Сопоставление данных, предоставленных пользователями

Функция сопоставления данных, предоставленных пользователями, связывает собранные вами данные о пользователе (данные с ваших сайтов, из приложений или обычных магазинов) с действием входа этого пользователя во всех данных рекламы Google, включая данные, принадлежащие Google и управляемые Google. Это относится и к данным, приобретенным через продукты Google Платформы для маркетинга, например к данным YouTube, приобретенным через Дисплей и Видео 360. Другие продукты GMP, которые не принадлежат Google и не управляются этой компанией, не поддерживаются.

Чтобы сопоставление работало, рекламное событие должно быть связано с пользователем, вошедшим в аккаунт, в данных рекламы Google.

В этой статье рассказывается о сопоставлении данных, предоставленных пользователями, и о том, как настроить и использовать эту функцию.

Общие сведения о сопоставлении в частном облаке

Чтобы получить ценную статистику по рекламе, часто приходится объединять данные из нескольких источников. Создание собственного решения этой проблемы с конвейером данных требует значительных временных и инженерных затрат. Private Cloud Match в Ads Data Hub упрощает этот процесс, предоставляя шаблон запроса Ads Data Hub для создания таблицы соответствий в BigQuery, которую затем можно использовать в запросах Ads Data Hub для сопоставления данных рекламы с вашими собственными данными. Если вы добавите собственные данные, это может повысить качество обслуживания клиентов и устойчивость к отраслевым изменениям в области отслеживания рекламы.

Поскольку сопоставление данных, предоставленных пользователями, доступно только в инвентаре, принадлежащем и управляемом Google, для вошедших в аккаунт пользователей, на него не повлияет предстоящее прекращение поддержки сторонних файлов cookie. Поскольку на него меньше влияют изменения в отрасли, чем на сторонние данные, оно может предоставить более полные сведения, что может привести к более высокому вовлечению клиентов.

Обзор процесса

1. Настройка добавления и сопоставления данных
   • Вы. Убедитесь, что ваши собственные данные находятся в BigQuery и у вашего сервисного аккаунта есть доступ к ним на чтение. Подробнее о том, как настроить добавление данных…
2. Добавление и сопоставление собственных данных
   • Вы форматируете и загружаете собственные данные в набор данных BigQuery.
   • Вы инициируете запрос на сопоставление данных, создаваязапрос на анализ сопоставления в Private Cloud и задавая расписание.
   • Google объединяет данные из вашего проекта и данные, принадлежащие Google и содержащие идентификатор пользователя Google и хешированные данные, предоставленные пользователями, чтобы создавать и обновлять таблицы соответствия.
   • Подробнее о добавлении собственных данных…
3. Текущие запросы в Ads Data Hub на основе сопоставленных данных
   • Вы можете выполнять запросы к таблицам соответствий так же, как и обычные запросы в Ads Data Hub. Подробнее о запросе сопоставленных данных…

О требованиях конфиденциальности

Сбор данных клиентов

При сопоставлении данных, предоставленных пользователями, необходимо загружать собственные данные. Это может быть информация, которую вы собрали на своих сайтах, в приложениях и обычных магазинах, или любые данные, которые клиенты предоставили вам напрямую.

Кроме того, вы должны выполнить следующее:

• указать в политике конфиденциальности, что вы передаете данные клиентов третьим лицам для оказания услуг от вашего имени, а также получать согласие на такую передачу, если этого требуют юридические требования;
• использовать для загрузки данных клиентов API или интерфейс, одобренные Google;
• соблюдать все требования действующего законодательства, в том числе применимые отраслевые стандарты и нормы саморегулирования.

Подтверждение согласия для собственных данных

Чтобы работать с собственными данными в Ads Data Hub, подтвердите, что вы получили согласие конечных пользователей из ЕЭЗ на передачу их данных в Google в соответствии с правилами в отношении согласия пользователей из ЕС и правилами Ads Data Hub. Это требование применяется ко всем аккаунтам Ads Data Hub при каждой загрузке собственных данных. Любой пользователь может предоставить такое подтверждение для всего аккаунта.

Обратите внимание, что правила запросов для сервисов Google, применяемые к запросам анализа, действуют и для запросов UPDM. Например, при создании таблицы соответствий нельзя запрашивать данные о пользователях из ЕЭЗ сразу для нескольких сервисов.

Порядок подтверждения согласия в Ads Data Hub описан в требованиях к запросу согласия для Европейской Экономической Зоны.

Размер данных

Чтобы защитить конфиденциальность конечных пользователей, при сопоставлении данных, предоставленных пользователями, применяются следующие требования к размеру данных:

• В списке пользователей должно быть не менее 1000 записей.

Как настроить добавление данных

Прежде чем начать, убедитесь, что:

• Ваши собственные данные должны храниться в BigQuery. Если у вас есть периметр VPC-SC, собственные данные должны находиться в нем.
• У сервисного аккаунта Ads Data Hub должен быть доступ с правами чтения к собственным данным.
• Ваши собственные данные должны быть правильно отформатированы и хешированы. Более подробную информацию вы найдете в следующем разделе.

Других действий для начала работы с Private Cloud Match не требуется. Если вы можете выполнить запрос на анализ, то можете выполнить и запрос Private Cloud Match.

Как добавлять и сопоставлять собственные данные

Разрешения для источника и требования к подключению

В Ads Data Hub Connections используется сервисный аккаунт, указанный в разделе Настройки > Подробности > Сервисный аккаунт (обычно service-<number>@gcp-sa-adsdatahub.iam.gserviceaccount.com). Назначьте ему следующие роли:

• Источник BigQuery: роль roles/bigquery.dataViewer (Наблюдатель данных BigQuery) для исходного набора данных или таблицы.
• Источник Cloud Storage: roles/storage.objectViewer (Storage Object Viewer) для исходного сегмента или объекта.
• Целевой набор данных для импорта собственных данных: roles/bigquery.dataEditor (Редактор данных BigQuery) в целевом наборе данных, если таблица не находится в наборе данных по умолчанию.

Требования к полям и типам данных

1. Сопоставление данных, предоставленных пользователями (UPDM):
   • Сопоставьте поле user_id и хотя бы одно поле с информацией, позволяющей идентифицировать личность (email, phone или полный адрес: first_name, last_name, country, zip_code).
   • user_id, country и zip_code – обычный текст STRING (не хешированный). Для источника BigQuery эти столбцы должны иметь тип STRING. При использовании других типов (например, INT64) подключение не будет создано. В таблице соответствий Connections преобразует user_id в BYTES. country Должен быть двухбуквенным кодом ISO 3166-1 alpha-2.
   • email, phone, first_name и last_name: HASH – должны быть хешированы с помощью алгоритма SHA-256 и закодированы в формате Base64 (также принимается 64-символьное шестнадцатеричное значение SHA-256). Connections не хеширует данные. Значения в виде обычного текста не обнаруживаются при создании подключения, и каждый запуск завершается ошибкой ... must be encoded using TO_BASE64(SHA256(...)).
   • У подключений для сопоставления данных, предоставленных пользователями, нет целевой таблицы. Все запросы UPDM в аккаунте, в том числе выполняемые вручную, записывают данные в одну и ту же таблицу соответствий, поэтому каждый последующий запрос перезаписывает результаты предыдущего. Для каждого аккаунта достаточно одного подключения к UPDM.
   • Правила для отдельных полей приведены в разделе Форматирование данных для ввода.
2. Импорт собственных данных
   • Используйте только типы данных, предлагаемые в интерфейсе: INTEGER, STRING, HASH, DOUBLE, DATE и TIMESTAMP. Другие типы BigQuery не поддерживаются.
   • Источник BigQuery. Сопоставленный тип не применяется. Каждый целевой столбец сохраняет тип исходного столбца.
   • Источник Cloud Storage. Столбцы считываются как STRING и приводятся к сопоставленному типу. Значения, которые не могут быть приведены, становятся NULL без сбоя выполнения.
   • При каждом запуске целевая таблица заменяется полностью, а не дополняется. Если в источнике нет строк, целевой диапазон будет пустым. Не используйте в качестве целевой исходную таблицу или таблицу, данные которой нужно сохранить.

Требования к столбцам CSV-файла в Cloud Storage

• Добавьте строку заголовка. Первая строка пропускается, названия столбцов не используются.
• Файл должен содержать только сопоставленные столбцы источника. Если в файле есть лишние столбцы, запустить его не удастся.
• Импорт собственных данных. Столбцы должны быть расположены в том же порядке, что и сопоставления полей.
• Сопоставление данных, предоставленных пользователями. Столбцы должны быть расположены в следующем порядке (оставьте только те поля, которые вы сопоставляете): user_id, email, phone, first_name, last_name, country, zip_code. Порядок строк сопоставления не имеет значения.
• Если порядок столбцов будет другим, система не обнаружит ошибку, но значения будут загружены в неправильные поля (или снизится коэффициент соответствия).

Поддерживаемые источники данных и ограничения на подключение

• Источники данных. Поддерживаются только источники BigQuery и Cloud Storage.
• Названия таблиц BigQuery. Для исходных и целевых таблиц BigQuery необходимо указывать полное название project.dataset.table.
• Пути к файлам Cloud Storage. Укажите URI одного файла, например gs://bucket/path/file.csv. Пути с подстановочными знаками * или ? не поддерживаются.
• Названия подключений. Каждое подключение в аккаунте должно иметь уникальное название.

Форматирование данных для ввода

Чтобы сопоставление выполнялось правильно, данные должны соответствовать следующим требованиям к форматированию:

• В описаниях полей ввода ниже указано, когда нужно использовать хеширование SHA256.
• UPDM поддерживает кодировку Base64. См. TO_BASE64.
• Поля ввода должны быть отформатированы как строки. Например, если вы используете хеш-функцию SHA256 BigQuery, примените следующее преобразование: TO_BASE64(SHA256(user_data)).

Проверка хеша и кодирование данных

Чтобы убедиться, что данные отформатированы правильно, можно использовать следующие скрипты проверки хеша.

  /**
   * @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`;

Ключи для объединения

Некоторые комбинации данных, предоставленных пользователями, эффективнее других. Ниже приведен список различных комбинаций данных, предоставленных пользователями, ранжированных по относительной надежности. Если вы используете адрес, необходимо указать имя, фамилию, страну и почтовый индекс.

1. Адрес электронной почты, номер телефона, почтовый адрес (наиболее надежный вариант)
2. Телефон, адрес
3. Адрес электронной почты, адрес
4. Электронная почта, телефон
5. Адрес
6. Телефон
7. Электронная почта (самый слабый)

Как создать таблицу соответствий

1. Нажмите add Создать > Запрос.

2. Скопируйте шаблон запроса Создание таблицы соответствий в частном облаке и вставьте его в редактор запросов. Если ваши данные не хешированы, вы можете использовать шаблон Создание таблицы соответствий в частном облаке (с хешированием).

   /* Private cloud match table generation
   Create a new match table using your first party data with this template.
   
   Parameters:
   Manually remove all the parameters tagged with @ prefix and replace them
   with column names from your first party table:
   *   @user_id
   *   @email
   *   @phone
   *   @first_name
   *   @last_name
   *   @country_code
   *   @postal_code
   
   And your BigQuery table information:
   *   @my_project: Your BigQuery project where the first party table is.
   *   @my_dataset: Your dataset where the first party table is.
   *   @my_first_party_table: Your first party table.
   */
   
   CREATE OR REPLACE TABLE adh.updm_match_table AS (
   SELECT CAST(@user_id AS BYTES) AS user_id,
         @email AS email,
         @phone AS phone,
         @first_name AS first_name,
         @last_name AS last_name,
         @country_code AS country,
         @postal_code AS zip_code
   FROM `@my_project.@my_dataset.@my_first_party_table`
   );
   

   /* Private cloud match table generation (with hashing)
   Create a new match table using your first party data with this template.
   
   Parameters:
   Manually remove all the parameters tagged with @ prefix and replace them
   with column names from your first party table:
   *   @user_id
   *   @email
   *   @phone
   *   @first_name
   *   @last_name
   *   @country_code
   *   @postal_code
   
   And your BigQuery table information:
   *   @my_project : Your BigQuery project where the first party table is.
   *   @my_dataset : Your dataset where the first party table is.
   *   @my_first_party_table : Your first party table.
   */
   
   CREATE OR REPLACE TABLE adh.updm_match_table AS (
   SELECT CAST(@user_id AS BYTES) AS user_id,
         TO_BASE64(SHA256(LOWER(@email))) AS email,
         TO_BASE64(SHA256(@phone)) AS phone,
         TO_BASE64(SHA256(LOWER(@first_name))) AS first_name,
         TO_BASE64(SHA256(LOWER(@last_name))) AS last_name,
         @country_code AS country,
         @postal_code AS zip_code
   FROM `@my_project.@my_dataset.@my_first_party_table`
   );
   

3. Замените названия параметров названиями столбцов, чтобы обеспечить правильное присвоение псевдонимов.

4. Нажмите Сохранить.

5. Нажмите Выполнить. Чтобы обновить таблицу сопоставления, необходимо выполнить этот запрос вручную. При каждом запуске текущая таблица соответствия будет перезаписываться.

Перенос существующих подключений

Существующие подключения на вкладке Подключения переносятся в обновленный интерфейс, встроенный непосредственно в Ads Data Hub. Обновленные подключения считывают источники и записывают целевые объекты, используя сервисный аккаунт, указанный в разделе Настройки > Подробности > Сервисный аккаунт (обычно service-<number>@gcp-sa-adsdatahub.iam.gserviceaccount.com), а не устаревшие сервисные аккаунты Data Fusion, Dataproc и UPDM.

Прежде чем подключения будут перенесены, выполните следующие задачи:

1. Предоставьте разрешения сервисному аккаунту. Предоставьте сервисному аккаунту, указанному в разделе Настройки > Сведения > Сервисный аккаунт (обычно service-<number>@gcp-sa-adsdatahub.iam.gserviceaccount.com), необходимые роли источника и назначения (roles/bigquery.dataViewer, roles/storage.objectViewer и roles/bigquery.dataEditor в наборах данных назначения, не используемых по умолчанию). Подключения с нечитаемыми, удаленными или измененными источниками все равно могут быть перенесены (особенно источники Cloud Storage, которые не проверяются во время переноса), но запуски будут завершаться ошибкой, пока вы не предоставите доступ или не исправите источник.
2. Преобразуйте неподдерживаемые подключения. Подключения со следующими конфигурациями не будут перенесены. Преобразуйте их в поддерживаемые подключения BigQuery или Cloud Storage:
   • Другие источники данных (Amazon S3, Snowflake, MySQL, PostgreSQL, Amazon Redshift, sFTP или Salesforce). Сначала разместите данные в BigQuery или Cloud Storage, а затем создайте подключение к BigQuery или Cloud Storage.
   • Неподдерживаемые сопоставления полей или типы данных. Обновите или заново создайте подключение, чтобы оно соответствовало требованиям к полям и типам данных.
   • Пути с подстановочными знаками в Cloud Storage (* или ?). Замените URI с подстановочным знаком на URI одного файла или сначала загрузите файлы в BigQuery.
   • Повторяющиеся названия подключений. Переименуйте или удалите повторяющиеся подключения, чтобы у каждого подключения в аккаунте было уникальное название.
3. Удалите неиспользуемые подключения. Удалите устаревшие подключения, которые вам больше не нужны.

Запросить сопоставленные данные

Как отправлять запросы к таблицам соответствий

Вы можете запрашивать данные из таблиц, объем данных в которых соответствует нашим требованиям к защите конфиденциальности.

Исходная таблица для собственных данных (1PD) представлена как my_data. Это касается как информации, позволяющей идентифицировать личность, так и других данных. Использование исходной таблицы может улучшить ваши отчеты, поскольку она содержит все собственные данные, в отличие от таблицы соответствий.

В схеме Ads Data Hub каждой таблице, содержащей поле user_id, сопутствует таблица сопоставления. Например, для таблицы adh.google_ads_impressions Ads Data Hub создает таблицу соответствий adh.google_ads_impressions_updm, которая содержит идентификаторы пользователей. Для таблиц, которые должны быть изолированы в соответствии с действующими правилами, создаются отдельные таблицы соответствий. Например, для таблицы adh.google_ads_impressions_policy_isolated_network Ads Data Hub создает таблицу соответствий adh.google_ads_impressions_policy_isolated_network_updm, содержащую ваши идентификаторы пользователей.

Эти таблицы содержат подмножество пользователей, доступных в исходных таблицах, для которых есть сопоставление по user_id. Например, если в исходной таблице содержатся данные о пользователе А и пользователе Б, но был сопоставлен только пользователь А, то пользователям Б не будет в таблице соответствий.

Таблицы соответствий содержат дополнительный столбец "customer_data_user_id" формата BYTES, в котором хранятся идентификаторы пользователей.

Составляя запросы, учитывайте тип поля. Операторы сравнения SQL подразумевают, что вы сравниваете литералы одного типа. В зависимости от того, в каком виде user_id сохраняется в вашей таблице собственных данных, может понадобиться закодировать все значения в таблице, прежде чем сравнивать их. Для успешного сопоставления ключ соединения необходимо привести к формату BYTES.

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

Также имейте в виду, что при сравнении строк в SQL учитывается регистр, поэтому для корректного сопоставления данных может быть необходимо закодировать все строки.

Примеры запросов

Подсчет подходящих пользователей

Этот запрос подсчитывает количество сопоставленных пользователей в таблице показов Google Рекламы.

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

SELECT COUNT(DISTINCT user_id)
FROM adh.google_ads_impressions_updm

Как рассчитать коэффициент соответствия

Не все пользователи подходят для сопоставления. Например, пользователи, не вошедшие в аккаунт, дети и пользователи, не предоставившие согласие, не сопоставляются с помощью UPDM. Поле is_updm_eligible позволяет точнее рассчитывать коэффициент соответствия при сопоставлении данных, предоставленных пользователями. Обратите внимание, что поле is_updm_eligible доступно с 1 октября 2024 г. Вы не можете использовать это поле для расчета коэффициентов соответствия до этой даты.

/* 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)

Как объединить собственные данные и данные Google Рекламы

В этом запросе показано, как объединить собственные данные с данными Google Рекламы:

/* 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

Часто задаваемые вопросы о данных, предоставленных пользователями

Ответы на часто задаваемые вопросы о сопоставлении данных, предоставленных пользователями, можно найти в Справочном центре.