跨媒体和产品关联的数据分析

本页介绍了利用 Cortex Framework Data Foundation 的“跨媒体和产品关联数据洞见”(Cross Media) 加速器所需的配置。

借助此跨媒体加速器，Cortex Framework Data Foundation 可通过一组初始 KPI 来了解在 Google Ads、YouTube（通过 DV360）、Meta 和 TikTok 等媒体平台上投放的营销活动的效果，从而了解产品和商品类别的销售业绩。

下图介绍了如何通过 Cortex Framework Data Foundation 的营销工作负载获取跨媒体数据分析：

CM360 数据源

图 1。跨媒体架构。

配置文件

config.json 文件用于配置连接到数据源所需的设置，以便从各种工作负载中转移数据。此文件包含以下跨媒体参数：

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

下表介绍了每个参数的值：

参数 含义 默认值
k9.deployCrossMedia 是否部署跨媒体。请注意，它需要与 Google Ads、YouTube（含 DV360）、Meta 或 TikTok 至少一个一起部署，否则部署将失败。 False
k9.CrossMedia.productHierarchyType 在商品维度中使用哪个商品层次结构。取决于实际数据。将此值设置为与“产品层次结构”维度的 productHierarchyType 值相同的值。 SAP
k9.CrossMedia.maxProductHierarchyMatchLevel 限制匹配的产品层次结构级别。SKU 数量较多的公司可能具有过于深入的层次结构，其中包含包装的具体信息（例如，瓶装或罐装可口可乐、单独包装或批量包装）。某些系统（例如 SAP）对您可以深入的层级有自己的限制。 9
k9.CrossMedia.targetCurrencies 用于报告和 BI 目的的目标币种。所有来源币种都将转换为这些币种。 ["USD"]
k9.CrossMedia.additionalPrompt 可选：向 LLM 模型传递其他提示。
k9.CrossMedia.lookbackWindowDays 执行增量刷新时要回溯的天数 7
VertexAI.region Vertex AI 区域（假设是 Vertex AI API 的源项目）。它必须与 BigQuery 位于同一位置，并且不能是多区域。如果 BigQuery 位于多区域中，则同一多区域中的任何区域都是可以接受的 us-central1（与默认 BigQuery 位置 us 一致）
VertexAI.processingDataset Vertex AI 作业的 BigQuery 数据集必须位于 VertexAI.region 位置，而不是多区域。 CORTEX_VERTEX_AI_PROCESSING

数据模型

本部分使用实体关系图 (ERD) 介绍了“跨媒体和产品关联的分析”数据模型。

跨媒体的实体关系图

图 2。跨媒体和关联产品数据分析：实体关系图。

部署跨媒体广告系列

  1. 在源项目中创建一个 BigQuery 数据集，用于 Vertex AI 处理。

  2. 按照以下营销数据源各自的指南，配置一个或多个营销数据源以进行部署：

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

  3. 启用并配置所需的通用维度：

    1. 国家/地区维度
    2. 商品尺寸
    3. 货币换算

  4. 配置“跨媒体”设置：

    1. 将 k9.deployCrossMedia 设置为 True。
    2. 将 k9.CrossMedia.productHierarchyType 设置为与上一步中的 dataSourceType 相同的值。
    3. 在 VertexAI 部分中，将数据集设置为您在第 1 步中创建的数据集，并且 region 应与 Vertex AI 处理数据集的位置一致。

  5. 根据需要调整任何其他设置。然后，您就可以开始部署了。

运行 DAG

  1. 根据需要设置 Managed Service for Apache Airflow Airflow 环境。确保 k9_reporting 连接已正确配置。
  2. 将数据加载到“币种兑换”表和“产品层次结构”表中。
  3. 运行 cross_media DAG。有两种刷新方式：“完全刷新”或“增量刷新”。请使用适合您应用场景的任何一种。

已知问题

如果未填充币种换算表，则最终输出表的 TotalCostInTargetCurrency 列对于所有行都将为空。在这种情况下，您仍然可以使用 TotalCostInSourceCurrency 列来报告源币种的费用。

接下来怎么做？