Pencocokan data yang disediakan pengguna

Pencocokan data yang disediakan pengguna (UPDM) menggabungkan data pihak pertama yang telah Anda kumpulkan tentang pengguna—seperti informasi dari situs, aplikasi, atau toko fisik—dengan aktivitas login pengguna tersebut di semua data iklan Google, termasuk data yang dimiliki & dikelola Google. Hal ini mencakup data yang dibeli melalui produk Google Marketing Platform (GMP), misalnya, YouTube yang dibeli menggunakan Display & Video 360. Produk GMP lain yang tidak dimiliki & dikelola oleh Google tidak didukung.

Agar memenuhi syarat untuk pencocokan data yang disediakan pengguna, peristiwa iklan harus ditautkan ke pengguna yang login di data iklan Google.

Dokumen ini menjelaskan fitur pencocokan data yang disediakan pengguna, serta memberikan panduan tentang penyiapan dan penggunaan.

Ringkasan Tab Koneksi

Untuk mendapatkan insight iklan yang berharga, Anda sering kali harus menggabungkan data dari berbagai sumber. Membangun solusi Anda sendiri untuk masalah pipeline data ini memerlukan investasi waktu dan investasi engineering yang signifikan. Halaman Connections di Ads Data Hub menyederhanakan proses ini dengan menyediakan antarmuka terpandu langkah demi langkah untuk mengimpor, mentransformasi, dan mencocokkan data iklan Anda di BigQuery, sehingga Anda dapat menggunakannya dalam kueri Ads Data Hub, atau produk lain yang membaca dari BigQuery. Memperkaya kueri Anda dengan data pihak pertama dapat memberikan pengalaman pelanggan yang lebih kaya, dan lebih tahan terhadap perubahan pelacakan iklan di seluruh industri.

Halaman Koneksi dibuat dengan alat yang memungkinkan Anda mengenkripsi dan membagikan informasi identitas pribadi (PII) kepada partner dengan cara yang berfokus pada privasi. Setelah memilih kolom yang berisi PII, Ads Data Hub mengenkripsi data, sehingga memastikan bahwa data pihak pertama Anda hanya dapat diekspor atau dibaca oleh orang yang memiliki izin untuk melakukannya. Mengetahui data pihak pertama yang diperlukan untuk kasus penggunaan pengukuran atau aktivasi Anda bisa jadi sulit, sehingga Ads Data Hub menyediakan daftar lengkap kasus penggunaan yang telah ditetapkan, lalu memandu Anda melalui seluruh pengalaman mengekstrak, mentransformasi, dan memuat data Anda. Meskipun Anda dapat membuat beberapa jenis koneksi, dokumen ini mengasumsikan bahwa Anda menggunakan halaman Connections untuk pencocokan data yang disediakan pengguna.

Karena pencocokan data yang disediakan pengguna hanya tersedia di inventaris yang dimiliki dan dikelola oleh Google untuk pengguna yang login, pencocokan ini tidak akan terpengaruh oleh penghentian cookie pihak ketiga yang akan datang. Karena lebih tahan terhadap perubahan industri daripada data pihak ketiga, data pihak pertama dapat memberikan insight yang lebih beragam, yang dapat menghasilkan engagement pelanggan yang lebih tinggi.

Pelajari terminologi.

• Koneksi data yang disediakan pengguna: Siapkan koneksi data yang disediakan pengguna untuk mengimpor dan mencocokkan data, menjadwalkan impor data, mentransformasi data, dan mencocokkan data iklan menggunakan ID pengguna. Peristiwa iklan harus ditautkan ke pengguna yang login di data iklan Google. Memerlukan beberapa project Google Cloud.
• Koneksi data pihak pertama: Siapkan koneksi data pihak pertama sebagai alat persiapan data, untuk menjadwalkan impor data dan mentransformasi data tanpa fitur lanjutan UPDM. Jenis koneksi ini hanya memerlukan satu project Google Cloud.
• Sumber data: Produk yang terhubung, file yang diimpor, atau integrasi pihak ketiga, misalnya, BigQuery.
• Tujuan: Kasus penggunaan, biasanya produk atau fitur produk Google, tempat data yang diimpor akan diaktifkan, misalnya, pencocokan data yang disediakan pengguna Ads Data Hub.
• Project admin: Project Google Cloud yang berisi data iklan eksklusif Anda dalam format mentah.
• Set data output: Set data BigQuery yang menjadi tujuan penulisan Ads Data Hub. Secara default, ini adalah set data di bagian project admin Anda. Untuk mengubahnya ke project Google Cloud lain, lihat Mengonfigurasi akun layanan.

Ringkasan proses

1. Penyiapan penyerapan dan pencocokan data
   • Anda Pastikan data pihak pertama Anda berada di BigQuery dan akun layanan Anda memiliki akses baca ke data tersebut. Lihat Menyiapkan penyerapan data.
2. Penyerapan dan pencocokan data pihak pertama
   • Anda memformat dan mengupload data pihak pertama ke set data BigQuery. Untuk penyiapan paling sederhana, gunakan project admin Anda. Namun, Anda dapat menggunakan set data BigQuery apa pun yang Anda miliki.
   • Anda memulai permintaan pencocokan data dengan membuat koneksi dan menetapkan jadwal.
   • Google menggabungkan data antara project Anda dan data milik Google yang berisi ID pengguna Google dan data yang disediakan pengguna yang di-hash untuk membuat dan memperbarui tabel kecocokan.
   • Lihat Menyerap data pihak pertama
3. Kueri berkelanjutan di Ads Data Hub, berdasarkan data yang cocok
   • Anda menjalankan kueri terhadap tabel pencocokan dengan cara yang sama seperti Anda menjalankan kueri reguler di Ads Data Hub. Lihat Membuat kueri data yang cocok.

Mempelajari persyaratan privasi

Mengumpulkan data pelanggan

Saat menggunakan pencocokan data yang disediakan pengguna, Anda harus mengupload data pihak pertama. Informasi ini dapat berupa informasi yang Anda kumpulkan dari situs, aplikasi, toko fisik, atau informasi apa pun yang dibagikan pelanggan kepada Anda secara langsung.

Anda harus:

• Pastikan kebijakan privasi Anda menyebutkan bahwa Anda membagikan data pelanggan kepada pihak ketiga untuk menyediakan layanan atas nama Anda, dan bahwa Anda memperoleh izin untuk pembagian tersebut jika diwajibkan oleh hukum
• Hanya menggunakan API atau antarmuka yang disetujui Google untuk mengupload data pelanggan
• Mematuhi semua hukum dan peraturan yang berlaku, termasuk peraturan mandiri atau aturan industri yang mungkin berlaku

Konfirmasi izin pihak pertama

Untuk memastikan Anda dapat menggunakan data pihak pertama di Ads Data Hub, Anda harus mengonfirmasi bahwa Anda telah memperoleh izin yang tepat untuk membagikan data dari pengguna akhir EEA kepada Google sesuai dengan Kebijakan izin pengguna Uni Eropa dan kebijakan Ads Data Hub. Persyaratan ini berlaku untuk setiap akun Ads Data Hub, dan harus diperbarui setiap kali Anda mengupload data pihak pertama baru. Setiap pengguna dapat membuat pernyataan ini atas nama seluruh akun.

Perhatikan bahwa aturan kueri layanan Google yang sama yang berlaku untuk kueri analisis juga berlaku untuk kueri UPDM. Misalnya, Anda tidak dapat menjalankan kueri lintas layanan pada pengguna di EEA saat membuat tabel pencocokan.

Untuk mempelajari cara menyatakan izin di Ads Data Hub, lihat Persyaratan izin untuk Wilayah Ekonomi Eropa.

Ukuran data

Untuk melindungi privasi pengguna akhir, pencocokan data yang disediakan pengguna menerapkan persyaratan berikut terkait ukuran data Anda:

• Anda harus mengupload minimal 1.000 data dalam daftar pengguna.
• Setiap pembaruan tabel kecocokan yang berhasil harus menyertakan jumlah minimum pengguna yang baru dicocokkan. Perilaku ini mirip dengan pemeriksaan perbedaan.
• Daftar Anda tidak boleh melebihi jumlah maksimum data. Untuk mempelajari batas data maksimum, hubungi perwakilan Google Anda.

Menyiapkan penyerapan data

Sebelum memulai, Anda harus mengonfigurasi akun Ads Data Hub untuk membuat koneksi data, yang merupakan cara Anda membuat pipeline pencocokan data. Anda hanya perlu melakukan langkah ini satu kali.

Dari halaman Koneksi, klik Mulai penyiapan untuk membuka wizard penyiapan akun pada tahap pengaktifan UPDM.

Buka Connections

Menyerap dan mencocokkan data pihak pertama

Persyaratan izin dan koneksi sumber

Ads Data Hub Connections menggunakan akun layanan yang ditampilkan di bagian Settings > Details > Service account (biasanya service-<number>@gcp-sa-adsdatahub.iam.gserviceaccount.com). Berikan peran berikut:

• Sumber BigQuery: roles/bigquery.dataViewer (BigQuery Data Viewer) di set data atau tabel sumber.
• Sumber Cloud Storage: roles/storage.objectViewer (Storage Object Viewer) di bucket atau objek sumber.
• Tujuan impor data pihak pertama: roles/bigquery.dataEditor (BigQuery Data Editor) di set data tujuan, jika tabel tidak ada dalam set data default Anda.

Persyaratan kolom dan jenis data

1. Pencocokan data yang disediakan pengguna (UPDM):
   • Petakan user_id ditambah setidaknya satu kolom PII (email, phone, atau alamat lengkap: first_name, last_name, country, zip_code).
   • user_id, country, dan zip_code: STRING teks biasa (tidak di-hash). Untuk sumber BigQuery, kolom ini harus sudah berupa STRING; jenis lainnya (misalnya, INT64) akan gagal saat koneksi dibuat. Connections mentransmisikan user_id ke BYTES di tabel kecocokan. country harus berupa kode ISO 3166-1 alpha-2 yang terdiri dari 2 huruf.
   • email, phone, first_name, dan last_name: HASH—harus sudah di-hash SHA-256 dan dienkode Base64 (nilai SHA-256 hex 64 karakter juga diterima). Connections tidak melakukan hashing pada data. Nilai teks biasa tidak akan ditangkap saat koneksi dibuat; setiap operasi kemudian akan gagal dengan ... must be encoded using TO_BASE64(SHA256(...)).
   • Koneksi pencocokan data yang disediakan pengguna tidak memiliki tabel tujuan. Semua kueri tersebut dalam akun, dan kueri UPDM yang dijalankan secara manual, menulis ke data pencocokan yang sama, sehingga setiap operasi akan menggantikan operasi sebelumnya. Satu koneksi UPDM per akun sudah cukup.
   • Lihat Memformat data untuk input untuk mengetahui aturan per kolom.
2. Impor data pihak pertama:
   • Hanya gunakan jenis data yang ditawarkan di UI: INTEGER, STRING, HASH, DOUBLE, DATE, dan TIMESTAMP. Jenis BigQuery lainnya tidak didukung.
   • Sumber BigQuery: Jenis yang dipetakan tidak diterapkan; setiap kolom tujuan mempertahankan jenis kolom sumbernya.
   • Sumber Cloud Storage: Kolom dibaca sebagai STRING dan ditransmisikan ke jenis yang dipetakan. Nilai yang tidak dapat ditransmisikan menjadi NULL tanpa menggagalkan operasi.
   • Setiap operasi akan menggantikan seluruh tabel tujuan; bukan menambahkan. Jika sumber tidak memiliki baris, tujuan akan menjadi kosong. Jangan gunakan tabel sumber, atau tabel yang datanya perlu Anda simpan, sebagai tujuan.

Persyaratan kolom CSV Cloud Storage

• Sertakan baris header. Baris pertama dilewati; nama kolomnya tidak digunakan.
• File harus berisi kolom sumber yang dipetakan, tidak lebih dan tidak kurang. Kolom tambahan akan menggagalkan proses.
• Impor data pihak pertama: Kolom harus dalam urutan yang sama dengan pemetaan kolom.
• Pencocokan data yang disediakan pengguna: Kolom harus dalam urutan ini, dengan hanya mempertahankan kolom yang Anda petakan: user_id, email, phone, first_name, last_name, country, zip_code. Urutan baris pemetaan tidak menjadi masalah.
• Urutan kolom yang berbeda tidak terdeteksi: nilai dimuat ke kolom yang salah (atau rasio kecocokan menurun) tanpa error.

Sumber data yang didukung dan batas koneksi

• Sumber data: Hanya sumber BigQuery dan Cloud Storage yang didukung.
• Nama tabel BigQuery: Tabel BigQuery sumber dan tujuan memerlukan nama project.dataset.table lengkap.
• Jalur file Cloud Storage: Berikan satu URI file (seperti gs://bucket/path/file.csv). Jalur karakter pengganti dengan * atau ? tidak didukung.
• Nama koneksi: Setiap koneksi di akun harus memiliki nama yang unik.

Memformat data untuk input

Data Anda harus mematuhi persyaratan pemformatan berikut agar dapat dicocokkan dengan benar:

• Jika ditunjukkan dalam deskripsi kolom input berikut, Anda harus mengupload menggunakan hashing SHA256.
• UPDM mendukung encoding Base64. Lihat TO_BASE64.
• Kolom input harus diformat sebagai string. Misalnya, jika Anda menggunakan fungsi hash SHA256 BigQuery, gunakan transformasi berikut: TO_BASE64(SHA256(user_data)).

Validasi hash dan encoding data

Anda dapat menggunakan skrip validasi hash berikut untuk memastikan data Anda diformat dengan benar.

  /**
   * @fileoverview Provides the hashing algorithm, as well as some valid hashes of
   * sample data for testing.
  */

  async function hash(token) {
    // Removes leading or trailing spaces and converts all characters to lowercase.
    const formattedToken = token.trim().toLowerCase();
    // Hashes the formatted string using the SHA-256 hashing algorithm.
    const hashBuffer = await crypto.subtle.digest(
        'SHA-256', (new TextEncoder()).encode(formattedToken));
    // Converts the hash buffer to a base64-encoded string and returns it.
    const base64Str = btoa(String.fromCharCode(...new Uint8Array(hashBuffer)));
    return base64Str;
  }

  function main() {
    // Expected hash for test@gmail.com:
    // h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
    hash('test@gmail.com').then(result => console.log(result));

    // Expected hash for +18005551212:
    // YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
    hash('+18005551212').then(result => console.log(result));

    // Expected hash for John: ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
    hash('John').then(result => console.log(result));

    // Expected hash for Doe: eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
    hash('Doe').then(result => console.log(result));
  }

  main()

  """Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

  Supports: Python 2, Python 3

  Sample hashes:

    - Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
    - Phone '+18005551212':   YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
    - First name 'John':      ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
    - Last name 'Doe':        eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
  """

  import base64
  import hashlib

  def hash(token):
  # Generates a base64-encoded SHA-256 hash of a normalized input string.
    return base64.b64encode(
        hashlib.sha256(
            token.strip().lower().encode('utf-8')).digest()).decode('utf-8')

  def print_hash(token, expected=None):
  # Computes and displays the hash of a token, with optional validation.
    hashed = hash(token)

    if expected is not None and hashed != expected:
      print(
          'ERROR: Incorrect hash for token "{}". Expected "{}", got "{}"'.format(
              token, expected, hashed))
      return

    print('Hash: "{}"\t(Token: {})'.format(hashed, token))

  def main():
  # Tests the hash function with sample tokens and expected results.
    print_hash(
        'test@gmail.com', expected='h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=')
    print_hash(
        '+18005551212', expected='YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=')
    print_hash('John', expected='ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=')
    print_hash('Doe', expected='eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=')

  if __name__ == '__main__':
    main()

  /*
  Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

  Sample hashes:

    - Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
    - Phone '+18005551212':   YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
    - First name 'John':      ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
    - Last name 'Doe':        eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
  */
  package main

  import (
    "crypto/sha256"
    "encoding/base64"
    "fmt"
    "strings"
  )

  // Hash hashes an email, phone, first name, or last name into the correct format.
  func Hash(token string) string {
    formatted := strings.TrimSpace(strings.ToLower(token))
    hashed := sha256.Sum256([]byte(formatted))
    encoded := base64.StdEncoding.EncodeToString(hashed[:])
    return encoded
  }

  // PrintHash prints the hash for a token.
  func PrintHash(token string) {
    fmt.Printf("Hash: \"%s\"\t(Token: %s)\n", Hash(token), token)

  }

  func main() {
    PrintHash("test@gmail.com")
    PrintHash("+18005551212")
    PrintHash("John")
    PrintHash("Doe")
  }

  package updm.hashing;

  import static java.nio.charset.StandardCharsets.UTF_8;

  import java.security.MessageDigest;
  import java.security.NoSuchAlgorithmException;
  import java.util.Base64;

  /**
  * Example of the hashing algorithm.
  *
  * <p>Sample hashes:
  *
  * <ul>
  *   <li>Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
  *   <li>Phone '+18005551212': YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
  *   <li>First name 'John': ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
  *   <li>Last name 'Doe': eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
  * </ul>
  */
  public final class HashExample {

  private HashExample() {}

  public static String hash(String token) {
    // Normalizes and hashes the input token using SHA-256 and Base64 encoding.
    String formattedToken = token.toLowerCase().strip();

    byte[] hash;
    try {
      hash = MessageDigest.getInstance("SHA-256").digest(formattedToken.getBytes(UTF_8));
    } catch (NoSuchAlgorithmException e) {
      throw new IllegalStateException("SHA-256 not supported", e);
    }

    return Base64.getEncoder().encodeToString(hash);
  }

  public static void printHash(String token) {
    // Calculates and prints the hash for the given token.
    System.out.printf("Hash: \"%s\"\t(Token: %s)\n", hash(token), token);
  }

  public static void main(String[] args) {
    // Executes hash calculations and prints results for sample tokens.
    printHash("test@gmail.com");
    printHash("+18005551212");
    printHash("John");
    printHash("Doe");
  }
  }

  /*
  Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

  The following code uses Google Standard SQL and can be run on BigQuery to generate match tables from unhashed data.

  Sample hashes:

    - Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
    - Phone '+18005551212':   YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
    - First name 'John':      ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
    - Last name 'Doe':        eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=

  The unhashed input table schema is assumed to be:

  - Column name: UserID, Type: String
  - Column name: Email, Type: String
  - Column name: Phone, Type: String
  - Column name: FirstName, Type: String
  - Column name: LastName, Type: String
  - Column name: PostalCode, Type: String
  - Column name: CountryCode, Type: String
  */

  -- Creates a new table with Base64-encoded SHA-256 hashes of specified columns.
  CREATE TABLE `your_project_name.your_dataset_name.output_hashed_table_name`
  AS
  SELECT
    UserID,
    TO_BASE64(SHA256(LOWER(Email))) AS Email,
    TO_BASE64(SHA256(Phone)) AS Phone,
    TO_BASE64(SHA256(LOWER(FirstName))) AS FirstName,
    TO_BASE64(SHA256(LOWER(LastName))) AS LastName,
    PostalCode,
    CountryCode,
  FROM
    `your_project_name.your_dataset_name.input_unhashed_table_name`;

Kunci penghubung

Beberapa kombinasi data yang disediakan pengguna lebih kuat daripada yang lain. Berikut adalah daftar berbagai kombinasi data yang disediakan pengguna, yang diurutkan berdasarkan kekuatan relatif. Jika Anda menggunakan alamat, Anda harus menyertakan: Nama depan, Nama belakang, Negara, dan Kode pos.

1. Email, Telepon, Alamat (paling kuat)
2. Telepon, Alamat
3. Email, Alamat
4. Email, Telepon
5. Alamat
6. Telepon
7. Email (paling lemah)

Membuat tabel kecocokan

1. Klik Koneksi > Buat koneksi > Pencocokan data yang disediakan pengguna.
2. Pilih sumber data, lalu klik Hubungkan.
3. Lakukan autentikasi, jika diminta, lalu klik Next:

   BigQuery

   Klik Apply untuk memberikan akses ke BigQuery.

   Cloud Storage

   Klik Apply untuk memberikan akses ke Cloud Storage.

   MySQL

   Masukkan lokasi database, port, nama pengguna, dan sandi MySQL Anda.

   S3

   Masukkan kunci akses rahasia Amazon S3 Anda.

   PostgreSQL

   Masukkan lokasi database, port, nama pengguna, sandi, dan database PostgreSQL Anda.

   Redshift

   Masukkan lokasi database, port, nama pengguna, sandi, dan database Redshift Anda.

   sFTP

   Masukkan lokasi, nama pengguna, dan sandi server sFTP Anda.

   Snowflake

   Masukkan ID akun, nama pengguna, dan sandi Snowflake Anda.

4. Konfigurasi sumber data Anda, lalu klik Berikutnya:

   BigQuery

   Pilih tabel BigQuery yang akan diimpor.

   Cloud Storage

   Masukkan jalur gsutil, seperti gs://my-bucket/folder/, dan pilih format file Anda.

   Jika ini adalah pertama kalinya Anda menghubungkan sumber ini, peringatan akan muncul. Klik Terapkan untuk memberikan akses, lalu klik Berikutnya. Catatan: Anda harus memiliki peran dengan izin untuk mendelegasikan storage.buckets.setIamPolicy untuk bucket yang relevan.

   MySQL

   Pilih database dan tabel MySQL yang ingin Anda gunakan.

   S3

   Masukkan URI ke file yang ingin Anda upload, sesuai dengan alamat host.

   PostgreSQL

   Masukkan nama skema dan tabel (atau tampilan) PostgreSQL.

   Redshift

   Masukkan nama skema dan tabel (atau tampilan) Redshift. Secara default, Redshift menggunakan URL lokasi database yang mengikuti template berikut: cluster-identifier.account-number.aws-region.redshift.amazonaws.com.

   sFTP

   Masukkan jalur dan nama file, yang diformat sebagai /PATH/FILENAME.csv

   Snowflake

   Masukkan database, skema, dan tabel (atau tampilan) Snowflake yang ingin Anda gunakan.

5. Pilih set data BigQuery untuk digunakan sebagai tujuan perantara, lalu klik Berikutnya. Langkah ini akan memastikan bahwa data Anda diformat dengan benar.
6. Opsional: Ubah format data Anda. Transformasi mencakup penghitungan hash, pemformatan huruf kecil/besar, dan penggabungan/pemisahan kolom.
   1. Klik Action > more_vert > Transform.
   2. Di panel yang muncul, klik Add transformation atau Add another transformation
   3. Pilih jenis transformasi dari menu dropdown dan masukkan persyaratan.
   4. Klik Simpan.
7. Pilih setidaknya satu kunci gabungan dan petakan kolom yang akan Anda gunakan. Ads Data Hub akan otomatis memetakan kolom dengan nama yang sama, yang ditunjukkan dengan auto_fix_high. Lakukan pengeditan yang diperlukan, lalu klik Berikutnya.
8. Menetapkan jadwal:
   1. Beri nama koneksi Anda.
   2. Tetapkan frekuensi, yang menentukan seberapa sering data akan diimpor ke set data yang Anda pilih pada langkah sebelumnya. Setiap operasi akan menimpa data di tabel tujuan.
   3. Tentukan cara Anda ingin menangani konflik ID pengguna. Anda dapat memilih antara mempertahankan kecocokan yang ada atau menimpanya dengan data baru.
9. Klik Selesai. Tabel pencocokan umumnya siap untuk dikueri 12 jam setelah dibuat.

Melihat detail koneksi

Halaman detail koneksi memberikan informasi tentang operasi dan error terbaru dari koneksi tertentu. Untuk melihat detail koneksi tertentu:

1. Klik Koneksi.
2. Klik nama koneksi untuk melihat detailnya.
3. Sekarang Anda dapat melihat detail koneksi dan operasi terbaru. Setiap tab menampilkan dua kemungkinan jenis error: error tingkat koneksi (koneksi tidak berjalan) dan error tingkat baris (baris tidak diimpor).
   1. Status Gagal menunjukkan bahwa seluruh koneksi gagal dijalankan (misalnya, masalah izin akun layanan). Klik status error untuk melihat error mana yang memengaruhi koneksi.
   2. Status Selesai menunjukkan bahwa koneksi berhasil dijalankan. Namun, mungkin masih ada error tingkat baris—yang ditunjukkan dengan nilai bukan nol di kolom "Baris dengan error". Klik nilai untuk mempelajari lebih lanjut data yang gagal.

Mengedit koneksi

Detail berikut dapat diedit:

• Nama koneksi
• Jadwal
• Destination table
• Pemetaan Kolom

Pengeditan sumber data tidak didukung. Untuk mengubah sumber data, buat koneksi baru dan hapus koneksi lama.

Untuk mengedit detail koneksi:

1. Klik Koneksi.
2. Klik nama koneksi yang ingin Anda edit.
3. Edit detail yang ingin Anda ubah:
   • Nama koneksi: Klik Edit, masukkan nama baru, lalu tekan Enter.
   • Jadwal: Klik Edit, tetapkan jadwal baru, lalu klik Simpan.
   • Tabel tujuan: Klik Edit, masukkan nama tujuan baru, lalu klik Simpan.
   • Pemetaan kolom: Klik navigate_next, buat perubahan pada kolom, lalu klik Simpan.
4. Klik close.

Memigrasikan koneksi yang ada

Koneksi yang ada di tab Koneksi akan dipindahkan ke pengalaman Koneksi yang diperbarui dan dibuat langsung di Ads Data Hub. Koneksi yang diperbarui membaca sumber dan menulis tujuan menggunakan akun layanan yang ditampilkan di bagian Settings > Details > Service account (biasanya service-<number>@gcp-sa-adsdatahub.iam.gserviceaccount.com), bukan akun layanan Data Fusion, Dataproc, dan UPDM lama.

Selesaikan item tindakan ini sebelum koneksi Anda dipindahkan:

1. Memberikan izin akun layanan: Berikan akun layanan yang ditampilkan di bagian Settings > Details > Service account (biasanya service-<number>@gcp-sa-adsdatahub.iam.gserviceaccount.com) peran sumber dan tujuan yang diperlukan (roles/bigquery.dataViewer, roles/storage.objectViewer, dan roles/bigquery.dataEditor di set data tujuan non-default). Koneksi dengan sumber yang tidak dapat dibaca, dihapus, atau diubah mungkin masih dapat dipindahkan (terutama sumber Cloud Storage, yang tidak divalidasi pada saat pemindahan), tetapi prosesnya akan gagal hingga Anda memberikan akses atau memperbaiki sumbernya.
2. Mengonversi koneksi yang tidak didukung: Koneksi dengan konfigurasi berikut tidak akan dimigrasikan. Konversikan ke koneksi BigQuery atau Cloud Storage yang didukung:
   • Sumber data lainnya (Amazon S3, Snowflake, MySQL, PostgreSQL, Amazon Redshift, sFTP, atau Salesforce): Tempatkan data di BigQuery atau Cloud Storage terlebih dahulu, lalu buat koneksi BigQuery atau Cloud Storage.
   • Pemetaan kolom atau jenis data yang tidak didukung: Perbarui atau buat ulang koneksi untuk memenuhi persyaratan kolom dan jenis data.
   • Jalur karakter pengganti Cloud Storage (* atau ?): Ganti URI karakter pengganti dengan URI file tunggal atau muat file ke BigQuery terlebih dahulu.
   • Nama koneksi duplikat: Ganti nama atau hapus koneksi duplikat sehingga setiap koneksi di akun memiliki nama yang unik.
3. Hapus koneksi yang tidak digunakan: Hapus koneksi usang yang tidak lagi Anda perlukan.

Data yang cocok dengan kueri

Membuat kueri tabel kecocokan

Jika tabel kecocokan Anda berisi cukup data untuk memenuhi pemeriksaan privasi, Anda siap menjalankan kueri terhadap tabel tersebut.

Tabel asli untuk data pihak pertama (1PD) diwakili oleh my_data. Data ini mencakup Informasi Identitas Pribadi (PII) dan data non-PII. Menggunakan tabel asli dapat meningkatkan kualitas laporan Anda dengan lebih banyak insight, karena tabel ini mewakili semua data 1PD dalam cakupan, jika dibandingkan dengan tabel kecocokan.

Setiap tabel dalam skema Ads Data Hub yang berisi kolom user_id disertai dengan tabel pencocokan. Misalnya, untuk tabel adh.google_ads_impressions, Ads Data Hub juga membuat tabel pencocokan bernama adh.google_ads_impressions_updm yang berisi ID pengguna Anda. Tabel pencocokan terpisah dibuat untuk tabel jaringan yang diisolasi kebijakan. Misalnya, untuk tabel adh.google_ads_impressions_policy_isolated_network, Ads Data Hub juga membuat tabel pencocokan yang disebut adh.google_ads_impressions_policy_isolated_network_updm yang berisi ID pengguna Anda.

Tabel ini berisi subset pengguna yang tersedia di tabel asli, yang memiliki kecocokan di user_id. Misalnya, jika tabel asli berisi data untuk Pengguna A dan Pengguna B, tetapi hanya Pengguna A yang cocok, Pengguna B tidak akan ada dalam tabel kecocokan.

Tabel pencocokan berisi kolom tambahan yang disebut customer_data_user_id, yang menyimpan ID pengguna sebagai BYTES.

Penting untuk mempertimbangkan jenis kolom saat menulis kueri. Operator perbandingan SQL mengharapkan literal yang Anda bandingkan memiliki jenis yang sama. Bergantung pada cara user_id disimpan dalam tabel data pihak pertama, Anda mungkin perlu mengenkode nilai dalam tabel sebelum mencocokkan data. Anda harus mentransmisikan kunci gabungan ke BYTES agar pencocokan berhasil:

JOIN ON
  adh.google_ads_impressions_updm.customer_data_user_id = CAST(my_data.user_id AS BYTES)

Selain itu, perbandingan string di SQL peka terhadap kapitalisasi, jadi Anda mungkin perlu mengenkode string di kedua sisi perbandingan untuk memastikan bahwa string tersebut dapat dibandingkan secara akurat.

Sampel kueri

Menghitung pengguna yang cocok

Kueri ini menghitung jumlah pengguna yang cocok dalam tabel tayangan iklan Google Ads Anda.

/* Count matched users in Google Ads impressions table */

SELECT COUNT(DISTINCT user_id)
FROM adh.google_ads_impressions_updm

Menghitung rasio kecocokan

Tidak semua pengguna memenuhi syarat untuk pencocokan. Misalnya, pengguna yang logout, anak-anak, dan pengguna tanpa izin cookie tidak dicocokkan melalui UPDM. Anda dapat menggunakan kolom is_updm_eligible untuk menghitung rasio kecocokan UPDM yang lebih akurat. Catatan: Kolom is_updm_eligible tersedia mulai 1 Oktober 2024. Anda tidak dapat menggunakan kolom ini untuk menghitung rasio kecocokan sebelum tanggal tersebut.

/* Calculate the UPDM match rate */

CREATE TEMP TABLE total_events OPTIONS(privacy_checked_export=TRUE) AS
SELECT
  customer_id,
  COUNT(*) AS n
FROM adh.google_ads_impressions
WHERE is_updm_eligible
GROUP BY 1;

CREATE TEMP TABLE matched_events OPTIONS(privacy_checked_export=TRUE) AS
SELECT
  customer_id,
  COUNT(*) AS n
FROM adh.google_ads_impressions_updm
GROUP BY 1;

SELECT
  customer_id,
  SAFE_DIVIDE(matched_events.n, total_events.n) AS match_rate
FROM total_events
LEFT JOIN matched_events
  USING (customer_id)

Menggabungkan data pihak pertama dan Google Ads

Kueri ini menunjukkan cara menggabungkan data pihak pertama dengan data Google Ads:

/* Join first-party data with Google Ads data. The customer_data_user_id field
contains your ID as BYTES. You need to cast your join key into BYTES for
successful matches. */

SELECT
  inventory_type,
  COUNT(*) AS impressions
FROM
  adh.yt_reserve_impressions_updm AS google_data_imp
LEFT JOIN
  `my_data`
ON
  google_data_imp.customer_data_user_id = CAST(my_data.user_id AS BYTES)
GROUP BY
  inventory_type

FAQ UPDM

Untuk mengetahui daftar FAQ terkait UPDM, lihat FAQ UPDM.