Ads Data Hub（ADH）是谷歌创建的一个注重隐私的平台，允许广告商深入了解其谷歌广告、DV360、广告系列管理器和 YouTube 广告系列的表现，同时保护个人用户的隐私。
ADH 的工作原理是允许广告客户访问其在谷歌拥有的谷歌云项目中的广告活动数据。这些数据包括广告系列性能指标或用户行为数据。然后，谷歌对这些数据进行处理，并允许广告商执行复杂的分析。执行的分析包括多渠道归因建模、受众洞察和营销活动优化。当然，所有这些都将在一个干净且注重隐私的环境中完成，不会损害用户隐私。
广告数据枢纽从谷歌拥有的谷歌云项目中读取数据。然后，ADH 将聚合的 Google 广告系列数据写入您的 Google 云项目。数据处理完成后，广告商可以使用 SQL 进行查询，并根据结果创建报告或可视化内容。
使用 Google Ads Data Hub 的主要优势之一是，它允许广告商跨多个渠道进行分析。这些渠道包括 Google Ads、Campaign Manager 和 YouTube。还需注意的是，无需手动合并各平台的数据即可进行分析。因此，广告商可以节省时间和资源，并能全面了解广告活动的效果。
广告商可以利用 ADH 深入了解各种指标。这些指标包括点击、印象、转化和受众行为。例如，广告商可以使用 ADH 进行多渠道归因分析，以确定哪些渠道推动了最多的转化。他们还可以深入了解参与其广告的受众。
1. 面向营销人员的广告数据中心（ADH）
广告数据中心（ADH）为广告商提供了广泛的潜在用途。对于那些希望在保护个人用户隐私的同时深入了解其 Google Ads、Campaign Manager、DV360 和 YouTube 营销活动的人来说，尤其如此。以下是广告商如何使用 ADH 分析数据的一些示例：
1. 跨屏 YouTube 营销活动报告：
ADH 允许广告商分析其 YouTube 营销活动的表现。这可以跨不同的屏幕和设备实现，包括台式机、移动设备和联网电视。
2. 活动后影响分析：
广告主可以在广告活动结束后分析其影响。这包括对品牌知名度、考虑因素和购买意向的长期影响。
3. 增量销售分析：
ADH 可用于分析广告活动带来的销售增量。分析可包括可归因于特定广告或渠道的销售提升。
4. 受众激活：
广告商可以根据第一方数据创建自定义受众。之后，他们可以在谷歌的广告平台上激活这些受众。
5. 自定义时间范围到达报告：
通过 ADH，广告主可以创建自定义到达率报告，分析在特定时间段内接触到其广告的独立用户数量。
6. 可查看转化率：
ADH 可用于分析可查看转化的数量。这意味着用户无需滚动或其他操作即可看到广告。
7. 按路径划分的转化率：
广告商可以分析不同用户路径的转化率。例如，从广告印象到转化的路径。
8. 目标受众重叠：
利用 ADH，广告商可以研究不同目标受众之间的重叠情况。因此，广告商可以深入了解受众的行为和偏好。
9. 按地理位置分类的亲和转化倾向：
广告商可以根据用户对特定产品或服务的亲和力，研究不同地域用户的转化倾向。
10. 目标细分路径：
ADH 可用于分析不同目标细分用户的访问路径。其中一个例子就是从广告印象到转化的路径。
11. 目标细分域性能：
利用 ADH，广告商可以分析不同目标细分市场在不同域和网站上的表现。
12. 目标细分市场重叠：
通过 ADH，广告主可以分析不同目标细分市场之间的重叠情况。这将帮助他们深入了解受众的行为和偏好。
13. 目标细分市场质量：
ADH 可用于根据不同目标细分市场的表现和参与度指标分析其质量。
2. ADH 隐私检查
ADH 还提供多种隐私检查和限制，以确保个人用户的隐私得到保护。这些检查包括静态检查、聚合检查和差异检查。静态检查会检查查询，以防止传输有关单个用户的数据。聚合检查确保每一行都包含足够多的用户（即每行至少 50 个用户），以保护隐私。最后，差异检查对结果进行比较，以防止收集单个用户的信息。
在广告数据中心（ADH）中，隐私保护的最小受众规模由聚合要求决定。聚合要求旨在确保输出数据集中的每一行数据都包含足够多的用户，以保护单个用户的隐私。
具体的最小受众规模可能会因具体的使用案例和分析的数据类型而有所不同。不过，ADH 通常要求每行至少有 50 个用户，以保护隐私。这意味着输出数据集中的任何一行数据都必须包含至少 50 个唯一用户的数据，这样才能包含在结果中。
值得注意的是，ADH 中的聚合要求旨在保护个人用户隐私，同时仍允许广告商深入了解他们的广告活动。通过要求最低受众规模以保护隐私，ADH 可确保在输出数据集中不会暴露或识别个人用户数据。与此同时，它还能为广告商提供有意义和可操作的见解。此外，建议您始终在 ADH 沙盒环境中测试和调整您的查询，因为它不受隐私检查的限制。.
3. 如何访问广告数据中心并添加第一方数据
在（散列）设备 ID 上加入第一方数据
在 Ads Data Hub (ADH)，您可以在 SQL 查询中使用连接语句，根据设备 ID 连接第一方数据。下面是一个示例查询，说明如何根据设备 ID 将第一方数据与 Google Ads 数据连接起来：
“`
SELECT
g.DeviceID、
g.Impressions、
c.CustomDimension
从
mycompany.adh_google_ads_data` AS g
连接
`mycompany.adh_first_party_data` AS c
在
g.DeviceID = c.DeviceID
“`
在此示例中，`mycompany.adh_google_ads_data` 表包含 Google 广告数据，包括看到或点击您广告的用户的设备 ID。mycompany.adh_first_party_data` 表包含您的第一方数据，其中也包括设备 ID。
查询中的 `JOIN` 语句会告诉 ADH 匹配两个表中的设备 ID，并将数据合并为一个结果集。在这种情况下，查询会从第一方数据中返回设备 ID、印象数和自定义维度。
请注意，要在 ADH 中加入您的第一方数据，您必须先将数据上传到可被 ADH 项目访问的 BigQuery 表中。此外，您的第一方数据必须符合 ADH 的隐私政策和聚合要求，以确保个人用户隐私得到保护。
如需了解更多信息，请参阅 https://developers.google.com/ads-data-hub/guides/join-your-data#rdids
CRM 和自定义泛光灯变量
在 Ads Data Hub (ADH)，您可以使用 CRM 数据和 Floodlight 标签来深入了解您的广告活动。以下是如何在 ADH 中访问和连接自定义泛光灯变量与第一方数据的方法：
1. 设置泛光灯标签：
首先，您需要在 Campaign Manager 360 中设置泛光灯标签，以收集有关访问或转换的附加信息。您可以使用自定义泛光灯变量（即 u 变量）来捕获对您的业务非常重要的特定数据点。这些数据点可以是客户 ID、订单 ID 等。
2. 将数据导出到 BigQuery：
一旦您的 Floodlight 标签设置完成，您就可以将数据导出到一个 BigQuery 表中，该表可供您的 ADH 项目访问。这样，您就可以在分析其他广告数据的同时分析 Floodlight 数据。
3. 编写 SQL 查询：
要访问自定义泛光灯变量并将其与第一方数据连接起来，您需要编写一个 SQL 查询。下面是一个查询示例，展示了如何访问和连接各个自定义泛光灯变量：
“`
选择
f.DeviceID、
f.CustomVariable1、
c.CustomDimension
FROM
mycompany.adh_floodlight_data` AS f
连接
`mycompany.adh_first_party_data` AS c
在
f.DeviceID = c.DeviceID
“`
在此示例中，`mycompany.adh_floodlight_data` 表包含泛光灯数据，包括设备 ID 和自定义泛光灯变量。mycompany.adh_first_party_data` 表包含第一方数据，其中也包括设备 ID。
查询中的 `JOIN` 语句会告诉 ADH 匹配两个表中的设备 ID，并将数据合并为一个结果集。查询将从第一方数据中返回设备 ID、第一个自定义泛光灯变量的值和一个自定义维度。
4. 分析结果：
获得加入的数据后，您就可以对其进行分析，从而深入了解您的广告活动。例如，您可以使用自定义泛光灯变量来细分受众。然后，您就可以分析特定群体的表现。
值得注意的是，在 ADH 中访问自定义泛光灯变量不像在 Campaign Manager 360 报告用户界面中那么直接。这是因为数据是以连续字符串的形式存储在单个字段中的。但是，通过在 ADH 中使用 SQL 查询，您可以访问和连接单个自定义泛光灯变量，以深入了解您的营销活动。
利用零售商 POS 锁定目标受众
要使用 Ads Data Hub 中的零售商 POS 数据锁定受众，您可以遵循以下一般步骤：
1. 获取零售商销售数据：
第一步是获取零售商销售数据。您可能需要与零售商合作才能访问这些数据。如果您与零售商有业务关系，也可能已经获得了访问权限。
2. 格式化数据，以便上传到 BigQuery：
获得零售商销售数据后，您需要对其进行格式化，以便上传到 BigQuery。您可以使用 Google Cloud Dataflow 或 Apache Beam 等工具来完成这项工作。
3. 将零售商销售数据与您的 Campaign Manager 360 数据相匹配：
零售商销售数据需要包含可与 Campaign Manager 360 数据匹配的 ID。该 ID 可以是客户 ID、用户 ID 或 Google 匹配 ID。
4. 在 Ads Data Hub 中加入数据：
格式化零售商销售数据并与 Campaign Manager 360 数据匹配后，您可以使用 SQL 查询在 Ads Data Hub 中连接数据。您可以使用匹配的 ID 作为键来连接两个数据集。
5. 使用连接数据定位受众：
加入数据后，您可以使用零售商销售数据在 Ads Data Hub 中定位受众。例如，您可以根据在零售商处购物的客户创建自定义受众群体。然后，您就可以使用该细分市场来定位您的广告活动。
值得注意的是，这一过程的具体细节可能因零售商及其销售数据格式而异。您可能需要与数据集成合作伙伴或数据工程团队合作，帮助您格式化数据并将其上传到 BigQuery。切记确保数据在 Ads Data Hub 中正确匹配和连接。
使用 Affinity 数据进行 CRM 剖析
要在 Ads Data Hub 中使用 Affinity 数据执行 CRM 剖析，可以使用以下步骤：
1. 将 CRM 数据上传到 BigQuery：
您需要将 CRM 数据上传到 BigQuery，并确保其中包含与 Google Ads 的共同连接键。这样，您就可以将 CRM 数据与 Google 的亲和力数据连接起来。
2. 将您的客户关系管理数据与 Google 的亲和数据连接起来：
使用 Ads Data Hub 中的 SQL 查询，您可以将客户关系管理数据与 Google 的亲和力数据连接起来。这样，您就可以将客户关系管理数据与谷歌亲和力数据的人口统计和兴趣进行比较，并找出相同点和不同点。
3. 分析结果：
将客户关系管理数据与谷歌亲和力数据连接起来后，就可以对结果进行分析，了解第一方数据与谷歌亲和力数据的比较情况。这些信息可用于在显示和视频 360 中定义更准确的相似细分市场。
为确保隐私，您需要确保受众规模足够大，且数据不包含任何用户级信息。此外，您还需要确保您的数据符合 Ads Data Hub 的隐私要求以及任何适用的法律法规。
客户关系管理自定义到达率和频率
要在 Ads Data Hub 中创建 CRM 自定义到达率和频率报告，您需要遵循以下步骤：
1. 将您的 CRM 数据上传到 BigQuery：
您需要将 CRM 数据上传到 BigQuery，并确保它包含与 Campaign Manager 360 的共同连接键。
2. 将 CRM 数据与 Campaign Manager 360 数据连接：
使用 SQL，您可以在 Ads Data Hub 中将 CRM 数据与 Campaign Manager 360 数据连接。您可以使用公共连接键连接数据。
3. 创建频率分布：
连接数据后，您可以创建每个客户接触广告次数的频率分布。这将有助于您了解每位客户看到您的广告的频率。
4. 分割数据：
根据每位客户的线索状态或任何其他相关标准对数据进行细分。这将有助于您了解不同客户群对广告的反应。
5. 分析数据：
使用细分数据分析不同客户群对广告的反应。例如，您可能会发现某些细分市场在很长一段时间内出现高频率的广告。这可能表明，您需要针对这些群体调整策略。
按照以下步骤，您就可以使用 Ads Data Hub 创建 CRM 自定义到达率和频率报告，并深入了解 CRM 细分客户对广告的响应情况。
按客户关系管理细分的 YouTube 四分位数
- 要使用 Ads Data Hub 按客户关系管理细分计算 YouTube 四分位数，您需要遵循以下步骤：
- 将 CRM 数据上传到 BigQuery，并确保它与 Google Ads 有共同的连接键。
- 创建一个包含以下列的新 BigQuery 表： event_timestamp”、”video_id”、”user_id”、”quartile “以及 CRM 数据中的任何其他相关字段。
- 在`event_timestamp`列中，存储视频事件发生时的时间戳。
- 在 `video_id` 列中，存储显示的视频广告的 ID。
- 对于 `user_id` 列，存储每个观看广告的用户的唯一标识符。例如，可以是其电子邮件地址的散列值。
- 在 `quartile` 列中，存储用户查看的视频广告的四分位数。使用 YouTube 的 API 来检索此信息。
- 创建此表后，运行查询将 CRM 数据与视频四分位数数据连接起来。之后，按客户关系管理细分市场对数据进行分组，查看每个细分市场与视频内容的互动情况。
- 然后，您可以对数据进行分析，以确定用户在哪个四分位数趋于减少。然后相应地调整视频广告内容。您还可以利用这些信息来确定某些客户关系管理细分市场是否需要不同的视频内容或信息来保持他们的参与度。
您是否有更多关于广告数据中心 (ADH) 的问题？
联系我们或在 Linkedin 上关注我们！
