Media- und produktbezogene Statistiken

Auf dieser Seite werden die erforderlichen Konfigurationen für die Verwendung des Cross Media & Product Connected Insights-Accelerators (Cross Media) von Cortex Framework Data Foundation beschrieben.

Mit diesem Cross-Media-Accelerator wird die Cortex Framework Data Foundation um eine erste Reihe von KPIs erweitert, um die Effektivität von Marketingkampagnen zu analysieren, die auf Media-Plattformen wie Google Ads, YouTube (mit DV360), Meta und TikTok für die Verkaufsleistung von Produkten und Produktkategorien laufen.

Das folgende Diagramm zeigt, wie Cross-Media-Insights über die Marketing-Arbeitslasten der Cortex Framework Data Foundation verfügbar sind:

CM360-Datenquelle

Abbildung 1. Cross-Media-Architektur.

Konfigurationsdatei

In der Datei config.json werden die Einstellungen konfiguriert, die für die Verbindung zu Datenquellen zum Übertragen von Daten aus verschiedenen Arbeitslasten erforderlich sind. Diese Datei enthält die folgenden Parameter für Cross Media:

  "k9": {
    "datasets": {... },
    "crossMedia": {
      "productHierarchyType": "",
      "maxProductHierarchyMatchLevel": 9,
      "targetCurrencies": ["USD"],
      "additionalPrompt": "",
      "lookbackWindowDays": 7
    }
  },
  "VertexAI": {
    "region": "us-central1",
    "processingDataset": "CORTEX_VERTEX_AI_PROCESSING"
  },
...

In der folgenden Tabelle wird der Wert für jeden Parameter beschrieben:

Parameter Bedeutung Standardwert
k9.deployCrossMedia Gibt an, ob Cross Media eingesetzt wird. Hinweis: Es muss mindestens eine der folgenden Plattformen bereitgestellt werden: Google Ads, YouTube (mit DV360), Meta oder TikTok. Andernfalls schlägt die Bereitstellung fehl. False
k9.CrossMedia.productHierarchyType Welche der Produkthierarchien im Produkt-Dimension verwendet werden sollen. Abhängig von den tatsächlichen Daten. Legen Sie diesen Wert auf denselben Wert wie den productHierarchyType-Wert für die Dimension „Produkthierarchie“ fest. SAP
k9.CrossMedia.maxProductHierarchyMatchLevel Beschränkt die Ebene der Produkthierarchie für den Abgleich. Unternehmen mit vielen Artikelnummern haben möglicherweise zu tief verschachtelte Hierarchien mit Details zur Verpackung (z. B. Coca-Cola in Glasflaschen oder Dosen, einzeln oder in Chargen verpackt). Einige Systeme, z. B. SAP, haben ein eigenes Limit für die Tiefe. 9
k9.CrossMedia.targetCurrencies Zielwährungen für Berichte und BI-Zwecke. Alle Quellwährungen werden in diese Währungen umgerechnet. ["USD"]
k9.CrossMedia.additionalPrompt Optional: Übergeben Sie zusätzliche Prompts an das LLM-Modell.
k9.CrossMedia.lookbackWindowDays Anzahl der Tage für den Lookback bei der inkrementellen Aktualisierung 7
VertexAI.region Vertex AI-Region (vorausgesetzt, das Quellprojekt für die Vertex AI API). Sie muss sich am selben Standort wie BigQuery befinden und darf keine Multiregion sein. Wenn sich BigQuery in einer Multi-Region befindet, ist jede Region aus derselben Multi-Region zulässig. us-central1 (entspricht dem BigQuery-Standardspeicherort us)
VertexAI.processingDataset Das BigQuery-Dataset für Vertex AI-Jobs muss sich am Standort VertexAI.region und nicht in einer Multiregion befinden. CORTEX_VERTEX_AI_PROCESSING

Datenmodell

In diesem Abschnitt wird das Datenmodell für Cross Media & Product Connected Insights anhand des Entity-Relationship-Diagramms (ERD) beschrieben.

Entitätsbeziehungsdiagramm für Cross-Media

Abbildung 2: Cross-Media- und produktbezogene Statistiken: Entity-Relationship-Diagramm.

Cross-Media bereitstellen

  1. Erstellen Sie im Quellprojekt ein BigQuery-Dataset für die Vertex AI-Verarbeitung.

  2. Konfigurieren Sie eine oder mehrere der folgenden Marketingdatenquellen für die Bereitstellung. Folgen Sie dazu den jeweiligen Anleitungen:

    1. Google Ads
    2. Meta
    3. YouTube (mit DV360)
    4. TikTok

  3. Aktivieren und konfigurieren Sie die erforderlichen gemeinsamen Dimensionen:

    1. Dimension „Land“
    2. Produktdimension
    3. Währungsumrechnung

  4. Cross Media-Einstellungen konfigurieren:

    1. Setzen Sie k9.deployCrossMedia auf True.
    2. Setzen Sie k9.CrossMedia.productHierarchyType auf denselben Wert wie dataSourceType im vorherigen Schritt.
    3. Legen Sie im Abschnitt VertexAI das Dataset auf das Dataset fest, das Sie in Schritt 1 erstellt haben. region sollte mit dem Speicherort des Vertex AI-Verarbeitungsdatasets übereinstimmen.

  5. Passen Sie bei Bedarf weitere Einstellungen an. Dann können Sie mit der Bereitstellung beginnen.

DAGs ausführen

  1. Richten Sie bei Bedarf eine Managed Service for Apache Airflow-Umgebung ein. Prüfen Sie, ob die k9_reporting-Verbindung richtig konfiguriert ist.
  2. Laden Sie Daten in die Tabellen „Currency Conversion“ und „Product Hierarchy“ hoch.
  3. Führen Sie die DAGs cross_media aus. Es gibt zwei Varianten: „Vollständige Aktualisierung“ oder „Inkrementelle Aktualisierung“. Verwenden Sie die Option, die am besten zu Ihrem Anwendungsfall passt.

Bekannte Probleme

Wenn die Tabelle „Währungsumrechnung“ nicht gefüllt ist, ist die Spalte TotalCostInTargetCurrency der endgültigen Ausgabetabelle für alle Zeilen leer. In diesem Fall können Sie weiterhin die Spalte TotalCostInSourceCurrency verwenden, um Kosten in der Quellwährung zu erfassen.

Nächste Schritte