Analisis Lintas Media & Produk yang Terhubung

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

Dengan akselerator Media Lintas ini, Framework Data Cortex diperkaya dengan kumpulan 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 lintas media.

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 dari 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 mendalam dengan detail kemasan (misalnya, Coca Cola dalam botol kaca atau kaleng, dikemas satu per satu atau dalam batch). Beberapa sistem, seperti SAP, memiliki batas kedalamannya sendiri. 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 pembaruan inkremental 7
VertexAI.region Region Vertex AI (dengan asumsi project sumber untuk Vertex AI API). Bucket harus berada di lokasi yang sama dengan BigQuery dan tidak boleh berupa multi-region. Jika BigQuery berada di multi-region, setiap region 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, bukan multi-region. CORTEX_VERTEX_AI_PROCESSING

Model Data

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

Diagram Hubungan Entity untuk Media Lintas

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

Men-deploy Lintas Media

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

  2. Konfigurasikan satu atau beberapa sumber data Pemasaran berikut untuk deployment, dengan mengikuti panduannya sendiri:

    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. Konfigurasikan 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 untuk memulai deployment.

Menjalankan DAG

  1. Siapkan lingkungan Airflow Cloud Composer sesuai kebutuhan. Pastikan koneksi k9_reporting dikonfigurasi dengan benar.
  2. Muat data ke dalam tabel Konversi Mata Uang dan Hierarki Produk.
  3. Jalankan DAG cross_media. Ada dua ragam: "Pembaruan penuh" atau "Pembaruan inkremental". Gunakan salah satu yang sesuai dengan kasus penggunaan Anda.

Masalah umum

Jika tabel Konversi Mata Uang tidak diisi, kolom TotalCostInTargetCurrency 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?