Insight Terhubung Lintas Media & Produk

Halaman ini menjelaskan konfigurasi yang diperlukan untuk memanfaatkan akselerator Cross Media & Product Connected Insights (Cross Media) dari Cortex Framework Data Foundation.

Dengan akselerator Lintas Media ini, Data Foundation Cortex Framework diperkaya dengan serangkaian KPI awal untuk memahami efektivitas kampanye pemasaran yang berjalan di seluruh platform media seperti Google Ads, YouTube (dengan DV360), Meta, dan TikTok untuk performa penjualan produk dan kategori produk.

Diagram berikut menjelaskan cara insight Lintas Media tersedia melalui beban kerja pemasaran Cortex Framework Data Foundation:

Sumber data CM360

Gambar 1. Arsitektur media lintas platform.

File konfigurasi

File config.json mengonfigurasi setelan yang diperlukan untuk terhubung ke sumber data guna mentransfer data dari berbagai beban kerja. File ini berisi parameter berikut untuk Cross Media:

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

Tabel berikut menjelaskan nilai untuk setiap parameter:

Parameter Arti Nilai Default
k9.deployCrossMedia Apakah Lintas Media akan di-deploy. Perhatikan bahwa setidaknya satu Google Ads, YouTube (dengan DV360), Meta, atau TikTok harus di-deploy bersama, atau deployment akan gagal. False
k9.CrossMedia.productHierarchyType Hierarki produk mana yang akan digunakan dalam dimensi produk. Bergantung pada data aktual. Tetapkan nilai ini ke nilai yang sama dengan nilai productHierarchyType untuk Dimensi Hierarki Produk. SAP
k9.CrossMedia.maxProductHierarchyMatchLevel Membatasi tingkat hierarki produk untuk pencocokan. Perusahaan dengan banyak SKU mungkin memiliki hierarki yang terlalu dalam dengan spesifikasi kemasan (misalnya, Coca Cola dalam botol atau kaleng, dikemas satu per satu atau dalam batch). Beberapa sistem, seperti SAP, memiliki batasnya sendiri terkait seberapa dalam Anda dapat menjelajah. 9
k9.CrossMedia.targetCurrencies Mata uang target yang digunakan untuk tujuan Pelaporan dan BI. Semua mata uang sumber akan dikonversi ke mata uang ini. ["USD"]
k9.CrossMedia.additionalPrompt Opsional: Teruskan perintah tambahan ke model LLM.
k9.CrossMedia.lookbackWindowDays Jumlah hari untuk melihat kembali saat melakukan refresh inkremental 7
VertexAI.region Region Vertex AI (dengan asumsi project sumber untuk Vertex AI API). Bucket harus ditempatkan bersama BigQuery dan tidak boleh berupa multi-region. Jika BigQuery berada di multi-region, region mana pun dari multi-region yang sama dapat diterima us-central1 (yang cocok dengan lokasi BigQuery default us)
VertexAI.processingDataset Set data BigQuery untuk tugas Vertex AI, harus berada di lokasi VertexAI.region dan bukan multi-region. CORTEX_VERTEX_AI_PROCESSING

Model Data

Bagian ini menjelaskan Model Data Insight Terhubung Lintas Media & Produk menggunakan Diagram Hubungan Entity (ERD).

Diagram Hubungan Entity untuk Cross Media

Gambar 2. Insight Terhubung Lintas Media & Produk: Diagram Hubungan Entitas.

Men-deploy Lintas Media

  1. Buat set data BigQuery di project sumber untuk pemrosesan Vertex AI.

  2. Konfigurasi satu atau beberapa sumber data Pemasaran berikut untuk deployment, dengan mengikuti panduan masing-masing:

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

  3. Aktifkan dan konfigurasi Dimensi Umum yang diperlukan:

    1. Dimensi Negara
    2. Dimensi Produk
    3. Konversi Mata Uang

  4. Mengonfigurasi setelan Lintas Media:

    1. Tetapkan k9.deployCrossMedia ke True.
    2. Tetapkan k9.CrossMedia.productHierarchyType ke nilai yang sama dengan dataSourceType di langkah sebelumnya.
    3. Di bagian VertexAI, tetapkan set data ke set data yang Anda buat di langkah 1, dan region harus cocok dengan lokasi set data pemrosesan Vertex AI.

  5. Sesuaikan setelan lainnya sesuai kebutuhan. Kemudian, Anda siap memulai deployment.

Menjalankan DAG

  1. Siapkan lingkungan Airflow Managed Service untuk Apache Airflow sesuai kebutuhan. Pastikan koneksi k9_reporting telah dikonfigurasi dengan benar.
  2. Muat data ke dalam tabel Konversi Mata Uang dan Hierarki Produk.
  3. Jalankan DAG cross_media. Ada dua jenis: "Pemuatan ulang penuh" atau "Pemuatan ulang inkremental". Gunakan yang sesuai dengan kasus penggunaan Anda.

Masalah umum

Jika tabel Konversi Mata Uang tidak diisi, kolom TotalCostInTargetCurrency dari tabel output akhir akan kosong untuk semua baris. Dalam hal ini, Anda masih dapat menggunakan kolom TotalCostInSourceCurrency untuk melaporkan biaya dalam mata uang sumber.

Apa langkah selanjutnya?