmentation des ventes qui peut être attribuée à des publicités ou à des canaux spécifiques.

4. Activation du public:

Les annonceurs peuvent créer des audiences personnalisées en fonction de leurs données propriétaires. Ensuite, ils peuvent activer ces audiences sur les plateformes publicitaires de Google.

5. Rapport d’audience personnalisé:

Avec ADH, les annonceurs peuvent créer des rapports de portée personnalisés qui analysent le nombre d’utilisateurs uniques qui ont été exposés à leurs publicités sur une période donnée.

6. Conversions visibles:

ADH peut être utilisé pour analyser le nombre de conversions visibles. Cela signifie qu’ils ont été vus par les utilisateurs sans avoir besoin de faire défiler ou d’actions supplémentaires.

7. Taux de conversion par chemins:

Les annonceurs peuvent analyser le taux de conversion pour différents parcours d’utilisateurs. Un exemple est le chemin de l’impression d’annonce à la conversion.

8. Chevauchement des audiences ciblées:

Avec ADH, les annonceurs peuvent étudier le chevauchement entre différentes audiences ciblées. De ce fait, les annonceurs obtiennent des informations sur le comportement et les préférences de l’audience.

9. Propension d’affinité à convertir par géo:

Les annonceurs peuvent examiner la propension des utilisateurs de différentes régions géographiques à convertir en fonction de leur affinité pour des produits ou services spécifiques.

10. Cheminement de segment ciblé:

ADH permet d’analyser les parcours empruntés par les utilisateurs sur différents segments ciblés. Un exemple est le chemin de l’impression d’annonce à la conversion.

11. Performances du domaine de segment ciblé:

Avec ADH, les annonceurs peuvent analyser les performances de différents segments ciblés sur différents domaines et sites Web.

12. Chevauchement de segment ciblé:

Avec ADH, les annonceurs sont en mesure d’analyser le chevauchement entre les différents segments ciblés. Cela les aidera à mieux comprendre le comportement et les préférences du public.

13. Qualité du segment ciblé:

ADH peut être utilisé pour analyser la qualité de différents segments ciblés en fonction de leurs performances et de leurs mesures d’engagement.

 

2. Contrôles de confidentialité ADH

 

ADH propose également plusieurs vérifications et restrictions de confidentialité pour garantir la protection de la vie privée des utilisateurs individuels. Ces contrôles incluent des contrôles statiques, des contrôles d’agrégation et des contrôles de différence. Les vérifications statiques examinent les requêtes pour empêcher la transmission de données sur des utilisateurs individuels. Les vérifications d’agrégation garantissent que chaque ligne contient un nombre suffisant d’utilisateurs (c’est-à-dire un minimum de 50 utilisateurs au niveau de la ligne) pour protéger la confidentialité. Enfin, les vérifications des différences comparent les résultats pour empêcher la collecte d’informations sur des utilisateurs individuels.

Dans Ads Data Hub (ADH), la taille d’audience minimale pour la protection de la confidentialité est déterminée par les exigences d’agrégation. Les exigences d’agrégation sont conçues pour garantir que chaque ligne de données dans l’ensemble de données de sortie contient un nombre suffisant d’utilisateurs pour protéger la confidentialité des utilisateurs individuels.

La taille d’audience minimale exacte peut varier en fonction du cas d’utilisation spécifique et du type de données analysées. Cependant, ADH exige généralement une taille d’audience minimale de 50 utilisateurs par ligne pour la protection de la confidentialité. Cela signifie que toute ligne de données dans l’ensemble de données de sortie doit contenir des données d’au moins 50 utilisateurs uniques pour être incluse dans les résultats.

Il convient de noter que les exigences d’agrégation dans ADH sont conçues pour protéger la confidentialité des utilisateurs individuels tout en permettant aux annonceurs d’avoir un aperçu de leurs campagnes. En exigeant une taille d’audience minimale pour la protection de la vie privée, ADH garantit que les données des utilisateurs individuels ne sont pas exposées ou identifiables dans l’ensemble de données de sortie. Dans le même temps, il fournira toujours aux annonceurs des informations significatives et exploitables. Il est également conseillé de toujours tester et ajuster vos requêtes sur l’environnement ADH Sandbox car il n’est pas soumis à des contrôles de confidentialité.

 

3. Comment accéder à Ads Data Hub et ajouter des données propriétaires

 

Rejoindre des données propriétaires sur des ID d’appareils (hachés)

 

Dans Ads Data Hub (ADH), vous pouvez joindre vos données propriétaires en fonction des ID d’appareil en utilisant une instruction de jointure dans votre requête SQL. Voici un exemple de requête qui montre comment associer vos données propriétaires aux données Google Ads en fonction de l’ID de l’appareil :

“`

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

“`

Dans cet exemple, la table `mycompany.adh_google_ads_data` contient des données Google Ads, y compris les ID d’appareil des utilisateurs qui ont vu ou cliqué sur vos annonces. La table `mycompany.adh_first_party_data` contient vos données de première partie, qui incluent également les ID d’appareil.

L’instruction `JOIN` dans la requête indique à ADH de faire correspondre les ID de périphérique dans les deux tables et de combiner les données en un seul ensemble de résultats. Dans ce cas, la requête renvoie l’ID de l’appareil, le nombre d’impressions et une dimension personnalisée à partir de vos données propriétaires.

Notez que pour joindre vos données propriétaires dans ADH, vous devez d’abord importer vos données dans une table BigQuery accessible à votre projet ADH. De plus, vos données de première partie doivent être conformes aux politiques de confidentialité et aux exigences d’agrégation d’ADH pour garantir la protection de la vie privée des utilisateurs individuels.

Pour plus d’informations, veuillez consulter https://developers.google.com/ads-data-hub/guides/join-your-data#rdids

 

CRM et variables Floodlight personnalisées

 

Dans Ads Data Hub (ADH), vous pouvez utiliser vos données CRM et vos balises Floodlight pour obtenir des informations sur vos campagnes publicitaires. Voici comment accéder à vos variables Floodlight personnalisées et les associer à vos données propriétaires dans ADH:

 

1. Configurez les Floodlight Tags:

Tout d’abord, vous devez configurer des Floodlight Tags dans Campaign Manager 360 pour collecter des informations supplémentaires sur une visite ou une conversion. Vous pouvez utiliser des variables Floodlight personnalisées (c’est-à-dire des variables u) pour capturer des points de données spécifiques qui sont importants pour votre entreprise. Ces points de données peuvent être l’identifiant du client, l’identifiant de la commande, etc.

 

2. Exportez des données vers BigQuery:

Une fois vos Floodlight Tags configurées, vous pouvez exporter les données vers une table BigQuery accessible à votre projet ADH. Cela vous permet d’analyser vos données Floodlight parallèlement à vos autres données publicitaires.

 

3. Écrivez une requête SQL:

Pour accéder à vos variables Floodlight personnalisées et les associer à vos données propriétaires, vous devez écrire une requête SQL. Voici un exemple de requête qui montre comment accéder à des variables Floodlight personnalisées individuelles et les joindre :

“`

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

“`

Dans cet exemple, la table `mycompany.adh_floodlight_data` contient vos données Floodlight, y compris les ID d’appareil et les variables Floodlight personnalisées. La table `mycompany.adh_first_party_data` contient vos données propriétaires, qui incluent également les ID d’appareil.

L’instruction `JOIN` dans la requête indique à ADH de faire correspondre les ID de périphérique dans les deux tables et de combiner les données en un seul ensemble de résultats. La requête renvoie l’ID de l’appareil, la valeur de la première variable Floodlight personnalisée et une dimension personnalisée à partir de vos données propriétaires.

 

4. Analysez les résultats :

Une fois que vous avez les données jointes, vous pouvez les analyser pour mieux comprendre vos campagnes publicitaires. Par exemple, vous pouvez utiliser les variables Floodlight personnalisées pour segmenter votre audience. Ensuite, vous pouvez analyser les performances de groupes spécifiques.

Il convient de noter que l’accès aux variables Floodlight personnalisées dans ADH n’est pas aussi simple que dans l’interface utilisateur de création de rapports de Campaign Manager 360. Cela est dû à la façon dont les données sont stockées dans un seul champ sous forme de chaîne continue. Cependant, en utilisant des requêtes SQL dans ADH, vous pouvez accéder à des variables Floodlight personnalisées individuelles et les joindre pour obtenir des informations plus approfondies sur vos campagnes.

 

Cibler l’audience avec les retailer POS

 

Pour cibler l’audience avec les retailer POS dans Ads Data Hub, vous pouvez suivre ces étapes générales :

 

1. Accédez aux données de ventes des détaillants:

 

La première étape consiste à obtenir l’accès aux données sur les ventes des détaillants. Vous devrez peut-être travailler avec le détaillant pour avoir accès à ces données. Vous pouvez également y avoir déjà accès si vous avez une relation commerciale avec le détaillant.

 

2. Formatez les données à importer dans BigQuery:

 

Une fois que vous disposez des données sur les ventes des détaillants, vous devez les formater pour les importer dans BigQuery. Vous pouvez le faire en utilisant un outil comme Google Cloud Dataflow ou Apache Beam.

 

3. Faites correspondre les données sur les ventes du marchand avec vos données Campaign Manager 360:

 

Les données sur les ventes du détaillant doivent inclure un ID qui peut être mis en correspondance avec vos données Campaign Manager 360. Cet ID peut être un ID client, un ID utilisateur ou un ID de correspondance Google.

 

4. Joindre les données dans Ads Data Hub:

 

Une fois que vous avez formaté et mis en correspondance les données sur les ventes du détaillant avec vos données Campaign Manager 360, vous pouvez joindre les données dans Ads Data Hub à l’aide de requêtes SQL. Vous pouvez utiliser les ID correspondants comme clé pour joindre les deux ensembles de données.

 

5. Use the joined data to target your audience:5. Utilisez les données jointes pour cibler votre audience :

 

Une fois les données jointes, vous pouvez utiliser les données sur les ventes des détaillants pour cibler votre audience dans Ads Data Hub. Par exemple, vous pouvez créer un segment d’audience personnalisé basé sur les clients qui ont effectué un achat chez le détaillant. Vous pouvez ensuite utiliser ce segment pour cibler vos campagnes publicitaires.

Il convient de noter que les détails spécifiques de ce processus peuvent varier en fonction du détaillant et du format de ses données de vente. Vous devrez peut-être travailler avec un partenaire d’intégration de données ou une équipe d’ingénieurs de données pour vous aider à formater et importer les données dans BigQuery. N’oubliez pas de vous assurer que les données sont correctement mises en correspondance et jointes dans Ads Data Hub.

 

Profilage CRM avec des données d’affinité

 

Pour effectuer un profilage CRM avec des données d’affinité dans Ads Data Hub, vous pouvez suivre les étapes suivantes :

 

1. Importez vos données CRM dans BigQuery:

Vous devez importer vos données CRM dans BigQuery et vous assurer qu’elles contiennent une clé de jointure commune avec Google Ads. Cela vous permettra de joindre vos données CRM aux données d’affinité de Google.

 

2. Associez vos données CRM aux données d’affinité de Google:

À l’aide de requêtes SQL dans Ads Data Hub, vous pouvez joindre vos données CRM aux données d’affinité de Google. Cela vous permettra de comparer les données démographiques et les intérêts de vos données CRM avec les données d’affinité de Google et d’identifier les similitudes et les différences.

 

3. Analysez les résultats:

Une fois que vous avez joint vos données CRM aux données d’affinité de Google, vous pouvez analyser les résultats pour comprendre comment vos données de première partie se comparent aux données d’affinité de Google. Ces informations peuvent être utilisées pour définir des segments similaires plus précis dans Display & Video 360.

Pour garantir la confidentialité, vous devez vous assurer que la taille de l’audience est suffisante et que les données ne contiennent aucune information au niveau de l’utilisateur. En outre, vous devez vous assurer que vos données sont conformes aux exigences de confidentialité d’Ads Data Hub et à toutes les lois et réglementations applicables.

 

Portée et fréquence personnalisées du CRM

 

Pour créer un rapport CRM Custom Reach & Frequency dans Ads Data Hub, vous devrez suivre ces étapes :

 

1. Importez vos données CRM dans BigQuery :

Vous devrez importer vos données CRM dans BigQuery et vous assurer qu’elles contiennent une clé de jointure commune avec Campaign Manager 360.

 

2. Associez les données CRM aux données Campaign Manager 360 :

À l’aide de SQL, vous pouvez associer vos données CRM aux données Campaign Manager 360 dans Ads Data Hub. Vous pouvez joindre les données à l’aide de la clé de jointure commune.

 

3. Créez une distribution de fréquence :

Une fois que vous avez joint les données, vous pouvez créer une distribution de fréquence du nombre de fois où chaque client a été exposé à vos publicités. Cela vous aidera à comprendre à quelle fréquence chaque client voit vos publicités.

 

4. Segmentez les données :

Segmentez les données en fonction du statut de prospect de chaque client ou de tout autre critère pertinent. Cela vous aidera à comprendre comment les différents segments de clientèle réagissent à vos annonces.

 

5. Analysez les données :

Utilisez les données segmentées pour analyser la manière dont les différents segments de clientèle réagissent à vos publicités. Par exemple, vous pouvez constater que certains segments ont une fréquence élevée sur une longue période. Cela peut indiquer que vous devez ajuster votre stratégie pour ces groupes.

En suivant ces étapes, vous pouvez utiliser Ads Data Hub pour créer un rapport CRM personnalisé sur la portée et la fréquence et obtenir des informations sur la façon dont vos segments CRM réagissent à vos publicités.

 

Quartile YouTube par segments CRM

 

Pour calculer le quartile YouTube par segments CRM avec Ads Data Hub, vous devez suivre ces étapes:

  1. Importez vos données CRM dans BigQuery et assurez-vous qu’elles disposent d’une clé de jointure commune avec Google Ads.

 

  1. Créez une nouvelle table BigQuery qui inclut les colonnes suivantes : `event_timestamp`, `video_id`, `user_id`, `quartile` et tout autre champ pertinent de vos données CRM.

 

  1. Dans la colonne `event_timestamp`, stockez l’horodatage lorsque l’événement vidéo s’est produit.

 

  1. En ce qui concerne la colonne `video_id`, stockez l’ID de l’annonce vidéo qui a été affichée.

 

  1. Pour la colonne `user_id`, stockez un identifiant unique pour chaque utilisateur qui a vu l’annonce. Cela peut être une valeur hachée de leur adresse e-mail, par exemple.

 

  1. Dans la colonne “quartile”, stockez le quartile de l’annonce vidéo que l’utilisateur a visionnée. Utilisez l’API de YouTube pour récupérer ces informations.

 

  1. Une fois que vous avez créé ce tableau, exécutez une requête pour joindre vos données CRM aux données du quartile vidéo. Ensuite, regroupez les données par segment CRM pour voir comment chaque segment interagit avec votre contenu vidéo.

 

  1. Vous pouvez ensuite analyser les données pour déterminer à quels quartiles les utilisateurs ont tendance à abandonner. Ajustez ensuite le contenu de votre annonce vidéo en conséquence. Vous pouvez également utiliser ces informations pour déterminer si certains segments CRM nécessitent un contenu vidéo ou un message différent pour les maintenir engagés.

 

Avez-vous d’autres questions sur Ads Data hub (ADH) ?

Contactez-nous ou suivez-nous sur LinkedIn !

https://www.linkedin.com/company/indaru/

Image by rawpixel.com on Freepik

Last insights

L’attention durable

Optimiser le temps d'attention : une stratégie pour les marques afin de minimiser l'empreinte carbone Le secteur des médias a la responsabilité de prendre l'initiative en matière de réduction des émissions à l'échelle mondiale. La technologie et l'infrastructure...