ייבוא אירועים היסטוריים של משתמשים

בדף הזה מוסבר איך לייבא נתונים על אירועי משתמשים מאירועים קודמים בכמות גדולה אל AI Commerce Search. כדי לאמן מודלים, צריך נתוני אירועים של משתמשים. אחרי שמגדירים הקלטת אירועים בזמן אמת, יכול לעבור זמן רב עד שיירשמו מספיק נתוני אירועים של משתמשים כדי לאמן את המודלים. ייבוא של נתונים היסטוריים יכול לזרז את התהליך.

ההליכים לייבוא שמתוארים בדף הזה רלוונטיים גם להמלצות וגם לחיפוש. אחרי שמייבאים נתונים, שני השירותים יכולים להשתמש באירועים האלה, כך שאם משתמשים בשני השירותים, אין צורך לייבא את אותם נתונים פעמיים.

אפשר לייבא אירועים מהמקורות הבאים:

לפני שמתחילים

כדי להימנע משגיאות בייבוא ולוודא שיש מספיק נתונים ליצירת תוצאות טובות, כדאי לעיין במידע הבא לפני ייבוא אירועי המשתמשים.

שיקולים לגבי ייבוא אירועים

בקטע הזה מתוארות השיטות שאפשר להשתמש בהן לייבוא בכמות גדולה של אירועים היסטוריים של משתמשים, מתי כדאי להשתמש בכל שיטה ומה המגבלות שלהן.

מקור הייבוא תיאור מתי משתמשים מגבלות
Cloud Storage ייבוא נתוני JSON מקבצים (עד 2GB, עד 100 קבצים) באמצעות Google Cloud המסוף או curl. תומך במאפיינים מותאמים אישית. טעינת נתונים בכמויות גדולות בשלב אחד. כדי להעביר נתונים מ-GA ל-Cloud Storage, צריך לייצא אותם קודם ל-BigQuery.
BigQuery ייבוא מטבלה ב-BigQuery באמצעות סכמת AI Commerce Search באמצעות Google Cloud מסוף אוcurl. עיבוד מוקדם או ניתוח של נתוני אירועים לפני הייבוא. נדרש מיפוי סכמה ידני; עלות משאבים גבוהה יותר עבור נפחי אירועים גבוהים.
‫BigQuery‏ + Google Analytics 360 ייבוא ישיר של נתונים קיימים מ-Google Analytics 360 אל החיפוש של AI Commerce. מעקב המרות קיים ב-GA360; אין צורך במיפוי סכימה ידני. זמין רק חלק קטן מהמאפיינים. כדי להשתמש בחיפוש צריך להפעיל מעקב אחר חשיפות ב-GA.
‫BigQuery +‏ Google Analytics 4 ייבוא ישיר של נתונים קיימים מ-Google Analytics 4 אל AI Commerce Search. מעקב המרות קיים ב-GA4; אין צורך במיפוי סכימה ידני. זמין רק חלק קטן מהמאפיינים. כדי לחפש צריך להשתמש במפתחות של פרמטרים של אירועים search_query.
ייבוא בתוך השורה ייבוא באמצעות קריאות ישירות לשיטות userEvents.import. דרישות לאימות בקצה העורפי עם רמת פרטיות גבוהה. ההטמעה מורכבת יותר מייבוא רגיל שמבוסס על האינטרנט.

מגבלות גודל

קיימת מגבלה כוללת של 40 מיליארד אירועים ברמת המשתמש. מגבלות הגודל הבאות חלות על ייבוא נתונים בהתאם לפלטפורמת ההטמעה:

  • כשמייבאים בכמות גדולה מ-Cloud Storage, כל קובץ צריך להיות בגודל של עד 2GB, ואפשר לכלול עד 100 קבצים בבקשת ייבוא בכמות גדולה.

  • בייבוא ל-BigQuery, המגבלה היא 128GB.

  • בייבוא מוטבע, מומלץ להגדיר מכסה של עד 10,000 אירועים של משתמשים לכל בקשה.

  • כדי להגדיר את מספר הימים המינימלי שנדרש לתיעוד של אירועים בזמן אמת או לייבוא של אירועים היסטוריים של משתמשים לצורך אימון המודל ואופטימיזציה של החיפוש, צריך לאמן את המודל ולבצע כוונון. האימון הראשוני של המודל וההתאמה שלו יכולים להימשך יומיים עד חמישה ימים, או יותר אם מדובר במערכי נתונים גדולים יותר.

כדי להפעיל דירוג עם אופטימיזציה להכנסות (רמה 3) והתאמה אישית (רמה 4), לא מספיק להעלות אירועים כלליים של search. מודלים של AI Commerce Search צריכים אותות חזקים לגבי כוונת המשתמש והשביעות רצון שלו כדי ללמוד אילו מוצרים משיגים ביצועים טובים בשאילתות ספציפיות. האות הזה מסופק על ידי אינטראקציות של משתמשים שאפשר לשייך אותן להמרות. עליך להעלות אירועים נוספים, במיוחד את האירועים detail-page-view, add-to-cart ו-purchase-complete.

למה אינטראקציות של משתמשים חשובות

  • אותות רלוונטיות: אירוע search אומר למודל מה המשתמש רצה. הסמל detail-page-view (לחיצה) מציין למודל איזו תוצאה הייתה רלוונטית.
  • אותות הכנסה: אירועים מסוג add-to-cart ו-purchase-complete מאפשרים למודל לדעת אילו תוצאות מניבות ערך עסקי בפועל.

ערכי סף של איכות הנתונים לאופטימיזציה

כדי להפעיל את המודלים לאופטימיזציה של ההכנסות, הנתונים שלכם צריכים לעמוד בדרישות סף ספציפיות של נפח ואיכות.

חובה לציין את המדדים הבאים:

מדד דרישה הקשר
נפח הקליקים שאפשר לשייך ‫250,000 אירועים ב-detail-page-view הימים האחרונים צריכה להיות אינטראקציה תקפה של משתמש שמקשרת אותם לתוצאת חיפוש.
נפח אירועי החיפוש 2,000,000 אירועים ב-90 הימים האחרונים כדי לקבוע מובהקות סטטיסטית, נדרש בסיס נתונים גדול של תנועה היסטורית מחיפושים.
צפיפות הקליקים ‫10 אירועים בממוצע לכל מוצרdetail-page-view המערכת מוודאת שיש למודל כיסוי מספיק של אותות בקטלוג שלכם (ב-30 הימים האחרונים).
אותות המרה 0.5 אירועים בממוצע לכל מוצר add-to-cart מומלץ לנצל באופן מלא את היעדים שממקסמים את ההכנסות.
כיסוי מחירים ל-95% מהמוצרים שחיפשתם יש מחיר אם המודל לא יודע מה המחיר של המוצרים שמוחזרים, הוא לא יכול לבצע אופטימיזציה להגדלת ההכנסות.

מידע נוסף זמין בדף איכות הנתונים.

ייבוא בכמות גדולה באמצעות BigQuery או Cloud Storage

לשימוש ב-BigQuery או ב-Cloud Storage כאזור זמני לנתוני אירועים של משתמשים ב-AI Commerce Search יש יתרונות ייחודיים:

  • עמידות משופרת: אחסון אירועים ב-BigQuery או ב-Cloud Storage מספק מנגנון גיבוי אמין, שמאפשר מחיקה והוספה מחדש אם יש צורך. הגמישות הזו מגנה מפני אובדן נתונים ומפשטת את השחזור במקרה של שגיאות או חוסר עקביות. בנוסף, שיטת הייבוא כוללת עמידות מובנית, שבה אירועים שלא נבלעו מאוחסנים בקטגוריות שגיאות יחד עם פרטי השגיאה.

  • ניתוח נתונים בהתאמה אישית במקום: האירועים נגישים בקלות ב-BigQuery, כך שאפשר לבצע ניתוח נתונים בהתאמה אישית ישירות על נתוני האירועים של המשתמשים, בלי צורך בייצוא נתונים נוסף או בתהליכי העברת נתונים. כך אפשר לנתח את תהליכי העבודה ולקבל תובנות בזמן אמת.

  • שימוש באירועים קיימים: אפשר להשתמש בייבוא בכמות גדולה כדי לייבא נתוני אירועים קיימים של משתמשים שנאספו בפורמטים שונים. תהליך פשוט של חילוץ, טרנספורמציה וטעינה (ETL) יכול להמיר את הנתונים האלה לפורמט של חיפוש מסחרי מבוסס-AI, בלי צורך בשינויים נרחבים בחלק הקדמי של האתר או בשילובים מורכבים.

חסרונות פוטנציאליים של ייבוא בכמות גדולה:

  • התאמה אישית מוגבלת בזמן אמת: היכולות של התאמה אישית בזמן אמת מוגבלות בגלל התדירות של ייבוא בכמות גדולה. הפער בין יצירת האירוע לבין ההטמעה שלו יכול להשפיע על מהירות התגובה של תוצאות החיפוש המותאמות אישית.

  • מדידת מדדי ה-KPI ודיווח השגיאות איטיים יותר: בהשוואה לסטרימינג בזמן אמת, ייבוא בכמות גדולה גורם לעיכובים במדידת מדדי ה-KPI ובדיווח השגיאות, בגלל האופי של התהליך שמבוסס על חבילות. הדבר עלול להקשות על מתן תגובה מיידית למגמות או לבעיות חדשות.

  • תשתית של צינורות ETL: בהשוואה לסטרימינג בזמן אמת, צריך לבנות צינורות ETL ולעקוב אחרי כשלים בהם. צריך גם להטמיע מנגנון לניסיון חוזר של ייבוא אירועים שנכשלו (אחרי תיקון). יכול להיות שיידרשו מאמצי פיתוח ראשוניים כדי להטמיע את התכונה הזו.

הבנה של הפשרות האלה יכולה לעזור לכם לבחור את הגישה המתאימה ביותר להעברת נתוני אירועים של משתמשים לתרחישי השימוש ולסדרי העדיפויות הספציפיים שלכם ב-AI Commerce Search.

ייבוא אירועי משתמשים מ-Cloud Storage

ייבוא אירועי משתמשים מ-Cloud Storage באמצעות Google Cloud המסוף או באמצעות השיטה userEvents.import.

המסוף

  1. עוברים לדף Data במסוף AI Commerce Search ב-Gemini Enterprise for Customer Experience.

    מעבר לדף Data
  2. לוחצים על ייבוא כדי לפתוח את החלונית ייבוא נתונים.
  3. בוחרים באפשרות אירועים שקשורים למשתמש.
  4. בוחרים באפשרות Google Cloud Storage כמקור הנתונים.
  5. בוחרים באפשרות Retail User Events Schema (סכימת אירועים של משתמשים בענף הקמעונאות) כסכימה.
  6. מזינים את המיקום של הנתונים ב-Cloud Storage.
  7. לוחצים על Import.

curl

משתמשים בשיטה userEvents.import כדי לייבא את אירועי המשתמשים.

  1. יוצרים קובץ נתונים עם פרמטרי הקלט לייבוא. משתמשים באובייקט GcsSource כדי להפנות לקטגוריה של Cloud Storage.

    אפשר לספק כמה קבצים או רק קובץ אחד.

    • ‫INPUT_FILE: קובץ או קבצים ב-Cloud Storage שמכילים את נתוני אירועי המשתמשים. במאמר מידע על אירועים שקשורים למשתמשים יש דוגמאות לכל פורמט של סוג אירוע שקשור למשתמש. חשוב לוודא שכל אירוע משתמש נמצא בשורה נפרדת, ללא מעברי שורה.
    • ‫ERROR_DIRECTORY: ספרייה ב-Cloud Storage למידע על שגיאות שקשורות לייבוא.

    השדות בקובץ הקלט חייבים להיות בפורמט gs://<bucket>/<path-to-file>/. ספריית השגיאות צריכה להיות בפורמט gs://<bucket>/<folder>/. אם ספריית השגיאות לא קיימת, AI Commerce Search יוצר אותה. הבאקט חייב להיות קיים.

    {
"inputConfig":{
 "gcsSource": {
   "inputUris": ["INPUT_FILE_1", "INPUT_FILE_2"],
  },
  "errorsConfig":{"gcsPrefix":"ERROR_DIRECTORY"}
}

  2. כדי לייבא את פרטי הקטלוג, שולחים בקשת POST לשיטת REST‏ userEvents:import ומציינים את שם קובץ הנתונים.

    export GOOGLE_APPLICATION_CREDENTIALS=/tmp/my-key.json

curl -X POST \
     -v \
     -H "Content-Type: application/json; charset=utf-8" \
     -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
     --data @./DATA_FILE.json \
  "https://retail.googleapis.com/v2/projects/PROJECT_ID/locations/global/catalogs/default_catalog/userEvents:import"
  }
}'

ייבוא אירועים של משתמשים מ-BigQuery

מייבאים אירועים של משתמשים מ-BigQuery באמצעות Google Cloud המסוף או השיטה userEvents.import.

הגדרת גישה ל-BigQuery

כדי לתת לחשבון השירות של AI Commerce Search API את התפקיד המינימלי BigQuery User שנדרש לייבוא מוצלח, ואת התפקיד הנוסף BigQuery Data Editor במערך הנתונים שלכם ב-BigQuery, פועלים לפי ההוראות במאמר הגדרת גישה למערך הנתונים ב-BigQuery. התפקיד BigQuery Data Owner (הבעלים של נתוני BigQuery) לא נדרש.

ייבוא אירועים ברמת המשתמש מ-BigQuery

אתם יכולים לייבא אירועים של משתמשים באמצעות מסוף AI Commerce Search ב-Gemini Enterprise for Customer Experience או באמצעות השיטה userEvents.import.

המסוף

  1. עוברים לדף Data במסוף AI Commerce Search ב-Gemini Enterprise for Customer Experience.

    מעבר לדף Data
  2. לוחצים על ייבוא כדי לפתוח את החלונית ייבוא נתונים.
  3. בוחרים באפשרות אירועים שקשורים למשתמש.
  4. בוחרים באפשרות BigQuery כמקור הנתונים.

  5. בוחרים את סכימת הנתונים.

  6. מזינים את הטבלה ב-BigQuery שבה נמצאים הנתונים.
  7. אופציונלי: מזינים את המיקום של קטגוריה של Cloud Storage בפרויקט בתור מיקום זמני לנתונים.
    אם לא מציינים מיקום, המערכת משתמשת במיקום ברירת המחדל. אם מציינים את המיקום, הקטגוריה של BigQuery ו-Cloud Storage צריכות להיות באותו אזור.
  8. אופציונלי: בקטע הצגת אפשרויות מתקדמות, מזינים את המיקום של קטגוריה של Cloud Storage בפרויקט בתור מיקום זמני לנתונים.

    אם לא מציינים מיקום, המערכת משתמשת במיקום שמוגדר כברירת מחדל. אם מציינים את הקטגוריה של Cloud Storage, היא ו-BigQuery צריכים להיות באותו אזור.
  9. לוחצים על Import.

curl

כדי לייבא את אירועי המשתמשים, צריך לכלול את הנתונים של האירועים בקריאה לשיטה userEvents.import. מידע נוסף מופיע במאמר בנושא הפניית ה-API של userEvents.import.

הערך שאתם מציינים עבור dataSchema תלוי במה שאתם מייבאים:

export GOOGLE_APPLICATION_CREDENTIALS=/tmp/my-key.json

curl \
-v \
-X POST \
-H "Content-Type: application/json; charset=utf-8" \
-H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
"https://retail.googleapis.com/v2/projects/PROJECT_ID/locations/global/catalogs/default_catalog/userEvents:import" \
--data '{
  "inputConfig": {
    "bigQuerySource": {
      "datasetId": "DATASET_ID",
      "tableId": "TABLE_ID",
      "dataSchema": "SCHEMA_TYPE"
  }
}
}'

ייבוא אירועים של משתמשים מ-Analytics 360 באמצעות BigQuery

ההנחיות הבאות מניחות שאתם מכירים את השימוש ב-BigQuery וב-Analytics 360.

לפני שמתחילים

לפני שממשיכים לשלבים הבאים, חשוב לוודא:

בדיקת מקור הנתונים

  1. מוודאים שנתוני האירועים של המשתמשים שאתם מייבאים מעוצבים בצורה נכונה בטבלה ב-BigQuery שיש לכם גישה אליה.

    מוודאים שהשם של הטבלה הוא project_id:ga360_export_dataset.ga_sessions_YYYYMMDD.

    מידע נוסף על הפורמט והשמות של הטבלאות זמין במסמכי התיעוד של Google Analytics.

  2. במסוף BigQuery Google Cloud , בוחרים את הטבלה בחלונית Explorer כדי לראות תצוגה מקדימה של הטבלה.

    חשוב לוודא את הפרטים הבאים:

    1. בעמודה clientId יש ערך תקין – לדוגמה, 123456789.123456789.

      שימו לב שהערך הזה שונה מהערך המלא של קובץ ה-cookie ‏_ga (שהפורמט שלו הוא למשל GA1.3.123456789.123456789).

    2. בעמודה hits.transaction.currencyCode מופיע קוד מטבע תקין.

    3. אם אתם מתכננים לייבא אירועים, ודאו שיש עמודה של search או של hits.page.searchKeyword.hits.customVariable.searchQuery

      למרות ש-AI Commerce Search דורש גם searchQuery וגם productDetails כדי להחזיר רשימה של תוצאות חיפוש, מערכת Analytics 360 לא שומרת גם שאילתות חיפוש וגם חשיפות של מוצרים באירוע אחד. כדי ש-AI Commerce Search יפעל, צריך ליצור תג בשכבת הנתונים או פיקסל JavaScript כדי לייבא את שני סוגי אירועי המשתמש ממקורות של Google Analytics:

      • ‫searchQuery, שנקרא מהפרמטר search_term או מהאירועים view_search_results, נגזר מ-hits.page.searchKeyword או מ-hits.customVariables.customVarValue אם hits.customVariables.customVarName הוא searchQuery.
      • ‫productDetails, נתוני החשיפה של המוצר שנקראים מהפרמטר items של האירוע view_item_list, נלקחים מ-hits.product אם hits.product.isImpressions הוא TRUE.

  3. בודקים את העקביות של מזהי הפריטים בין הקטלוג שהועלה לבין טבלת אירועי המשתמשים ב-Analytics 360.

    בעזרת מזהה מוצר כלשהו מהעמודה hits.product.productSKU בתצוגה המקדימה של טבלה ב-BigQuery, משתמשים בשיטה product.get כדי לוודא שאותו מוצר נמצא בקטלוג שהעליתם.

    export GOOGLE_APPLICATION_CREDENTIALS=/tmp/my-key.json

   curl \
     -v \
     -X GET \
     -H "Content-Type: application/json; charset=utf-8" \
     -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
     "https://retail.googleapis.com/v2/projects/PROJECT_NUMBER/locations/global/catalogs/default_catalog/branches/default_branch/products/PRODUCT_ID"

אתם יכולים לייבא אירועים מ-Google Analytics 360 באמצעות AI Commerce Search ב-Gemini Enterprise for Customer Experience במסוף Customer Experience או באמצעות userEvents.import.

המסוף

  1. עוברים לדף Data במסוף AI Commerce Search ב-Gemini Enterprise for Customer Experience.

    מעבר לדף Data
  2. לוחצים על ייבוא כדי לפתוח את החלונית ייבוא נתונים.
  3. בוחרים באפשרות אירועים שקשורים למשתמש.
  4. בוחרים באפשרות BigQuery כמקור הנתונים.

  5. בוחרים את סכימת הנתונים.

  6. מזינים את הטבלה ב-BigQuery שבה נמצאים הנתונים.
  7. אופציונלי: מזינים את המיקום של קטגוריה של Cloud Storage בפרויקט בתור מיקום זמני לנתונים.
    אם לא מציינים מיקום, המערכת משתמשת במיקום ברירת המחדל. אם מציינים את המיקום, הקטגוריה של BigQuery ו-Cloud Storage צריכות להיות באותו אזור.
  8. אופציונלי: בקטע הצגת אפשרויות מתקדמות, מזינים את המיקום של קטגוריה של Cloud Storage בפרויקט בתור מיקום זמני לנתונים.

    אם לא מציינים מיקום, המערכת משתמשת במיקום שמוגדר כברירת מחדל. אם מציינים את הקטגוריה של Cloud Storage, היא ו-BigQuery צריכים להיות באותו אזור.
  9. לוחצים על Import.

REST

כדי לייבא את אירועי המשתמשים, צריך לכלול את הנתונים של האירועים בקריאה לשיטה userEvents.import.

בשביל dataSchema, משתמשים בערך user_event_ga360.

export GOOGLE_APPLICATION_CREDENTIALS=/tmp/my-key.json
curl \\
  -v \\
  -X POST \\
  -H "Content-Type: application/json; charset=utf-8" \\
  -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \\
  "https://retail.googleapis.com/v2/projects/PROJECT_ID/locations/global/catalogs/default_catalog/userEvents:import" \\
  --data '{
    "inputConfig": {
      "bigQuerySource": {
        "datasetId": "some_ga360_export_dataset",
        "tableId": "ga_sessions_YYYYMMDD",
        "dataSchema": "user_event_ga360"
    }
  }
}'

Java

public static String importUserEventsFromBigQuerySource()
    throws IOException, InterruptedException, ExecutionException {
  UserEventServiceClient userEventsClient = getUserEventServiceClient();

  BigQuerySource bigQuerySource = BigQuerySource.newBuilder()
      .setProjectId(PROJECT_ID)
      .setDatasetId(DATASET_ID)
      .setTableId(TABLE_ID)
      .setDataSchema("user_event")
      .build();

  UserEventInputConfig inputConfig = UserEventInputConfig.newBuilder()
      .setBigQuerySource(bigQuerySource)
      .build();

  ImportUserEventsRequest importRequest = ImportUserEventsRequest.newBuilder()
      .setParent(DEFAULT_CATALOG_NAME)
      .setInputConfig(inputConfig)
      .build();

  String operationName = userEventsClient
      .importUserEventsAsync(importRequest).getName();

  userEventsClient.shutdownNow();
  userEventsClient.awaitTermination(2, TimeUnit.SECONDS);

  return operationName;
}

אפשר לייבא אירועים של משתמשים מ-Analytics 360 אם שילבתם את Analytics 360 עם BigQuery ואתם משתמשים בתכונה 'מסחר אלקטרוני משופר'.

ייבוא של נתוני צפיות בדף הבית מ-Analytics 360 באמצעות BigQuery

ב-Analytics 360, אירועים של צפייה בדף הבית לא נבדלים מאירועים אחרים של צפייה בדף. המשמעות היא שאירועי צפייה בדף הבית לא מיובאים כאירועים עם סוגי האירועים האחרים (כמו צפייה בדף פרטים) בייבוא האירועים מ-Analytics 360.

בתהליך הבא מוסבר איך לחלץ אירועים של צפייה בדף הבית מנתוני Analytics 360 ולייבא אותם אל AI Commerce Search. בקיצור, התהליך מתבצע כך: נתוני הצפיות של המשתמשים בדף הבית (שמזוהים לפי הנתיב של דף הבית) מופקים לטבלה חדשה ב-BigQuery, ואז הנתונים מהטבלה החדשה הזו מיובאים לחיפוש מבוסס-AI למסחר.

כדי לייבא אירועים של צפיות בדף הבית מ-Analytics 360 אל AI Commerce Search:

  1. יוצרים מערך נתונים ב-BigQuery או מוודאים שיש לכם מערך נתונים ב-BigQuery שאפשר להוסיף לו טבלה.

    מערך הנתונים יכול להיות בפרויקט של AI Commerce Search או בפרויקט שבו נמצאים נתוני Analytics 360. זהו מערך נתוני היעד שאליו תעתיקו את אירועי הצפייה בדף הבית של Analytics 360.

  2. יוצרים טבלה ב-BigQuery במערך הנתונים באופן הבא:

    1. מחליפים את המשתנים בקוד ה-SQL הבא באופן הבא.

      • ‫target_project_id: הפרויקט שבו נמצא מערך הנתונים משלב 1.

      • ‫target_dataset: שם מערך הנתונים משלב 1.

      CREATE TABLE TARGET_PROJECT_ID.TARGET_DATASET.ga_homepage (
 eventType STRING NOT NULL,
 visitorId STRING NOT NULL,
 userId STRING,
 eventTime STRING NOT NULL
);

    2. מעתיקים את דוגמת קוד ה-SQL.

    3. פותחים את הדף BigQuery במסוף Google Cloud .

      לדף BigQuery

    4. אם הוא לא נבחר עדיין, בוחרים את פרויקט היעד.

    5. בחלונית Editor, מדביקים את דוגמת קוד ה-SQL.

    6. לוחצים על Run ומחכים עד שהשאילתה תסיים את הריצה.

    הפעלת הקוד הזה יוצרת טבלה בפורמט target_project_id:target_dataset.ga_homepage_YYYYMMDD – לדוגמה, my-project:view_events.ga_homepage_20230115.

  3. מעתיקים את אירועי הצפייה בדף הבית של Analytics 360 מטבלת הנתונים של Analytics 360 לטבלה שנוצרה בשלב 2 הקודם.

    1. מחליפים את המשתנים בקוד הדוגמה הבא של SQL באופן הבא:

      • ‫source_project_id: המזהה של הפרויקט שמכיל את הנתונים של Analytics 360 בטבלה ב-BigQuery.

      • ‫source_dataset: מערך הנתונים בפרויקט המקור שמכיל את נתוני Analytics 360 בטבלה ב-BigQuery.

      • ‫source_table: הטבלה בפרויקט המקור שמכילה את נתוני Analytics 360.

      • ‫target_project_id: מזהה פרויקט היעד זהה לזה שצוין בשלב 2 הקודם.

      • ‫target_dataset: מערך הנתונים של היעד זהה לזה שצוין בשלב הקודם.

      • ‫path (נתיב): זהו הנתיב לדף הבית. בדרך כלל זה הנתיב / – לדוגמה, אם דף הבית הוא example.com/. אבל אם דף הבית הוא כמו examplepetstore.com/index.html, הנתיב הוא /index.html.

      INSERT INTO `TARGET_PROJECT_ID.TARGET_DATASET.ga_homepage(eventType,visitorId,userID,eventTime)`

SELECT
  "home-page-view" as eventType,
  clientId as visitorId,
  userId,
  CAST(FORMAT_TIMESTAMP("%Y-%m-%dT%H:%M:%SZ",TIMESTAMP_SECONDS(visitStartTime)) as STRING) AS eventTime

FROM
  `SOURCE_PROJECT_ID.SOURCE_DATASET.SOURCE_TABLE`, UNNEST(hits) as hits

WHERE hits.page.pagePath = "PATH" AND visitorId is NOT NULL;

    2. מעתיקים את דוגמת קוד ה-SQL.

    3. פותחים את הדף BigQuery במסוף Google Cloud .

      לדף BigQuery

    4. אם הוא לא נבחר עדיין, בוחרים את פרויקט היעד.

    5. בחלונית Editor, מדביקים את דוגמת קוד ה-SQL.

    6. לוחצים על Run ומחכים עד שהשאילתה תסיים את הריצה.

  4. פועלים לפי ההוראות במאמר ייבוא אירועי משתמשים מ-BigQuery כדי לייבא את האירועים של הצגת דף הבית מהטבלה הרלוונטית. במהלך בחירת הסכימה, אם מייבאים באמצעות המסוף, בוחרים באפשרות Retail User Events Schema (סכימת אירועים של משתמשים בענף הקמעונאות). אם מייבאים באמצעות userEvents.import, מציינים user_event כערך של dataSchema.

  5. מוחקים את הטבלה ואת מערך הנתונים שיצרתם בשלבים 1 ו-2.

ייבוא אירועים של משתמשים מ-Google Analytics 4 באמצעות BigQuery

אפשר לייבא אירועים של משתמשים מ-Google Analytics 4 אם שילבתם את Google Analytics 4 עם BigQuery ואת התכונה 'מסחר אלקטרוני' של Google Analytics.

ההנחיות הבאות מניחות שאתם מכירים את השימוש ב-BigQuery וב-Google Analytics 4.

לפני שמתחילים

לפני שממשיכים לשלבים הבאים, חשוב לוודא:

בדיקת מקור הנתונים

כדי לוודא שנתוני אירועי המשתמשים מוכנים לייבוא, פועלים לפי השלבים הבאים.

טבלה של שדות Google Analytics 4 שבהם נעשה שימוש ב-AI Commerce Search, והשדות ב-AI Commerce Search שאליהם הם ממופים, זמינה במאמר שדות של אירועי משתמשים ב-Google Analytics 4.

כל הפרמטרים של אירועים ב-Google Analytics מפורטים במסמכי העזר בנושא אירועים ב-Google Analytics.

  1. מוודאים שנתוני האירועים של המשתמשים שאתם מייבאים מעוצבים בצורה נכונה בטבלה ב-BigQuery שיש לכם גישה אליה.

    • קבוצת הנתונים צריכה להיקרא analytics_PROPERTY_ID.
    • הטבלה צריכה להיקרא events_YYYYMMDD.

    מידע על שמות הטבלאות והפורמט שלהן זמין במאמרי העזרה של Google Analytics.

  2. במסוף BigQuery Google Cloud , בוחרים את מערך הנתונים בחלונית Explorer ומאתרים את הטבלה של אירועי המשתמשים שרוצים לייבא.

    חשוב לוודא את הפרטים הבאים:

    1. בעמודה event_params.key יש מפתח currency, והערך המשויך אליו הוא מחרוזת שהיא קוד מטבע תקין.

    2. אם אתם מתכננים לייבא אירועים, כדאי לוודא שלעמודה search יש מפתח search_term וערך משויך.event.event_params.key

      כדי ש-AI Commerce Search יחזיר רשימה של תוצאות חיפוש, הוא צריך את searchQuery וגם את productDetails. לעומת זאת, ב-Google Analytics 4 לא נשמרים שאילתות חיפוש וחשיפות מוצרים באותו אירוע. כדי ש-AI Commerce Search יעבוד, צריך ליצור תג בשכבת הנתונים או מ-JavaScript Pixel כדי לייבא שני סוגים של אירועי משתמש ממקורות של Google Analytics:

      • ‫searchQuery, שנקרא מפרמטר search_term או מאירועים מסוג view_search_results.
      • ‫productDetails, הרושם לגבי המוצר שנקרא מפרמטר items של אירוע view_item_list.

      מידע על search ב-Google Analytics 4 זמין במאמר search במסמכי התיעוד של Google Analytics.

  3. בודקים את העקביות של מזהי הפריטים בין הקטלוג שהועלה לבין טבלת אירועי המשתמש ב-Google Analytics 4.

    כדי לוודא שמוצר בטבלת המשתמשים ב-Google Analytics 4 מופיע גם בקטלוג שהעליתם, מעתיקים מזהה מוצר מהעמודה event.items.item_id בתצוגה המקדימה של הטבלה ב-BigQuery ומשתמשים בשיטה product.get כדי לבדוק אם מזהה המוצר הזה מופיע בקטלוג שהעליתם.

    export GOOGLE_APPLICATION_CREDENTIALS=/tmp/my-key.json

   curl \
     -v \
     -X GET \
     -H "Content-Type: application/json; charset=utf-8" \
     -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
     "https://retail.googleapis.com/v2/projects/PROJECT_NUMBER/locations/global/catalogs/default_catalog/branches/default_branch/products/PRODUCT_ID"

ייבוא האירועים מ-Google Analytics 4

אתם יכולים לייבא אירועים מ-Google Analytics 4 באמצעות AI Commerce Search ב-Gemini Enterprise for Customer Experience במסוף Customer Experience או באמצעות השיטה userEvents.import.

שימוש במסוף

  1. עוברים לדף Data במסוף AI Commerce Search ב-Gemini Enterprise for Customer Experience.

    מעבר לדף Data
  2. לוחצים על ייבוא כדי לפתוח את החלונית ייבוא נתונים.
  3. בוחרים באפשרות אירועים שקשורים למשתמש.
  4. בוחרים באפשרות BigQuery כמקור הנתונים.

  5. בוחרים את סכימת הנתונים.

  6. מזינים את הטבלה ב-BigQuery שבה נמצאים הנתונים.
  7. אופציונלי: מזינים את המיקום של קטגוריה של Cloud Storage בפרויקט בתור מיקום זמני לנתונים.
    אם לא מציינים מיקום, המערכת משתמשת במיקום ברירת המחדל. אם מציינים את המיקום, הקטגוריה של BigQuery ו-Cloud Storage צריכות להיות באותו אזור.
  8. אופציונלי: בקטע הצגת אפשרויות מתקדמות, מזינים את המיקום של קטגוריה של Cloud Storage בפרויקט בתור מיקום זמני לנתונים.

    אם לא מציינים מיקום, המערכת משתמשת במיקום שמוגדר כברירת מחדל. אם מציינים את הקטגוריה של Cloud Storage, היא ו-BigQuery צריכים להיות באותו אזור.
  9. לוחצים על Import.

שימוש ב-API

כדי לייבא את אירועי המשתמשים, צריך לכלול את הנתונים של האירועים בקריאה לשיטה userEvents.import. מידע נוסף מופיע במאמר בנושא הפניית ה-API של userEvents.import.

בשביל dataSchema, משתמשים בערך user_event_ga4.

export GOOGLE_APPLICATION_CREDENTIALS=/tmp/my-key.json
curl \\
  -v \\
  -X POST \\
  -H "Content-Type: application/json; charset=utf-8" \\
  -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \\
  "https://retail.googleapis.com/v2/projects/PROJECT_ID/locations/global/catalogs/default_catalog/userEvents:import" \\
  --data '{
    "inputConfig": {
      "bigQuerySource": {
        "projectId": "PROJECT_ID",
        "datasetId": "DATASET_ID",
        "tableId": "TABLE_ID",
        "dataSchema": "user_event_ga4"
    }
  }
}'

ייבוא אירועים של משתמשים בתוך השורה

אפשר לייבא אירועים שקשורים למשתמשים באופן מוטבע על ידי הכללת הנתונים של האירועים בקריאה לשיטה userEvents.import.

הדרך הכי קלה לעשות את זה היא להכניס את נתוני האירועים של המשתמשים לקובץ JSON ולספק את הקובץ ל-curl.

במאמר מידע על אירועים שקשורים למשתמשים מפורטים הפורמטים של סוגי האירועים שקשורים למשתמשים.

curl

  1. יוצרים את קובץ ה-JSON:

    {
  "inputConfig": {
    "userEventInlineSource": {
      "userEvents": [
        \{
          "<userEvent1>"
        \},
        \{
          "<userEvent2>"
        \},
        \....
      \]
    \}
  }
}

  2. מבצעים קריאה לשיטת POST:

    curl -X POST \
     -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     --data @./data.json \
  "https://retail.googleapis.com/v2/projects/PROJECT_ID/locations/global/catalogs/default_catalog/userEvents:import"

Java

public static String importUserEventsFromInlineSource(
    List<UserEvent> userEventsToImport)
    throws IOException, InterruptedException, ExecutionException {
  UserEventServiceClient userEventsClient = getUserEventServiceClient();

  UserEventInlineSource inlineSource = UserEventInlineSource.newBuilder()
      .addAllUserEvents(userEventsToImport)
      .build();

  UserEventInputConfig inputConfig = UserEventInputConfig.newBuilder()
      .setUserEventInlineSource(inlineSource)
      .build();

  ImportUserEventsRequest importRequest = ImportUserEventsRequest.newBuilder()
      .setParent(DEFAULT_CATALOG_NAME)
      .setInputConfig(inputConfig)
      .build();

  String operationName = userEventsClient
      .importUserEventsAsync(importRequest).getName();

  userEventsClient.shutdownNow();
  userEventsClient.awaitTermination(2, TimeUnit.SECONDS);

  return operationName;
}

נתונים היסטוריים של קטלוג

אפשר גם לייבא נתוני קטלוג שמופיעים בהיסטוריית אירועי המשתמשים. הנתונים האלה יכולים לעזור כי אפשר להשתמש במידע על מוצרים קודמים כדי להעשיר את תיעוד אירועי המשתמשים, וכך לשפר את דיוק המודל.

פרטים נוספים זמינים במאמר בנושא ייבוא נתונים היסטוריים של קטלוג.

צפייה באירועים מיובאים

אפשר לראות את מדדי שילוב האירועים בכרטיסייה Events (אירועים) במסוף AI Commerce Search ב-Gemini Enterprise for Customer Experience בדף Data (נתונים). בדף הזה מוצגים כל האירועים שנכתבו או יובאו בשנה האחרונה. יכולות לעבור עד 24 שעות מרגע שהנתונים נקלטים בהצלחה ועד שהמדדים יופיעו.

מעבר לדף Data

הערכה של בדיקות A/B

הפרמטרים הבאים של בדיקות A/B רלוונטיים בהתאם ליעד הבדיקה:

  • כדי להשיג יעד של שיעור קליקים (CTR), נדרשים לפחות 21 ימים של אירועי משתמשים או נפחי אירועים ספציפיים. לדוגמה, יותר מ-2 מיליון אירועי חיפוש ויותר מ-500,000 קליקים בחיפוש.

  • כדי להגדיר יעד של שיעור המרה (CVR) או הכנסה, נדרשים לפחות 28 ימים של אירועי משתמשים או נפחי אירועים ספציפיים. לדוגמה, יותר מ-4 מיליון אירועים של חיפושים, יותר ממיליון קליקים בחיפוש, יותר מ-0.5 אירועי רכישה לכל מוצר שאפשר לחפש.

מידע נוסף על בדיקות A/B ושיטות מומלצות זמין בדף בדיקות A/B.

המאמרים הבאים