نگــــــــار پـــورجــــــــــواد

دیجیتال مارکتر : فعال در سئو ، پرفورمنس مارکتینگ و بازاریابی محتوا

من تا کنون تجربه نصب و راه اندازی 10 ها پراپرتی آنالیتیکس 4 برای بیزینس‌های مختلف با شرایط متنوع را داشته‌ام. بیزینس‌هایی که همگی با موفقیت و به راحتی از اطلاعات آنالیتیکس یونیورسال خود بک آپ گرفته و به آنالیتیکس 4 مهاجرت کرده‌اند. بیزینس‌هایی که من تجربه همکاری با آنها را داشته‌ام، در زمینه‌های مختلف از جمله پزشکی، حسابداری، مهاجرت و… فعالیت داشته‌اند. درواقع من نصب و راه اندازی آنالیتیکس بیزینس‌های متنوعی را داشته‌ام؛ بنابراین چالش‌های جدیدی وجود ندارد که من قبل از این با آنها روبه‌رو نشده باشم.

آموزش بیگ کوئری

آموزش بیگ کوئری (BigQuery)

هزینه ذخیره سازی و پردازش داده در بیگ کوئری چقدر است؟

با توجه به اینکه هزینه Google BigQuery کاملا بر اساس میزان مصرف شما محاسبه می‌شود، در هنگام برآورد هزینه‌ها، عمدتا فقط سه جنبه اصلی در مورد ذخیره سازی داده‌های BigQuery خود باید در نظر بگیرید: ذخیره سازی داده (Storage Data)، ذخیره سازی بلندمدت داده (Long Term Storage Data) و پردازش کوئری (Query Data Usage). صفحه رسمی هزینه بیگ کوئری شامل جزئیات و اطلاعات مفید بسیار بیشتری است که حتما باید آن را بررسی کنید، در این راهنما به طور خلاصه هر یک از این سه عنصر قیمت گذاری را برای برآورد هزینه های ماهانه خود بررسی خواهیم کرد.

برای خرید دوره 9 ساعته آموزش بیگ کوئری، روی لینک کلیک کنید و فرم موجود را تکمیل کنید. در سریع ترین زمان ممکن به شما تماس میگیرم 🙂

تاثیر هزینه ذخیره سازی بر قیمت استفاده از BigQuery

هزینه‌های ذخیره سازی معمولا به صورت ماهانه برای داده‌هایی که در جداول یا پارتیشن‌های BigQuery ذخیره شده‌اند و فعال هستند، محاسبه می‌شود. منظور از داده‌های فعال، داده‌هایی است که در 90 روز گذشته تغییر کرده‌اند. اگر در 90 روز گذشته هیچ تغییری در جداول یا پارتیشن‌های BigQuery خود ایجاد نکرده‌اید، میتوانید با کاهش 50 درصدی هزینه ها، همچنان داده های خود را در انبار داده بیگ کوئری داشته باشید.

هنگام استفاده از API های ذخیره سازی BigQuery، بسته به حجم داده‌های ورودی ممکن است نیاز به پرداخت هزینه باشد. در این صورت هزینه هر 200 مگابایت داده ورودی که با موفقیت در بیگ کوئری ذخیره می شود، 0.01 دلار است.

تاثیر هزینه کوئری بر قیمت هزینه استفاده از بیگ کوئری

در حالت قیمت گذاری بر اساس میزان مصرف (On-Demand Pricing)، هزینه بر اساس حجم داده پردازش شده کوئری‌هایتان محاسبه می‌شود. برای کوئری‌های ناموفق یا کوئری‌هایی که از حافظه کش بارگذاری شده‌اند، هزینه پرداخت نمی‌کنید. علاوه بر این، اولین 1 ترابایت داده کوئری پردازش شده در هر ماه رایگان است. همچنین، قیمت‌ها بر اساس منطقه جغرافیایی که هنگام ساخت پروژه در بیگ کوئری تعیین کرده اید، متفاوت است.

به عنوان مثال، انتخاب بمبئی (asia-south1) به عنوان مکان ذخیره سازی 0.023 دلار به ازای هر گیگابایت هزینه از شما دریافت میکند، در حالی که با انتخاب ایالات متحده (چند منطقه ای) (ایالات متحده) یا اتحادیه اروپا (چند منطقه) (اروپا) 0.02 دلار به ازای هر گیگابایت باید هزینه پرداخت کنید.

در حالت قیمت گذاری با نرخ ثابت (Flat-Rate Pricing)، بدون توجه به حجم داده پردازش شده توسط کوئری‌هایتان، هزینه ثابتی را پرداخت می‌کنید. این گزینه قیمتی برای مشتریانی ایده‌آل است که به هزینه ماهانه قابل پیش بینی با بودجه مشخص نیاز دارند. برای بهره مندی از قیمت گذاری با نرخ ثابت، باید اسلات‌های BigQuery را خریداری کنید که در ادامه به بررسی آن خواهیم پرداخت.

هزینه ذخیره سازی داده در بیگ کوئری چقدر است؟

هزینه ذخیره سازی به فضایی که برای نگهداری اطلاعات خود در BigQuery نیاز دارید اشاره دارد. شما برای هر دو نوع ذخیره سازی فعال و بلندمدت هزینه پرداخت می کنید.

ذخیره سازی فعال: هر جدول یا پارتیشنی از یک جدول که در 90 روز گذشته به روز شده باشد، ذخیره سازی فعال در نظر گرفته می شود. در حال حاضر، BigQuery برای ذخیره سازی فعال، هزینه ماهانه ثابتی معادل 0.02 دلار به ازای هر گیبی بایت در ماه دریافت می کند. هزینه ذخیره سازی فیزیکی فعال نیز 0.04 دلار به ازای هر گیگابایت در ماه است. 10 گیبی بایت اولیه هر ماه رایگان است. بنابراین، اگر یک جدول 200 گیبی بایتی را برای یک ماه نگه داریم، هزینه آن (200 * 0.02) = 4 دلار خواهد بود.

توجه: با احتساب 10 گیگابایت رایگان هر ماه، کاربر با 4 دلار مجموعا 210 گیگابایت دریافت خواهد کرد.

برای مثال، ذخیره سازی بلندمدت یک جدول 200 گیبی بایتی برای یک ماه (200 * 0.01) = 2 دلار هزینه خواهد داشت. اگر جدول به روز شود، به ذخیره سازی فعال تبدیل می شود و دوره 90 روزه مجددا از ابتدا شروع می شود.

ذخیره سازی بلندمدت: هر جدول یا پارتیشنی از یک جدول که در 90 روز گذشته به روز نشده باشد، ذخیره سازی بلندمدت در نظر گرفته می شود. پس از 90 روز، قیمت داده های ذخیره سازی 50 درصد کاهش می یابد. هزینه ذخیره سازی منطقی بلندمدت 0.01 دلار به ازای هر گیگابایت در ماه است. هزینه ذخیره سازی فیزیکی بلندمدت، بیشتر بوده و 0.02 دلار به ازای هر گیگابایت در ماه است. 10 گیگابایت اولیه هر ماه رایگان است.برای مثال، ذخیره سازی بلندمدت یک جدول 200 گیبی بایتی برای یک ماه (200 * 0.01) = 2 دلار هزینه خواهد داشت. اگر جدول به روز شود، به ذخیره سازی فعال تبدیل می شود و دوره 90 روزه مجددا از ابتدا شروع می شود.

1 گیبی بایت (gibibyte) معادل 1.1 گیگابایت (gigabyte)

عملکرد، پایداری داده و دسترسی در هر دو نوع ذخیره سازی فعال و بلندمدت یکسان است.

هزینه BigQuery به ازای هر ۱ ترابایت

حجم داده‌های ذخیره شده و داده‌های پردازش شده توسط کوئری‌های شما بر حسب گیبی‌بایت (GiB) اندازه‌گیری می‌شود. اگر هزینه هر گیگابایت فضای ذخیره‌سازی ۰.۰۲ دلار باشد و ۱ ترابایت تقریباً معادل ۱,۰۰۰ گیگابایت (۹۳۱.۳۲۳) باشد، در این صورت هزینه ۱ ترابایت ۲۰ دلار خواهد بود.

برای محاسبه هزینه ۵ ترابایت، به سادگی مقدار داده را در ۱۰۰۰ (برای تبدیل به گیبی‌بایت) ضرب می‌کنیم، سپس حاصل را در ۰.۰۲ دلار به ازای هر گیگابایت ضرب می‌کنیم.

۵ ترابایت * ۱۰۰۰ = ۵,۰۰۰ گیبی‌بایت

۵,۰۰۰ گیبی‌بایت * ۰.۰۲ دلار = ۱۰۰ دلار

حجم ذخیره سازی أنواع داده در بیگ کوئری

همانطور که گفته شد، هزینه بر اساس میزان داده ای که در BigQuery قرار می دهید محاسبه می شود. برای تعیین حجم کل داده های خود، باید بدانید که حجم أنواع داده ای که در بیگ کوئری ذخیره می شود، داده چقدر است..در ادامه حجم انواع داده های موجود در BigQuery آورده شده است:

نوع داده	اندازه
INT64	8 بایت
FLOAT	8 بایت
NUMERIC	16 بایت
Bool	1 بایت
STRING	2 بایت
Date	8 بایت
Datetime	8 بایت
Time	8 بایت
Timestamp	8 بایت
Interval	16 بایت

جدول هزینه ذخیره داده به ازای هر 1 گیگابایت در بیگ کوئری

نوع ذخیره سازی	قیمت	سطح رایگان
ذخیره سازی منطقی فعال	0.02 دلار به ازای هر گیگابایت	10 گیگابایت اول هر ماه رایگان است
ذخیره سازی فیزیکی فعال	0.04 دلار به ازای هر گیگابایت	10 گیگابایت اول هر ماه رایگان است
ذخیره سازی منطقی بلندمدت	0.01 دلار به ازای هر گیگابایت	10 گیگابایت اول هر ماه رایگان است
ذخیره سازی فیزیکی بلندمدت	0.02 دلار به ازای هر گیگابایت	10 گیگابایت اول هر ماه رایگان است

تحلیل ساختار قیمت گذاری کوئری در Google BigQuery

در BigQuery، از قیمت گذاری تحلیلی برای محاسبه هزینه اجرای کوئری‌ها (شامل کوئری‌های SQL، توابع تعریف‌شده توسط کاربر و اسکریپت‌ها) و همچنین قیمت گذاری ذخیره‌سازی برای محاسبه هزینه ذخیره داده‌هایی که در BigQuery بارگذاری می‌کنید، استفاده میشود.

BigQuery دو مدل قیمت‌گذاری مجزا برای انتخاب کاربران هنگام اجرای کوئری ارائه می‌دهد. این مدل های قیمتی به شرح زیر هستند:

قیمت گذاری بر اساس تقاضا (On-demand pricing)

در قیمت‌گذاری بر اساس تقاضا، شما بر اساس اندازه هر کوئری و تعداد بایت‌هایی که توسط هر کوئری مدیریت می‌شود، هزینه پرداخت می‌کنید. در صورت عدم اجرای کوئری، هیچ هزینه‌ای از شما دریافت نمی‌شود. برای تمام کاربران، اولین ترابایت داده کوئری پردازش شده در هر ماه رایگان ارایه می‌شود.

قیمت گذاری با نرخ ثابت (Flat-rate pricing)

با رویکرد قیمت‌گذاری با نرخ ثابت، صرف نظر از حجم داده‌هایی که کوئری‌های شما اشغال می‌کنند، هزینه ثابتی را پرداخت می‌کنید. این بهترین انتخاب قیمت گذاری برای کاربرانی است که یک هزینه ماهانه ثابت را در محدودیت هزینه تعیین شده می‌خواهند. دسترسی کاربران به قیمت گذاری با نرخ ثابت با خرید اسلات‌های BigQuery، که اساسا CPUهای مجازی مورد استفاده BigQuery برای اجرای کوئری‌های SQL هستند، امکان پذیر است. ظرفیت اسلات اختصاصی که خریداری می‌کنید، میزان قدرت پردازش اختصاص‌یافته برای تمام کوئری‌های شما در هر زمان خاص را تعیین می‌کند، نه برای هر کوئری به صورت جداگانه. اگر درخواست‌های شما از ظرفیت اختصاصی شما فراتر رود، BigQuery واحدهای کاری را به صف انتظار می‌فرستد و منتظر می‌شود تا اسلات‌ها در دسترس قرار گیرند.با پیشرفت پردازش کوئری و در دسترس قرار گرفتن اسلات‌ها، واحدهای کاری صف انتظار به صورت پویا برای اجرا انتخاب می‌شوند و هیچ هزینه اضافی دریافت نمی‌شود.

اسلات‌ها در هر دو قیمت گذاری بر اساس تقاضا و با نرخ ثابت استفاده می‌شوند، اما رویکرد با نرخ ثابت کنترل خاصی بر اسلات‌ها و ظرفیت تجزیه و تحلیل به شما ارائه می‌دهد. به عنوان مثال، در قیمت گذاری با نرخ ثابت، می‌توانید انتخاب کنید که اسلات‌ها را برای موارد زیر رزرو کنید:

۶۰ ثانیه: اسلات‌های انعطاف‌پذیر
ماهانه: ۳۰ روز
سالانه: ۳۶۵ روز

شما همیشه می‌توانید این دو مدل را برای برآورده کردن نیازهای خاص خود ترکیب کنید. با قیمت گذاری بر اساس تقاضا، هزینه آنچه مصرف می‌کنید را پرداخت می‌کنید، در حالی که با قیمت گذاری با نرخ ثابت، در ازای یک برنامه بلندمدت، ظرفیت تضمین شده‌ای را با هزینه کمتری دریافت می‌کنید.

چه عواملی بر هزینه ذخیره داده در بیگ کوئری تاثیر میگذارند؟

هنگام استفاده از BigQuery با GA4، سه نوع هزینه اصلی وجود دارد که ممکن است متحمل شوید: ذخیره سازی، محاسبات و دریافت داده. این ابزار محاسبه بر ارائه تخمین هزینه ذخیره سازی به شما تمرکز دارد، که جزء کلیدی هزینه کلی BigQuery شما خواهد بود.

هزینه ای که برای ذخیره سازی پرداخت می کنید به میزان داده، مدت زمان ذخیره سازی و مکان ذخیره سازی بستگی دارد. 10 گیگابایت اول ذخیره شده در هر ماه رایگان است، بنابراین بسیاری از سایت های کوچک ممکن است اصلاً هزینه ای پرداخت نکنند.

برای مناطق ایالات متحده (ایالات متحده) و اروپا (اتحادیه اروپا) هر گونه داده ای بالاتر از 10 گیگابایت برای هر گیگابایت در ماه برای ذخیره سازی فعال (هر جدولی که در 90 روز گذشته اصلاح شده است) 0.02 دلار یا برای ذخیره سازی بلندمدت (هر جدولی که برای بیش از 90 روز اصلاح نشده است) 0.01 دلار در ماه محاسبه می شود. ممکن است سایر مناطق قیمت گذاری کمی متفاوتی داشته باشند، به عنوان مثال برای منطقه لندن (اروپا-غرب2) قیمت 0.023 دلار در هر گیگابایت در ماه برای فعال و 0.016 دلار در هر گیگابایت در ماه برای ذخیره سازی بلندمدت است. برای مشاهده قیمت فعلی هر منطقه می توانید به اینجا: BigQuery Pricing مراجعه کنید.

میزان داده ای که در BigQuery ذخیره می کنید به تعداد ایونت هایی که توسط پراپرتی GA4 شما جمع آوری می شود و میزان داده ای که با آن ایونت ها جمع آوری می شود بستگی دارد. اگر با هر ایونت پارامترهای زیادی ارسال می‌کنید یا ایونت های ایکامرسی را با تعداد زیادی آیتم در هر رویداد جمع‌آوری می‌کنید، جداول شما بسیار بزرگتر از سایتی خواهند بود که فقط تنظیمات پیاده سازی آنالیتیکس 4 را انجام داده است.

گوگل تخمین می زند که 1 گیگابایت تقریباً معادل 600 هزار رویداد است، اما در بین پراپرتی های مختلف، این رقم از 800 هزار تا 1.6 میلیون متغیر است.

چگونه با استفاده از ماشین حساب هزینه BigQuery، هزینه‌های خود را برآورد کنیم؟

قیمت‌گذاری بر اساس تقاضا (On-demand Pricing)

به صفحه اصلی کنسول BigQuery خود بروید.
هنگام وارد کردن یک کوئری، اعتبارسنج کوئری (علامت تیک سبز) آن را تأیید می‌کند و تخمین می‌زند که چند بایت پردازش کند.

همانطور که در تصویر مشاهده می‌کنید، این کوئری برای اجرا تقریباً 10.07 MB فضا برای پردازش نیاز دارد.

گام بعدی دسترسی به ماشین حساب قیمت‌گذاری GCP است. BigQuery را به عنوان محصول خود و قیمت‌گذاری بر اساس تقاضا را به عنوان روش قیمت‌گذاری خود انتخاب کنید. فرم موجود در صفحه را با تمام اطلاعات لازم، همانطور که در تصویر نشان داده شده است، تکمیل کنید.

اگر هنوز ۱ ترابایت رایگان ماهانه خود را تمام نکرده باشید، هزینه اجرای کوئری صفر است. با این حال، اگر نیاز دارید این کوئری را هر روز برای ماه آینده اجرا کنید؛ قطعا مقدار پردازش رایگان هر ماه را رد خواهید کرد و باید هزینه پرداخت کنید. برای محاسبه این هزینه باید مقدار مورد نیاز برای پردازش کوئری را در 30 ضرب کنید.

چگونه هزینه ذخیره سازی و اجرای کوئری در BigQuery را برآورد کنیم؟

برای محاسبه هزینه ذخیره سازی و اجرای کوئری در BigQuery، ابتدا باید اطلاعات لازم برای تخمین هزینه ها را جمع آوری کنیم:

تعداد کاربران (Number of Users)
تعداد کوئری در روز (Number of Queries)
میانگین حجم دیتای مصرفی (Average Data Usage)

به عنوان مثال، فرض کنید 10 کاربر در روز از دیتایی که از آنالیتیکس به بیگ کوئری انتقال داده شده است، استفاده میکنند. به طوری که هر کاربر روزانه پنج کوئری با میانگین مصرف داده 2 گیگابایت برای هر کوئری اجرا می کند. ما هزینه را بر اساس ماه (فرض می کنیم 30 روز) محاسبه می کنیم.

با استفاده از این پارامترها، می توانیم با یک محاسبه ساده، هزینه ماهانه متوسط خود را با BigQuery تخمین بزنیم.

کل حجم کوئری دیتا در ماه:

10 کاربر در روز * 5 کوئری در روز * 2 گیگابایت در کوئری * 30 روز = 3000 گیگابایت = 3 ترابایت

محاسبه هزینه ذخیره سازی BigQuery:

در زمان نگارش این متن، هزینه ذخیره سازی برای 1 ترابایت داده حدود 20 دلار است (قیمت دقیق بستگی به منطقه انتخابی شما دارد). بنابراین، برای به دست آوردن هزینه ذخیره سازی در هر ماه، به سادگی 3 ترابایت را در 20 دلار ضرب می کنیم.

3 ترابایت * 20 دلار در هر ترابایت = 60 دلار

محاسبه هزینه اجرای کوئری بر اساس میزان مصرف (On-Demand):

با استفاده از همان داده های کوئری، قیمت پردازش 1 ترابایت داده 5 دلار است. بنابراین، برای به دست آوردن هزینه اجرای کوئری بر اساس میزان مصرف در هر ماه، به سادگی 3 ترابایت را در 5 دلار ضرب می کنیم.

3 ترابایت * 5 دلار در هر ترابایت = 15 دلار

این قیمت ممکن است کاهش یابد، به شرطی که از 1 ترابایت فضای ذخیره سازی رایگان ماهانه خود استفاده نکرده باشید.

هزینه پردازش 1 ترابایت داده در BigQuery چقدر است؟

برای قیمت گذاری بر اساس میزان مصرف (On-Demand)، هزینه پردازش 1 ترابایت داده 6.25 دلار است.

هزینه اجرای یک کوئری 12 گیگابایتی در BigQuery چقدر است؟

12 گیگابایت تقریباً معادل 0.01288 ترابایت است. از آنجایی که هزینه پردازش 1 ترابایت 6.25 دلار است، هزینه اجرای یک کوئری 12 گیگابایتی به شرح زیر محاسبه می شود:

6.25 دلار در هر ترابایت * 0.01288 ترابایت = 0.08 دلار

هزینه اجرای یک کوئری 100 گیگابایتی در BigQuery چقدر است؟

100 گیگابایت تقریباً معادل 0.107 ترابایت است. برای محاسبه هزینه اجرای یک کوئری 100 گیگابایتی، محاسبه زیر را انجام می دهیم:

6.25 دلار در هر ترابایت * 0.107 ترابایت = 0.66 دلار

آیا استفاده از ویوها (Views) در BigQuery هزینه اضافی دارد؟

خیر. جداول مجازی (Virtual Tables) با استفاده از کوئری های SQL به عنوان ویو تعریف می شوند. به همان روشی که می توانید روی یک کوئری بزنید، می توانید همین کار را با ویوها نیز انجام دهید. ویوها ممکن است فقط داده هایی را از جداول و فیلدهایی ارائه دهند که توسط کاربر هنگام اجرای کوئری درخواست می شود. بنابراین افزودن یا حذف یک ویو هیچ هزینه ای ندارد.

بهینه سازی هزینه BigQuery

به عنوان یک متخصص پرفورمنس مارکتینگ، بهینه سازی هزینه در BigQuery اهمیت زیادی دارد. فرقی نمی کند که داده های خود را از طریق آنالیتیکس 4 یا از Google Sheets وارد BigQuery کنید، رعایت برخی نکات برای بهینه سازی هزینه در BigQuery ضروری است. این موارد عبارتند از:

*استفاده بهینه از عبارت SELECT : در کوئری های خود از عبارت SELECT * کمتر استفاده کنید و فقط اطلاعات مورد نیاز خود را درخواست نمایید.
استفاده از قابلیت پیش نمایش BigQuery: هنگامی که می خواهید نمونه کوچکی از داده های خود را ببینید، به جای اجرای یک کوئری برای مشاهده بخش کوچکی از داده ها، از قابلیت پیش نمایش BigQuery استفاده کنید.
بررسی هزینه ها قبل از اجرا: قبل از اجرای هر کوئری یا فعالیت ذخیره سازی، با استفاده از ابزار محاسبه گر قیمت GCP (Google Cloud Platform Price Calculator)، هزینه های مرتبط را بررسی کنید.
تقسیم کوئری به بخش های کوچکتر: اگر قصد دارید روی یک مجموعه داده بزرگ پرس و جو انجام دهید، کوئری خود را به بخش های کوچکتر تقسیم کنید. اجرای تک تک کوئری های کوچکتر بهتر است. این کار باعث کاهش حجم داده هایی که باید خوانده شوند و در نتیجه صرفه جویی در هزینه می شود.

آموزش بیگ کوئری (BigQuery), آموزش گوگل ادز

اتصال گوگل ادز به بیگ کوئری

گوگل ادز یکی از ابزارهای تبلیغاتی محبوب است که توسط بیزینسهای کوچک تا بزرگ برای تبلیغ محصولات و خدمات استفاده می شود. اما گوگل ادز نمی تواند اطلاعات زیادی در مورد کمپین های تبلیغاتی شما ارائه دهد. بنابراین، شما باید داده های خود را از گوگل ادز به بیگ کوئری، یک انبار داده ابری کاملا مدیریت شده و نسبتا کم هزینه، منتقل کنید. با انتقال داده های خود از گوگل ادز به بیگ کوئری، می توانید چندین تحلیل داده انجام دهید تا اطلاعات مفید دوره ای یا زمان واقعی برای بهینه سازی کمپین های خود بدست اورید. در این راهنما، ما به قدم فرآیند انتقال داده های گوگل ادز به بیگ کوئری را با استفاده از چند روش ساده بررسی خواهیم کرد.

مقدمه‌ای بر گوگل ادز

گوگل ادز یکی از پلتفرم‌های تبلیغات آنلاین پرکاربرد است که به شما امکان می‌دهد تا خدمات و محصولات خود را تبلیغ کنید. این پلتفرم گزینه‌های متنوعی برای هدف‌گیری مخاطبان دارد تا آگهی‌های محصول یا خدمات توسط مخاطبین مرتبط در زمان درست مشاهده ‌شوند. شما می‌توانید از گوگل ادز برای نمایش تبلیغات از طریق تصاویر، تماس تلفنی، متن و ویدئو، بسته به کمپین تبلیغاتی و هدف خود استفاده کنید. برای بهبود عملکرد، گوگل ادز از قابلیت تبلیغات ریسپانسیو و از دستگاه‌های مختلف مانند دسکتاپ، موبایل، تلویزیون و غیره پشتیبانی می‌کنند.

علاوه بر این، گوگل ادز ابزارهای جامع تحلیلی و گزارش‌دهی ارائه می‌دهد که اطلاعات مفیدی در مورد عملکرد کمپین‌های تبلیغاتی در اختیارتان قرار می‌دهد. برای سنجش اثربخشی کمپین‌های تبلیغاتی خود، می‌توانید معیارهایی مانند دسترسی، نرخ کلیک‌ها (CTR)، نرخ تبدیل و بازگشت سرمایه (ROI) را ردیابی کنید. همچنین این فرصت را در اختیار شما قرار میدهد که با دقت بودجه خود را کنترل کنید و حداکثر بودجه روزانه یا ماهانه را برای مدیریت موثر هزینه‌های تبلیغاتی خود تعیین کنید.

مقدمه‌ای بر بیگ کوئری

گوگل بیگ کوئری، یک انبار داده‌های بدون سرور و پلتفرم تحلیلی است که توسط گوگل کلود ارائه می‌شود. بیگ کوئری به عنوان یک انبار داده‌های آماده، امکان ذخیره‌سازی و استخراج گزارش های کاربردی از مجموعه داده‌های بزرگ (بیگ دیتا) را برای بیزینس های مختلف در هر مقیاسی فراهم می‌آورد. برای مدیریت و تحلیل داده‌ها، بیگ کوئری از زبان SQL پشتیبانی می‌کند که این امر برای طیف وسیعی از متخصصان، فرآیند کار را بدون درز می‌کند.

علاوه بر این، به عنوان بخشی از گوگل کلود، بیگ کوئری به راحتی با سایر خدمات گوگل کلود مانند گوگل کلود استوریج، گوگل شیتس و گوگل دیتا استودیو یکپارچه می‌شود. این یکپارچگی، جذب سریع داده‌ها، ذخیره‌سازی و تجسم آن‌ها را فراهم می‌کند و یک اکوسیستم تحلیلی جامع را ارائه می‌دهد.

بیگ کوئری همچنین با پشتیبانی از تحلیل داده‌های زمان واقعی از طریق جذب داده‌های جاری، به شما کمک می‌کند تا بینش‌های لحظه‌ای را به دست آورید و تصمیمات مبتنی بر داده را به سرعت اتخاذ کنید.

روش های اتصال گوگل ادز به بیگ کوئری

روش‌های متنوعی برای ادغام داده‌های گوگل ادز با بیگ کوئری گوگل وجود دارد. در ادامه برخی از رایج‌ترین روش‌های استفاده شده برای انتقال داده‌ها از گوگل ادز به بیگ کوئری را به شما عزیزان آموزش میدهیم.

روش ۱: بارگذاری دستی داده‌ها از گوگل ادز به بیگ کوئری با استفاده از فایل‌های CSV . این روش شامل استخراج داده‌ها از گوگل ادز به صورت فایل CSV و سپس بارگذاری آنها در بیگ کوئری است. این فرآیند می‌تواند به صورت دستی انجام شود و یک روش مستقیم برای اتصال گوگل ادز به بیگ کوئری است.
روش ۲: بارگذاری داده‌ها از گوگل ادز به بیگ کوئری با استفاده از سرویس انتقال داده بیگ کوئری. سرویس انتقال داده بیگ کوئری گوگل امکان اتوماتیک کردن فرآیند انتقال داده‌ها را فراهم می‌آورد. این روش به کاربران اجازه می‌دهد تا داده‌ها را به صورت خودکار و بدون دخالت دستی از گوگل ادز به بیگ کوئری منتقل کنند.

بارگذاری دستی داده‌ها از گوگل ادز به بیگ کوئری با استفاده از فایل‌های CSV

اگر به دنبال روشی فوری برای انتقال داده‌ها از گوگل ادز به بیگ کوئری هستید، استفاده از فایل‌های CSV گزینه مناسبی است. تنها کاری که لازم است انجام دهید، خروجی گرفتن از داده‌های گوگل ادز به صورت فایل‌های CSV و سپس بارگذاری این فایل‌ها در بیگ کوئری است.

مرحله 1: وارد حساب گوگل ادز خود شوید و از گزارش تبلیغات یا کمپینی که می‌خواهید تحلیل کنید، خروجی بگیرید. می‌توانید این گزارش را با تنظیم بخش‌ها، فیلدها، تاریخ و زمانی که می‌خواهید در فایل CSV خود خروجی بگیرید، سفارشی سازی کنید.

مرحله 2: پس از انتخاب گزارش مورد نظر، روی دکمه دانلود واقع در سمت راست صفحه کلیک کنید. یک پنجره بازشو ظاهر می‌شود، فرمت فایل را به عنوان CSV برای دانلود فایل انتخاب کنید.

مرحله 3: حالا، فایل CSV شما آماده بارگذاری در انبار داده‌های بیگ کوئری است. پیش از بارگذاری داده‌ها در بیگ کوئری، مطمئن شوید که یک دیتاست بیگ کوئری برای ذخیره داده‌های خود دارید. سپس، می‌توانید داده‌های CSV را در یک جدول بیگ کوئری جدید بارگذاری کنید.

هر چند این روند به طور کلی ساده است، اما با محدودیت‌های تاخیر و آسیب‌پذیری به خطاها همراه است.

بارگذاری گوگل ادز به بیگ کوئری با استفاده از سرویس انتقال داده‌های بیگ کوئری

روش دیگر برای انتقال اطلاعات گوگل ادز به بیگ کوئری، استفاده از سرویس انتقال داده‌های بیگ کوئری است. این سرویس به طور خودکار زمان‌بندی، بارگذاری، و مدیریت داده‌های مورد نیاز از گوگل ادز به جداول بیگ کوئری شما را به طور منظم انجام می‌دهد. قبل از انتقال گوگل ادز به بیگ کوئری، اطمینان حاصل کنید که دارای دسترسی های زیر هستید:

دسترسی ادمین در بیگ کوئری.
دسترسی حداقل read در حساب گوگل ادز.
فعال کردن سرویس انتقال داده‌های بیگ کوئری.

شما می‌توانید اطلاعات گوگل ادز را به بیگ کوئری با استفاده از سرویس انتقال داده‌ها به چهار روش منتقل کنید:

کنسول گوگل کلود
ابزار خط فرمان bq
API سرویس انتقال داده‌ها
زبان برنامه‌نویسی جاوا

در این روش، ما از کنسول گوگل کلود برای انتقال داده‌ها از گوگل ادز به بیگ کوئری استفاده خواهیم کرد.

گام 1: وارد پلتفرم گوگل کلود شوید و صفحه بیگ کوئری را باز کنید.

بارگذاری گوگل ادز به بیگ کوئری با استفاده از سرویس انتقال داده‌های بیگ کوئری

گام 2: روی گزینه انتقال داده‌ها در سمت چپ پنل کلیک کنید.

گام 3: حالا روی گزینه Creat a Transfer کلیک کنید.

به صفحه ایجاد انتقال هدایت خواهید شد. در بخش نوع سورس، گوگل ادز را جستجو کنید.

گام 4: در بخش Transfer config name، نام منحصر به فردی برای این انتقال داده وارد کنید. سپس، در بخش گزینه‌های برنامه‌ریزی، می‌توانید زمان‌بندی انتقال خود را با انتخاب فرکانس و زمان شروع انتقال مشخص کنید.

الف) میتوانید فرکانس به روز شدن اطلاعات را تعیین کنید. می‌توانید گزینه‌های روزانه (پیش‌فرض)، هفتگی، ماهانه، سفارشی، یا درخواستی را از جعبه کشویی تکرار انتخاب کنید.

ب) در گزینه دوم، می‌توانید حالت هم اکنون شروع کنید تا یا روی گزینه شروع در زمان تعیین شده برای شروع فرآیند انتقال داده از گوگل ادز به بیگ کوئری کلیک کنید تا انتقال داده‌های خود را زمان‌بندی کنید.

گام 5: در بخش Destination settings، دیتاست مورد نظر برای ذخیره داده‌های گوگل ادز خود را ایجاد کنید یا انتخاب کنید.

گام 6: در بخش Data source details، کاستومر آیدی حساب گوگل ادز را وارد کنید.

گام 7: به طور پیش‌فرض، Refresh window به مدت 7 روز تنظیم شده است تا داده‌های 7 روز گذشته را در هر انتقال وارد بیگ کوئری و به‌روزرسانی کند. با این حال، می‌توانید این مقدار را به 30 روز تغییر دهید.

گام 8: گزینه‌های اطلاع‌رسانی ایمیل را فعال کنید تا هر زمان که روند انتقال با مشکل رو به رو شود، اطلاعیه ایمیل دریافت کنید.

گام 9: روی دکمه ذخیره کلیک کنید.

نتیجه‌گیری

انتقال داده‌ها از گوگل ادز به بیگ کوئری به شما امکان انجام تحلیل‌های پیشرفته از طریق ماشین لرنینگ و ابزارهای قدرتمند تصویرسازی را فراهم میکند. تمامی روش‌هایی که در این راهنما پوشش داده شده‌اند، می‌توانند به طور موثری داده‌های گوگل ادز را با بیگ کوئری ادغام کرده و به شما کمک کنند تا تحلیل بهتری برای بهینه‌سازی کمپین تبلیغاتی خود انجام دهید.

آموزش بیگ کوئری (BigQuery)

جدول pseudonymous_users و users در بیگ کوئری

در یکی از به روز رسانی های مربوط به اتصال بیگ کوئری به آنالیتیکس ۴، بخشی به اسم user data به آنالیتیکس ۴ در قسمت اتصال به بیگ کوئری اضافه شد. همانطور که در توضیحات این بخش نوشته شده است، با انتخاب این گزینه، به اطلاعات مرتبط با کاربر در بیگ کوئری به صورت خام دسترسی خواهید داشت. این اطلاعات از طریق جدول هایی به اسم pseudonymous_users_( number of days) و users_(number of days) در بیگ کوئری در دسترس هستند. برای آشنایی بیشتر با این جداول در بیگ کوئری در ادامه این مطلب همراه من باشید.

جدول pseudonymous_users در داده های آنالیتیکس ۴ در بیگ کوئری چیست؟

اگر قبل از این آنالیتیکس ۴ را به بیگ کوئری وصل کرده باشید، حتما میدانید که بعد از اتصال این دو ابزار به یک دیگر، اطلاعات مربوط به هر یک از ایونت های انجام شده توسط کاربر در سایت یا اپلیکیشن در بیگ کوئری از طریق جدولی به اسم events_ یا events_intraday_ در اختیار شما قرار داده می شود. احتمالا این سوال برای شما مطرح می شود که تفاوت این جدول ها با جداول events چیست؟

به طور کلی میتوان گفت که مزیت استفاده از جدول های نسبت به جدول های …، دسترسی به اطلاعات بیشتری از کاربران است. درواقع در این جدول ها شما به اطلاعاتی همچون audience ، prediction data، موقعیت جغرافیایی، دیوایس و … دسترسی دارید که در جدول های مربوط به ایونت در دسترس نیست.

همانطور که در اسکیمای جداول در بیگ کوئری میتوانید مشاهده کنید، میتوانید مشاهده کنید که کاربران سایت به کدام یک از سگمنت هایی که در آنالیتیکس ۴ ساخته اید، تعلق دارند. در نتیجه میتوانید از این اطلاعات برای استفاده در ابزارهایی به غیر از ابزارهای گوگل برای ری تارگتینگ استفاده کنید.

نام فیلد	نوع داده	توضیحات
audiences	RECORD	اطلاعات audience
audiences.id	INTEGER	آیدی audience
audiences.name	STRING	اسم audience
audiences.membership_start_timestamp_micros	INTEGER	زمانی که کاربر برای اولین بار در این audience قرار گرفت (بر حسب میکروثانیه)
audiences.membership_expiry_timestamp_micros	INTEGER	زمانی که عضویت کاربر در این گروه مخاطبی منقضی میشود (برحسب میکروثانیه).
audience.npa	BOOLEAN	درست یا نادرست بر اساس تنظیمات NPA شما برای ایونت و custom dimensions یوزر اسکوپ

نام فیلد	نوع داده	توضیحات
predictions	RECORD	اطلاعات پیش بینی
predictions.in_app_purchase_score_7d	DOUBLE	احتمال اینکه کاربری که در 28 روز گذشته فعال بوده است، یک رویداد in_app_purchase را طی 7 روز آینده انجام دهد
predictions.purchase_score_7d	DOUBLE	احتمال اینکه کاربری که در 28 روز گذشته فعال بوده است، یک ایونت خرید را طی 7 روز آینده انجام دهد.
predictions.churn_score_7d	DOUBLE	احتمال اینکه کاربری که در ۷ روز گذشته در اپلیکیشن یا سایت شما فعال بوده است، در ۷ روز آینده فعال نخواهد بود.
predictions.revenue_28d_in_usd	FLOAT	درآمد مورد انتظار (به دلار آمریکا) از همه ایونت های خرید در 28 روز آینده توسط کاربری که در 28 روز گذشته فعال بوده است.

جدول pseudonymous_users در بیگ کوئری شامل چه اطلاعاتی می شود؟

در این جدول اطلاعات تمام کاربران سایت شما که یوزر آیدی ندارند، وجود دارد. اطلاعات این جدول هر زمان که اطلاعات مربوط به کاربران تغییر کند، به روز می شود.

به خاطر داشته باشید که اطلاعات این جدول در بیگ کوئری، تنها یک بار در روز به روز می شود و امکان ارسال اطلاعات به صورت لایو یا استریم وجود ندارد.

pseudonymous_users_( number of days) به معنای اطلاعات تمام کاربرانی است که درواقع شبه یوزر هستند و توسط سایت شما یوزر آیدی به آنها اختصاص داده نشده است. عدد داخل پرانتز، به تعداد روزهایی که اطلاعات از آنالیتیکس ۴ به بیگ کوئری انتقال پیدا کرده است، اشاره دارد.

در این جدول، هر ردیف به یک user_pseudo_id اختصاص دارد.
زمانی که یکی از مقادیر فلیدهای جدول تغییر کند، اطلاعات جدول به روز می شود.
اطلاعات کاربرانی که با قوانین کوکی اعلام موافقت نکرده اند، در این جدول در دسترس نیست.
فیلد user_id در جدول pseudonymous_users_ در دسترس نیست.
در هر ردیف یک timestamp است که به آخرین زمانی که کاربر اکتیو بوده است، اشاره دارد.

منظور از شبه یوزر چیست؟

زمانی که کاربر برای اولین بار وارد سایت شما می شود، آنالیتیکس برای ردیابی کاربر، یک آیدی منحصر به فرد به ان اختصاص می دهد. تا زمانی که کاربر کوکی خود را پاک نکند و تا یک مدت زمان مشخص، آنالیتیکس کاربر را از طریق همین کلاینت آیدی، شناسایی و ردیابی می کند.

در حال حاضر آنالیتیکس ۴ برای شناسایی کاربر از روش های زیر استفاده می کند:

User ID: در صورتی که یک سایت قابلیت ثبت نام یا لاگین داشته باشد، میتوان به کاربری که داخل سایت ثبت نام میکند، یک آیدی منحصر به فرد اختصاص داد و این آی دی را برای آنالیتیکس ۴ ارسال کرد. این روش، بهترین و شاید دقیق ترین روش ردیابی کاربران است. اما با توجه به اینکه تمام سایتها قابلیت لاگین ندارند، برای همه قابل استفاده نیست.
Google Signals: در صورتی که کاربر در دیوایس های مختلف وارد اکانت گوگل خود شده باشد، آنالیتیکس میتواند از این طریق کاربر را شناسایی کرده و اطلاعات مربوط به آن را به صورت یکپارچه در اختیار شما قرار دهد.
Device ID: اگر آنالیتیکس قادر به استفاده از دو روش قبلی نباشد، از این روش برای شناسایی و ردیابی کاربران استفاده می کند. این روش نسبت به روش های قبلی دقت کمتری دارد چون اگر کاربر از چند دیوایس برای مراجعه به سایت شما استفاده کند، به اشتباه چندین بار شمرده می شود.

جدول users در داده های آنالیتیکس ۴ در بیگ کوئری چیست؟

این جدول حاوی اطلاعات شبه یوزرهایی است که توسط سایت شما یک یوزر آیدی به آنها اختصاص داده شده است.

مهمترین نکاتی که در خصوص این جدول ها باید در نظر داشته باشید، عبارت هستند از:

در صورتی که سایت شما قابلیت لاگین نداشته باشد یا یوزر ترکینگ انجام نشده باشد، این جدول در بیگ کوئری ایجاد نخواهد شد.
در صورتی که چک باکس ارسال طالاعات به صورت روزانه را هنگام اتصال آنالیتیکس ۴ به بیگ کوئری نزده باشید، این اطلاعات در بیگ کوئری در دسترس نخواهند بود.
در صورتی که یک وب سایت اروپایی دارید و کاربر با قوانین کوکی اعلام موافقت نکرده باشد، اما توسط سایت شما دارای یک یوزر آی دی اختصاصی باشد، اطلاعات کاربر در جدول users در دسترس خواهد بود.

چه اطلاعاتی در جدول users_ وجود دارد؟

در این جدول، هر ردیف به یک user_ id اختصاص دارد.
زمانی که یکی از مقادیر فلیدهای جدول تغییر کند، اطلاعات جدول به روز می شود.
اطلاعات کاربرانی که با قوانین کوکی اعلام موافقت نکرده اند، در این جدول در دسترس هست.
فیلد user_pseudo_id در جدول users_ در دسترس نیست.
در هر ردیف یک timestamp است که به آخرین زمانی که کاربر اکتیو بوده است، اشاره دارد.

آموزش بیگ کوئری (BigQuery)

آموزش توابع مربوط به تاریخ و زمان در بیگ کوئری

بیگ کوئری از چهار گروه تابع مربوط به تاریخ و زمان DATE، TIME، DATETIME، و TIMESTAMP پشتیبانی می کند. این 4 گروه شامل توابع خاص‌تری مانند CURRENT_DATETIME، DATE_SUB، EXTRACT، FORMAT_TIME و غیره هستند. این توابع به کاربران اجازه می دهد تا انواع داده‌های مربوط به تاریخ و زمان را در BigQuery به راحتی استخراج و ویرایش کنند. به عنوان مثال، با استفاده از این توابع میتوان بخشی از عبارت تاریخ یا زمان را استخراج کرد، یک فاصله زمانی به تاریخ یا زمان اضافه کرد و غیره. با توجه به اینکه تنوع و کارکرد هریک از این توابع متنوع و گاها گیج کننده است، در این مطلب به بررسی توابع مربوط به تاریخ در بیگ کوئری و کاربرد هریک می‌پردازیم.

مشاوره و ثبت نام در دوره بیگ کوئری

انواع داده‌های مربوط به تاریخ و زمان در BigQuery

قبل از آنکه به بررسی انواع توابع مربوط به تاریخ و زمان در بیگ کوئری بپردازیم، بهتر است که با انواع داده در بیگ کوئری در رابطه با تاریخ و زمان آشنا شوید:

توابع DATE، TIME، DATETIME، و TIMESTAMP در BigQuery SQL

در زیر جدولی از چهار گروه تابع تاریخ و زمان در BigQuery و همچنین توابع فرعی آنها آورده شده است.

دریافت تاریخ امروز در بیگ کوئری

برای دریافت عبارت تاریخ یا زمان امروز می توانید از تابع CURRENT در BigQuery استفاده کنید. برای استفاده از این تابع، از ساختار زیر استفاده کنید:

CURRENT_DATE()

CURRENT_DATETIME()

CURRENT_TIMESTAMP()

CURRENT_TIME()

مثال زیر نحوه استفاده از تابع CURRENT_DATETIME را برای دریافت تاریخ امروز و زمان حال نشان می دهد.

نحوه تغییر فرمت تاریخ در بیگ کوئری

هنگامی که با داده‌های مربوط به تاریخ و زمان سروکار دارید، ممکن است بخواهید فرمتی که داده در آن ظاهر می‌شود را با استفاده از تابع FORMAT تغییر دهید. به عنوان مثال، بعد از اتصال آنالیتیکس 4 به بیگ کوئری، در بخش اسکیمای جدول آنالیتیکس متوجه می‌شوید که اطلاعات مربوط به event_date به صورت رشته در بیگ کوئری ذخیره می شوند. با توجه به اینکه خروجی تابع FORMAT از جنس رشته است؛ به راحتی میتوانید از این تابع همراه با ستون event_date استفاده کنید.

برای استفاده از این تابع، از ساختار زیر استفاده کنید:

FORMAT_DATE(format_string, date)

FORMAT_DATETIME(format_string, datetime)

FORMAT_TIMESTAMP(format_string, timestamp,[timezone])

FORMAT_TIME(format_string, time)

در مثال زیر با استفاده از تابع FORMAT، نحوه نمایش تاریخ را تغییر داده‌ایم:

فرمت رشته “%x” تاریخ را به صورت MM/DD/YY نشان می دهد.

اضافه یا کم کردن تاریخ و زمان در بیگ کوئری

در BigQuery می‌توانیم عملیاتی مانند اضافه کردن یک سال به تاریخ، کم کردن یک هفته، اضافه کردن یک ساعت یا دقیقه به یک زمان و غیره را اجرا کنیم.

اضافه کردن به تاریخ یا زمان در بیگ کوئری

برای اضافه کردن به تاریخ و زمان در BigQuery باید از دستورات زیر استفاده کنید:

DATE_ADD(date_expression, INTERVAL int64_expression date_part)

DATETIME_ADD(datetime_expression, INTERVAL int64_expression date_part)

TIMESTAMP_ADD(timestamp_expression, INTERVAL int64_expression date_part)

TIME_ADD(time_expression, INTERVAL int64_expression date_part)

با استفاده از interval برای بیگ کوئری مشخص میکنیم که قصد داریم دیتای مربوط به تاریخ یا زمان را به چه صورتی تغییر دهیم.
int64_expression حاوی مقادیری است که از (9,223,372,036,854,775,808- تا 9,223,372,036,854,775,807-) متغیر است.
به جای بخش date_part میتوانید از یکی از مقادیر DAY، HOUR، MINUTE، SECOND، MILLISECOND، MICROSECOND، WEEK، QUARTER، MONTH و YEAR استفاده کنید.

به عنوان مثال، در کوئری زیر از تابع DATE_ADD برای اضافه کردن یک روز به تاریخ استفاده میکنیم:

کم کردن از تاریخ یا زمان در بیگ کوئری

برای کم کردن از تاریخ و زمان در BigQuery باید از دستورات زیر استفاده کنید:

DATE_SUB(date_expression, INTERVAL int64_expression part)

DATETIME_SUB(datetime_expression, INTERVAL int64_expression part)

TIMESTAMP_SUB(timestamp_expression, INTERVAL int64_expression part)

TIME_SUB(time_expression, INTERVAL int64_expression part)

با استفاده از interval برای بیگ کوئری مشخص میکنیم که قصد داریم دیتای مربوط به تاریخ یا زمان را به چه صورتی تغییر دهیم.
int64_expression حاوی مقادیری است که از (9,223,372,036,854,775,808- تا 9,223,372,036,854,775,807-) متغیر است.
به جای بخش date_part میتوانید از یکی از مقادیر DAY، HOUR، MINUTE، SECOND، MILLISECOND، MICROSECOND، WEEK، QUARTER، MONTH و YEAR استفاده کنید.

به عنوان مثال، در کوئری زیر از تابع DATETIME_SUB برای کم کردن یک روز از تاریخ استفاده میکنیم:

نحوه گروه بندی تاریخ/زمان در BigQuery

هنگام ارزیابی داده‌های تاریخ/زمان در BigQuery، می‌توانیم داده‌های خود را بر اساس بخش‌های مختلف تاریخ مانند دقیقه، ساعت، روز، سال، هفته و غیره سازماندهی و گروه‌بندی کنیم. برای انجام این کار میتوانید از دستورات زیر استفاده کنید:

DATE_TRUNC(date_expression, date_part)

DATETIME_TRUNC(datetime_expression, date_part)

TIMESTAMP_TRUNC(timestamp_expression, date_part)

TIME_TRUNC(time_expression, date_ part)

به جای بخش date_part میتوانید از یکی از مقادیر DAY، HOUR، MINUTE، SECOND، MILLISECOND، MICROSECOND، WEEK، QUARTER، MONTH، YEAR، DAYOFWEEK، DAYOFYEAR، ISOWEEK و ISOYEAR استفاده کنید.

در مثال زیر از تابع DATE_TRUNC برای برگرداندن اولین روز ماه استفاده میکنیم.

SELECT

DATE_TRUNC(DATE ‘2021-07-25’, MONTH) AS first_day_of_month;

علاوه بر این، به جای استفاده از تابع TRUNC، می توانید از تابع LAST DAY برای بدست آوردن آخرین روز هر date_part استفاده کنید.

LAST_DAY(date_expression, [date_part])

LAST_DAY(datetime_expression, [date_part])

مثال زیر از تابع LAST_DAY برای برگرداندن آخرین روز هفته که از یکشنبه شروع می شود استفاده می کند.

SELECT

LAST_DAY(DATETIME ‘2021-07-10 11:45:00’, WEEK(SUNDAY))

7-last-day

نحوه استخراج بخشی از تاریخ و زمان در بیگ کوئری

می‌توانید بخشی از تاریخ را از داده تاریخ خود استخراج کنید، مانند بررسی زمان ورود کاربر یا بررسی آمار کلی ماهانه برای بررسی اینکه کدام ماه‌ها فروش بیشتری دارند. برای اجرای چنین عملیاتی میتوانید از دستورات زیر استفاده کنید:

EXTRACT(part FROM date_expression)

EXTRACT(part FROM datetime_expression)

EXTRACT(part FROM timestamp_expression)

EXTRACT(part FROM time_expression)

به جای بخش date_part میتوانید از یکی از مقادیر DAY، HOUR، MINUTE، SECOND، MILLISECOND، MICROSECOND، WEEK، QUARTER، MONTH، YEAR، DAYOFWEEK، DAYOFYEAR، ISOWEEK و ISOYEAR استفاده کنید.

مثال زیر از تابع EXTRACT برای برگرداندن مقدار دقیقه استفاده می کند.

SELECT

EXTRACT(MINUTE FROM DATETIME(“2020-12-25 15:30:00”)) as minute;

8-extract

چگونه تفاوت بین دو تاریخ یا زمان را بیگ کوئری محاسبه کنیم؟

برای محاسبه تفاوت بین دو تاریخ، میتوانید از دستورات زیر استفاده کنید:

DATE_DIFF(date_expression_a, date_expression_b, part)

DATETIME_DIFF(datetime_expression_a, datetime_expression_b, part)

TIMESTAMP_DIFF(timestamp_expression_a, timestamp_expression_b, part)

TIME_DIFF(time_expression_a,time_expression_b, part)

در مثال زیر از تابع DATE_DIFF برای محاسبه تفاوت ماه بین دو تاریخ استفاده شده است:

SELECT

DATE “2021-12-15 12:30:10” as first_date,

DATE “2021-07-15 17:45:33” as second_date,

DATE_DIFF(DATE “2021-12-15”,

DATE “2021-07-15”, MONTH) as month_difference;

9-date-diff

نحوه تبدیل انواع داده‌های تاریخ و زمان در BigQuery

با تابع CAST میتوانید نوع یک داده را به یک نوع دیگر تبدیل کنیم. نحوه استفاده از تابع CAST به صورت زیر است:

CAST(expression AS datatype)

تبدیل رشته به تاریخ یا زمان

SELECT

CAST(’19:30:12′ AS TIME) AS time

10-cast-string

تبدیل datetime به date

SELECT

CAST(CURRENT_DATETIME() AS DATE);

11-cast-datetime-date

توجه: برای انجام این کار میتوانید از DATE(datetime expression) هم استفاده کنید.

عملگرهای موجود برای مقایسه تاریخ در بیگ کوئری

در BigQuery، گاهی اوقات ممکن است نیاز به مقایسه تاریخ و زمان برای انجام عملیاتی مانند دریافت داده‌های هفته قبل یا در محدوده خاصی با استفاده از عملگرهای مختلف مقایسه داشته باشید:

<, <=, >, >=, = , != or <>, [NOT] BETWEEN, [NOT] LIKE, [NOT] IN

مثال زیر از عملگرهای >= و < برای دریافت تمام تاریخ های مشخص شده بین دو تاریخ استفاده می شود:

SELECT

date

FROM

(

SELECT

CAST(‘2021-07-02’ AS DATE) AS date

UNION ALL

( SELECT

CAST(‘2021-07-11’ AS DATE) AS date)

UNION ALL

( SELECT

CAST(‘2021-10-02’ AS DATE) AS date)

) AS table_3

WHERE

((date >= ‘2021-07-02’) AND (date < ‘2021-07-30’))

12-date-comparison

خدمات نصب و راه اندازی آنالیتیکس 4

قبل از شروع صحبت در مورد مهاجرت به آنالیتیکس 4، مهم است که تنظیمات GA فعلی شما را بررسی کنم. قبل از هرچیز من تمام ایونت ترکینگ هایی که انجام داده اید را بررسی می‌کنم. بعد از آن نوبت به بررسی تنظیمات آنالیتیکس شما میرسد. سپس بر اساس آنچه که میتوانید ردیابی کنید اما هنوز این کار را انجام نداده اید، پیشنهادات خودم را در اختیار شما قرار میدهم. بسیاری از مشتریان نمی‌دانند (یا مطمئن نیستند که چگونه باید ایونت ترکینگ را انجام دهند. بر اساس تجربه میگویم که بسیاری از صاحبان بیزینس‌های مختلف نمیدانند که میتوانند به اطلاعاتی مانند تجزیه و تحلیل ویدیو، تراکنش‌ها، پر کردن فرم‌ها و حتی موارد دیگر با استفاده از GA4 دسترسی داشته باشند. اما جای نگرانی نیست؛ چون من این کار را به طور کامل برای شما انجام خواهم داد.

آموزش آنالیتیکس 4

آموزش گوگل آنالیتیکس 4 (GA4)

نصب آنالیتیکس ۴ روی اپلیکیشن

اپلیکیشن‌های موبایل در زندگی روزمره ما نقش محوری ایفا می‌کنند. آن‌ها نه تنها ابزارهای مفیدی هستند، بلکه به بخشی جدایی‌ناپذیر از تعاملات ما تبدیل شده‌اند. برای توسعه‌دهندگان و بازاریابان اپلیکیشن، اندازه‌گیری موفقیت و عملکرد این ابزارها بسیار اهمیت دارد.

Google Analytics 4 (GA4) یک ابزار تحلیلی پیشرفته است که به شما امکان می‌دهد تا به طور دقیق رفتار کاربران خود را در اپلیکیشن‌های موبایل بررسی کنید. فراتر از آمار دانلودها، GA4 به شما کمک می‌کند تا درک عمیقی از نحوه استفاده کاربران از اپلیکیشن، ویژگی‌های محبوب و چالش‌های احتمالی آن‌ها کسب کنید. این اطلاعات ارزشمند برای بهینه‌سازی تجربه کاربری و افزایش رضایت مشتریان ضروری است.

چه در حال ارزیابی عملکرد کلی اپلیکیشن خود باشید، چه در تلاش برای شناسایی ویژگی‌های پرطرفدار یا نظارت بر فعالیت‌های کاربران، GA4 ابزار مناسبی برای شما است.

مراحل نصب آنالیتیکیس ۴ برای اپلیکیشن اندروید و iOS

برای انجام این کار باید قبل از هرچیز وارد بخش Admin در آنالیتیکس ۴ شوید. سپس از بین گزینه های موجود، Data Streams و بعد از آن Add Stream را انتخاب کنید.

در صفحه ای که نمایش داده می شود، چند گزینه تب مختلف مشاهده میکنید: iOS app، Android app و Web.

آموزش گوگل آنالیتیکس 4 (GA4), آموزش گوگل ادز

تفاوت کانورژن در گوگل ادز و آنالیتیکس ۴، مشکل کجاست؟

گوگل مجموعه‌ای از ابزارها را در اختیار بازاریابان دیجیتال قرار می‌دهد که بسته به اهداف آن‌ها قابل استفاده هستند. احتمالاً اگر در حوزه بازاریابی آنلاین فعالیت دارید، با گوگل ادز (GAds) و گوگل آنالیتیکس 4 (GA4) آشنا هستید، حتی اگر از آن‌ها استفاده نکرده باشید. گوگل ادز به شما امکان مدیریت کمپین‌های تبلیغاتی در گوگل و … را به شما میدهد، GA4 به شما کمک می‌کند تا تصویر کاملی از عملکرد وب‌سایت خود به دست آورید. هر دو پلتفرم دارای سیستم اندازه‌گیری تعداد کانورژن ها هستند، اما انتخاب بین آن‌ها نیازمند بررسی دقیق است.

کانورژن ترکینگ در گوگل ادز چگونه انجام می شود؟

کانورژن ترکینگ به معنای اندازه‌گیری اقدامات حیاتی است که انتظار می‌رود کاربران در وبسایت یا اپلیکیشن انجام دهند. این اقدامات بسته به نوع کسب‌وکار و صنعت متفاوت است. برای سایت های فروشگاهی، معمولاً خرید و برای کسب‌وکارهای مبتنی بر نرم‌افزار به‌عنوان سرویس (SaaS)، اقداماتی مانند ثبت‌نام اشتراک یا درخواست نسخه آزمایشی مدنظر است.

کانورژن ها صرفاً به اقدامات نهایی محدود نمی‌شوند. مراحل منتهی به تبدیل اصلی نیز می‌توانند به‌عنوان کانورژنهای فرعی یا میکرو کانورژن در نظر گرفته شوند، مانند اضافه کردن محصول به سبد خرید یا تکمیل اطلاعات ارسال و پرداخت.

عدم اندازه‌گیری این اقدامات، ارزیابی عملکرد وبسایت و کمپین‌های بازاریابی را با چالش مواجه می‌کند.

دو روش برای ردیابی کانورژن در گوگل ادز وجود دارد:

مستقیم: ایجاد تگ و شناسه کانورژن و افزودن کدهای مربوطه به وبسایت، معمولاً با استفاده از گوگل تگ منجر.
غیرمستقیم: انتقال داده‌های کانورژن از گوگل آنالیتیکس 4 به گوگل ادز پس از ایجاد ارتباط بین دو پلتفرم.

با این حال، ردیابی یکسان کانورژنها در دو پلتفرم مختلف ممکن است به دلیل تفاوت در داده‌ها منجر به سردرگمی شود. این مسئله پرسش مهمی را مطرح می‌کند که چرا دو پلتفرم متعلق به یک شرکت، نتایج متفاوتی ارائه می‌دهند.

تفاوت‌های کانورژن ترکینگ در گوگل ادز و گوگل آنالیتیکس ۴

اختلاف در داده‌های کانورژن بین گوگل ادز و گوگل آنالیتیکس ۴ می‌تواند به چندین عامل مرتبط باشد. در ادامه به مهم‌ترین عوامل این تفاوت اشاره خواهیم کرد:

اتریبیوشن مدل

هر دو پلتفرم در حال حاضر تنها از اتریبیوشن مدل های آخرین کلیک و داده‌محور (DDA) پشتیبانی می‌کنند. استفاده از مدل‌های متفاوت در دو پلتفرم منجر به اختلاف در اعداد تبدیل خواهد شد. به عنوان مثال، اگر کاربری پس از مشاهده تبلیغ و خروج از سایت، مجدداً از طریق جستجوی ارگانیک بازگردد و اقدام به تبدیل کند، اتریبیوشن مدل آخرین کلیک، تبدیل را به جستجوی ارگانیک نسبت می‌دهد. در حالی که اگر کاربر مستقیماً به سایت مراجعه کرده و تبدیل انجام دهد، این تبدیل به سرچ ادز اختصاص می‌یابد.

تنظیمات lookback window

این پارامتر تعیین می‌کند که یک تعامل تا چه مدت پس از رخداد، به عنوان بخشی از مسیر کانورژن در نظر گرفته شود. این پارامتر در گوگل ادز به صورت پیش‌فرض ۳۰ روز است، در حالی که در گوگل آنالیتیکس ۴ برای ایونت های اولین بازدید و اولین باز کردن اپلیکیشن، ۳۰ روز و برای سایر ایونت های کلیدی ۹۰ روز تعیین شده است. استفاده از لوک بک ویندوی متفاوت در دو پلتفرم می‌تواند منجر به اختلاف در داده‌های تبدیل شود.

توجه: در گوگل آنالیتیکس ۴، اصطلاح “Key event” جایگزین “Conversion” شده است، اما هنگام اشتراک‌گذاری یا ارسال داده‌ها به گوگل ادز، همچنان از اصطلاح “Conversion” استفاده می‌شود.

تاریخ ثبت کانورژن

گوگل ادز تاریخ کلیک بر روی تبلیغ را به عنوان تاریخ کانورژن در نظر می‌گیرد، در حالی که گوگل آنالیتیکس ۴ تاریخ رخداد کانورژن را ثبت می‌کند. این تفاوت در تاریخ‌گذاری می‌تواند منجر به اختلاف در داده‌های تبدیل شود. به عنوان مثال، اگر کاربری در تاریخ ۲۱ مارس تبلیغ را مشاهده کرده و در تاریخ ۲۵ مارس اقدام به تبدیل کند، گوگل ادز تبدیل را در تاریخ ۲۱ مارس ثبت می‌کند، در حالی که گوگل آنالیتیکس ۴ آن را در تاریخ ۲۵ مارس ثبت خواهد کرد.

زمان پردازش

در گوگل ادز، کانورژنها سریع‌تر از GA4 نمایش داده می‌شوند که ممکن است 24 تا 48 ساعت (گاهی حتی 72 ساعت) طول بکشد تا پردازش شود و منجر به اختلاف داده‌ها تا زمان پردازش کامل شود.

روش شمارش

بسته به اینکه روش شمارش کانورژن را چگونه انتخاب کرده‌اید، یعنی شمارش هر کانورژن یا فقط یک کانورژن در هر سشن، می‌تواند بر داده‌هایی که در هر دو پلتفرم مشاهده می‌کنید تأثیر بگذارد. برای مثال، اگر از شمارش هر کانورژن در GA4 برای ایونت استفاده کنید، اما در گوگل اَدز فقط یک بار آن ایونت رو بشمرید، داده‌ها بسیار متفاوت خواهند بود.

طول اسم ایونت

اگر طول اسم ایونت در GA4 بیش از 40 کاراکتر باشد، گوگل نمی‌تواند به آن “_c” را اضافه کند تا آن را به عنوان کانورژن علامت‌گذاری کند، بنابراین شمارش نخواهد شد. اما گوگل ادز همچنان آن را شمارش می‌کند.

کانورژن های ردیابی نشده در GA4

کانورژن های حاصل از تماس‌های تلفنی و view through در گوگل ادز در دسترس هستند. GA4 فقط می‌تواند کانورژن هایی را که در وب سایت یا اپ رخ می‌دهند را ردیابی کند. بنابراین، این موارد محاسبه نخواهند شد.

ادبلاکر و consent mode

اگر کاربر به ردیابی در وب سایت رضایت ندهد یا از افزونه‌های مسدودکننده تبلیغات استفاده کند، GA4 قادر به قرار دادن کوکی ردیابی و ثبت تعاملات کاربر نخواهد بود، چه رسد به کانورژن ها. گوگل ادز می‌تواند این مشکل را دور بزند زیرا کد ردیابی آن فقط در هنگام وقوع رویداد کانورژن فعال می‌شود.

بازه زمانی گزارش

بازه زمانی گزارش با زمان پردازش متفاوت است و به این اشاره دارد که اعداد کانورژم گوگل ادز چقدر زود در گزارش‌ها منعکس می‌شوند (معمولاً 3 ساعت). از سوی دیگر، کانورژن های ارسال شده از GA4 در حساب گوگل ادز ممکن است تا 9 ساعت طول بکشد تا نمایش داده شوند. به همین دلیل توصیه می‌شود که هیچ تصمیمی بر اساس داده‌های اخیر گرفته نشود.

دلایل دیگری نیز ممکن است وجود داشته باشد، مانند کار نکردن تگ پیکربندی GA4، تنظیم نادرست کانورژن ترکینگ، سمپلینگ داده در GA4 و شرایط خاص که می‌تواند باعث این اختلاف‌ها شود.

چرا از کانورژن ترکینگ گوگل ادز استفاده کنیم؟

استفاده از کانورژن ترکینگ گوگل اَدز به دلایل متعددی توصیه می‌شود که برخی از آن‌ها با چالش‌های موجود در داده‌های گوگل آنالیتیکس 4 مرتبط هستند. در ادامه به برخی مزایای اصلی این روش اشاره می‌کنیم:

مستقل بودن از ردیابی سمت کلاینت: بر خلاف GA4 که به کوکی‌ها و جاوا اسکریپت وابسته است، گوگل ادز از این وابستگی رهاست. در نتیجه، ابزارهای مسدودکننده تبلیغات یا تنظیمات حریم خصوصی کاربر تأثیری بر جمع‌آوری داده‌های تبدیل نخواهند داشت.
داده‌های غنی برای مدل‌سازی: اطلاعات دقیق‌تر و کامل‌تری برای الگوریتم‌های بیدینگ خودکار در اختیار قرار می‌گیرد، که منجر به بهبود عملکرد کمپین‌ها می‌شود.
پوشش کامل انواع کانورژن ها: برخی از انواع کانورژن مانند تماس‌های تلفنی و کانورژن بدون کلیک تنها در گوگل ادز قابل ردیابی هستند.
سرعت بالاتر در نمایش داده‌ها: نسبت به GA4، گوگل ادز داده‌های کانورژن را سریع‌تر ارائه می‌دهد.
ردیابی دقیق کانورژن های بین دستگاهی: گوگل اَدز قادر به ردیابی تبدیل‌هایی است که در دستگاه‌های مختلف رخ می‌دهند، در حالی که این قابلیت در GA4 به فعال بودن سیگنال‌های گوگل وابسته است.
عدم محدودیت در نامگذاری ایونت ها: برخلاف GA4 که محدودیت ۴۰ کاراکتر برای نام رویدادها دارد، گوگل اَدز این محدودیت را اعمال نمی‌کند.
مقاومت در برابر چالش‌های فنی: مشکلاتی مانند عدم عملکرد تگ نصب و سمپلینگ داده که در GA4 ممکن است رخ دهد، در گوگل ادز وجود ندارد.
دقت بالاتر در اندازه‌گیری تبدیلات: برخی منابع معتقدند که گوگل ادز نسبت به GA4 تصویر دقیق‌تری از تعداد واقعی کانورژن ها ارائه می‌دهد.

چرا از روش تبدیل گوگل آنالیتیکس 4 استفاده کنیم؟

ارسال کانورژن از انالیتیکس ۴ به حساب گوگل ادز مزایای خاص خودش را دارد. در ادامه به مهمترین این موارد اشاره میکنیم:

استفاده از کانورژنهای GA4 می‌تواند سریع و آسان باشد بدون اینکه نیاز به تنظیمات اضافی برای کانورژنهای گوگل ادز باشد.
کانورژن ترکینگ از طریق GA4 دیدگاه جامع‌تری از عملکرد سورس های ورودی ارائه می‌دهد و تنها به گوگل اَدز (گوگل/CPC) به عنوان منبع نگاه نمی‌کند.
گوگل اَدز می‌تواند از داده‌های ارائه شده توسط GA4 برای بهینه‌سازی بیدینگ هوشمند استفاده کند.
شما می‌توانید کانورژن هایی را مشاهده کنید که مرتبط با گوگل ادز نیستند، اما نمای کلی از اقدامات تعامل مختلف در سایت یا اپلیکیشن را ارائه می‌دهند.
زمانی که کانورژنهای GA4 را به گوگل ادز انتقال میدهید، آن‌ها به عنوان “کانورژن های ثانویه” علامت‌گذاری می‌شوند و برای بهینه‌سازی بیدینگ و غیره استفاده نمی‌شوند. بنابراین، اگر می‌خواهید، باید آن‌ها را به عنوان “کانورژن های اصلی” علامت‌گذاری کنید.

از کدام مدل کانورژن ترکینگ استفاده کنیم؟

برای دستیابی به یک تصویر جامع و دقیق از عملکرد تبلیغات، ترکیبی از ردیابی کانورژن در گوگل ادز و گوگل آنالیتیکس ۴ توصیه می‌شود. ردیابی کانورژن در گوگل ادز اطلاعات دقیقی از عملکرد تبلیغات ارائه داده و برای استراتژی‌های اتومات و بهینه‌سازی کمپین بسیار مفید است.

کانورژنهای گوگل آنالیتیکس ۴ را می‌توان به عنوان داده مکمل به آنالیتیکس ۴ وارد و در گزارش‌ها مشاهده کرد، اما برای بهینه‌سازی کمپین استفاده نمی‌شوند.

هرچند تنظیم اولیه این دو سیستم ممکن است زمان‌بر باشد، اما در نهایت، دسترسی به داده‌ها از دو منبع مستقل مزیت‌های قابل توجهی دارد. با این حال، در هنگام تحلیل داده‌ها و تصمیم‌گیری در مورد کمپین‌ها، تفاوت‌های بین این دو پلتفرم را در نظر بگیرید.

استفاده از هر دو سیستم انعطاف‌پذیری بیشتری ایجاد می‌کند. در صورت اختلال در یکی از سیستم‌ها، داده‌های دیگری همچنان در دسترس خواهند بود. علاوه بر این، امکان مشاهده داده‌های گوگل ادز در گوگل آنالیتیکس ۴ و بالعکس وجود دارد.

مگر در موارد خاص که تنها از گوگل ادز استفاده می‌شود و هیچ کانورژنی در گوگل آنالیتیکس ۴ تنظیم نشده است (که توصیه نمی‌شود)، استفاده از هر دو سیستم برای یک استراتژی بازاریابی دیجیتال کامل ضروری است.

خلاصه

در این مقاله، به بررسی ردیابی کانورژن در گوگل ادز و امکان وارد کردن کانورژن های گوگل آنالیتیکس ۴ به گوگل ادز پرداختیم. همچنین به تفاوت‌های داده‌ای بین این دو پلتفرم اشاره کردیم. سپس به مزایای استفاده از هر دو سیستم پرداختیم و توضیح دادیم که آن‌ها اهداف متفاوتی را دنبال می‌کنند. در نهایت، توصیه کردیم که برای دستیابی به داده‌های کامل‌تر، دقیق‌تر و انعطاف‌پذیری بیشتر، از هر دو سیستم استفاده کنید.

آموزش گوگل آنالیتیکس 4 (GA4)

تفاوت کانورژن و Key Event در آنالیتکیس ۴ چیست؟

گوگل در راستای همگرایی معیارهای گوگل آنالیتیکس و گوگل اَدز، اصطلاح “Conversion” را به “Key Event” تغییر نام داده است. این تغییر به تدریج در حال اعمال شدن است و تمام پراپرتی های گوگل آنالیتیکس در چند هفته آینده به این سیستم جدید مهاجرت خواهند کرد. درک اهمیت ایونت های کلیدی، روش تنظیم آن‌ها و تأثیر این تغییر بر ویژگی‌های آنالیتیکس و اَدز در آینده، برای کسب‌وکارها حیاتی است. این مقاله به بررسی جامع رویدادهای کلیدی در GA4 می‌پردازد، از جمله:

تعریف Key Evnet در آنالیتیکس ۴
تأثیر این تغییر در بازاریابی دیجیتال
انگیزه گوگل برای اعمال این تغییر
روش تنظیم ایونت های کلیدی
نظرات بازاریابان و گوگل درباره این تغییر

منظور از Key Event در آنالیتیکس ۴ چیست؟

در گذشته، برای تعیین اهمیت یک ایونت برای کسب‌وکار خود (مانند خرید یا ارسال فرم)، لازم بود آن را به‌عنوان یک کانورژن در گوگل آنالیتیکس مشخص کنید. این کار به سادگی انتخاب ایونت های مهم از لیست و تعیین آن‌ها به‌عنوان کانورژن انجام می‌شد.

از این پس، این نوع کانورژن ها به ایونت های کلیدی تغییر نام یافته‌اند. مشابه کانورژم، شما می‌توانید هر ایونتی را به‌عنوان ایونت کلیدی مشخص کنید – مانند اولین بازدید یا ارسال فرم‌ – و این ایونت ها به همان شیوه‌ی قبلی کانورژن ها ردیابی خواهند شد.

بیشتر بخوانید: آموزش ایونت ترکینگ در آنالیتیکس ۴

نکته قابل توجه این است که نام متریک کانورژن ریت در آنالیتیکس ۴ نیز تغییر کرده است. به‌عنوان مثال، «Session conversion Rate» اکنون «Session Key event Rate» نامیده می‌شود. گوگل امیدوار است که اصطلاح «Key event» در مقایسه با «conversion»، که بسیاری از کاربران آن را با فروش مرتبط می‌دانند، توصیف دقیق‌تر و کاربردی‌تری باشد.

کانورژن در GA4 چیست؟

در Google Analytics 4، کانورژن ها در واقع ایونت های کلیدی هستند که به عنوان کانورژن در Google Ads تعیین شده‌اند. لازم به ذکر است که کانورژن زمانی در آنالیتیکس ۴ ثبت می شود که از طریق یکی از کمپین های تبلیغاتی در گوگل ادز انجام شده باشند. درواقع مدل های اتریبیوشن باید این موضوع را تشخیص دهند.

ایونت های کلیدی GA4 و کانورژن گوگل اَدز

خوشبختانه برای دیجیتال مارکترها، ایونت های کلیدی در GA4 از نظر عملکرد تفاوت چندانی با کانورژن های قدیمی ندارند.

در واقع همچنان امکان انتقال ایونت های کلیدی از GA4 به عنوان کانورژن در گوگل ادز وجود دارد. این کانورژن ها در گزارش Advertising در آنالیتیکس ۴ نمایش داده خواهند شد.

به عبارت دیگر، اگر یک ایونت برای کسب‌وکار شما اهمیت دارد، می‌توانید آن را به عنوان یک ایونت کلیدی در GA4 مشخص کنید. سپس، در صورتی که این ایونت برای بهینه‌سازی کمپین‌های تبلیغاتی و سنجش عملکرد مهم باشد، می‌توانید بر اساس ایونت کلیدی مشخص شده در آنالیتیکس، یک کانورژن در گوگل اَدز ایجاد کنید.

بتعاریف رسمی گوگل از ایونتهای کلیدی GA4 و کانورژن گوگل ادز عبارت هستند از:

ایونت کلیدی هرگونه عملی است که توسط کاربر انجام شده و برای کسب‌وکار اهمیت دارد. هر بار که این اقدام انجام می شود، یک ایونت در GA4 ثبت می‌شود.

کانورژن از یک ایونت کلیدی GA4 در گوگل ادز ایجاد می‌شود. هدف از این کار، بهبود استراتژی بازاریابی با استفاده از داده‌های یکسان در هر دو پلتفرم است.

چرا گوگل اسم کانورژن را به ایونت های کلیدی در GA4 تغییر داد؟

به غیر از اینکه یک اصطلاح کلی‌تر و جامع‌تر است، گوگل چندین دلیل کلیدی دیگر برای این تغییر نام آورده است.

تفاوت در اندازه‌گیری کانورژن بین گوگل آنالیتیکس و گوگل ادز سال‌هاست که باعث سردرگمی بسیاری از دیجیتال مارکترها شده است. تا کنون، مشکلاتی مانند روش‌های شمارش متفاوت، اتریبیوشن مدل های مختلف و تنظیمات lookback window بر روی متریک کانورژن بین گوگل ادز و گوگل آنالیتیکس تأثیر گذاشته است و منجر به دو مقدار کانورژن متفاوت برای هر پلتفرم شده است.

آموزش گوگل آنالیتیکس 4 (GA4)

گزارش خروج کاربران از سایت در آنالیتیکس ۴

آیا خروج کاربران پس از مطالعه یک پست وبلاگ مسئله‌ای حیاتی است؟ شاید نه. اما اگر سایت شما یک فروشگاه آنلاین باشد و مشتری در مرحله پرداخت فرآیند خرید را ترک کند، موضوع کاملاً متفاوت است. این امر به معنای از دست دادن درآمد است. در این مقاله، اهمیت تحلیل صفحات خروجی در Google Analytics 4 (GA4) را بررسی خواهیم کرد. با استفاده از این اطلاعات ارزشمند، می‌توانید تجربه کاربری را بهینه‌سازی کرده و در نهایت، نرخ تبدیل را افزایش دهید.

همچنین تفاوت بین نرخ خروج و نرخ پرش را روشن خواهیم ساخت. در پایان، چندین نمونه از تحلیل صفحات خروجی در قیف فروش را بررسی کرده و راهکارهایی برای بهبود عملکرد سایت ارائه خواهیم داد.

صفحات خروج در GA4

صفحات خروج در Google Analytics 4 (GA4) صفحاتی هستند که کاربران پس از بازدید از آن‌ها، از سایت خارج شده و سشن آنها به پایان میرسد این صفحات نشان می‌دهند که چند بار آخرین ایونت یک سشن بر روی یک صفحه رخ داده است.

نرخ خروج درصدی از سشن هایی است که بر روی یک صفحه به پایان رسیده‌اند. این نرخ با تقسیم تعداد خروج‌ها بر تعداد کل سشن ها محاسبه می‌شود. به عبارت دیگر، صفحه خروج آخرین صفحه‌ای است که کاربر در یک سشن مشاهده می‌کند. هر بار که یک صفحه به عنوان آخرین صفحه یک سشن ثبت شود، مقدار متریک نرخ خروج به میزان ۱ افزایش می‌یابد. شناسایی این صفحات به شما کمک می‌کند تا نقاط ضعف در مسیر کاربری را شناسایی کرده و بهبودهای لازم را برای افزایش تعامل و کاهش ترک سایت اعمال کنید.

تفاوت نرخ خروج و نرخ پرش در آنالیتیکس ۴

نرخ خروج و نرخ پرش دو شاخص کلیدی در Google Analytics 4 هستند که اطلاعات ارزشمندی درباره رفتار و تعامل کاربران ارائه می‌دهند.

نرخ خروج درصدی از سشن هایی را نشان می‌دهد که با ترک یک صفحه خاص پس از مشاهده چندین صفحه پایان می‌یابند. در مقابل، نرخ پرش درصد سشن هایی است که پس از مشاهده تنها یک صفحه به پایان می‌رسند.

هر دو شاخص نشانگر پایان یک سشن هستند؛ با این حال، نرخ خروج بر کاربران با تعاملات چند صفحه‌ای تمرکز دارد و از این رو برای تحلیل صفحات خروج و شناسایی موانع احتمالی تبدیل بسیار مفید است.

لازم به ذکر است که گرچه تمام پرش‌ها به دلیل ترک سایت پس از مشاهده تنها یک صفحه، به عنوان خروج نیز محسوب می‌شوند، اما تمامی خروج‌ از صفحات به معنای بانس شدن کاربر نیستند. این تفاوت زمانی مشخص می‌شود که کاربر بیش از یک صفحه را مشاهده کرده باشد.

تفاوت اصلی بین نرخ پرش و نرخ خروج در این است که آیا صفحه آخر بازدید شده، اولین و تنها صفحه بازدید شده نیز بوده است یا خیر. در صورتی که کاربر تنها یک صفحه را مشاهده کرده باشد، آن بازدید به عنوان بانس ریت طبقه‌بندی می‌شود.

به همین دلیل، انتظار می‌رود نرخ خروج در صفحه ای که بعد از خرید موفق نمایش داده می شود، بالا باشد. اما وجود نرخ خروج یا پرش بالا در مراحل قیف فروش که هدف جذب مشتریان بالقوه یا نهایی کردن خرید است، نشان‌دهنده مشکلات احتمالی در طراحی و تجربه کاربری است که نیازمند بررسی دقیق‌تر می‌باشد.

چگونه صفحات خروجی را در GA4 پیدا کنیم؟

در حال حاضر، گزارش‌های استاندارد گوگل آنالیتیکس 4 امکان مشاهده صفحات خروجی را فراهم نمی‌کند. با این حال، پیش‌بینی می‌شود که در آینده این متریک به گزارش‌های استاندارد اضافه شود.

در نتیجه، تنها روش موجود برای مشاهده گزارش صفحات خروجی GA4 در حال حاضر، استفاده از گزارش‌های Explore و ایجاد یک گزارش سفارشی است.

ساخت گزارش‌ صفحات خروج در آنالیتیکس ۴

ساخت گزارش اکسپلور در Google Analytics 4 امکان تحلیل بهتر و دقیقتر از صفحات خروج را برای ما فراهم میکند. با ایجاد یک گزارش اکسپلور، می‌توان دایمنشنی مانند مسیر صفحه یا نام صفحه و متریک هایی همچون Exits را اضافه کرد تا درکی جامع از عملکرد صفحات به دست آورد.

برای تحلیل عمیق‌تر داده‌ها، می‌توان از دایمنشن هایی مانند دستگاه، مرورگر یا سورس مدیوم استفاده کرد تا الگوها را شناسایی و مسیر کاربر را بهینه کرد.

مراحل زیر برای شناسایی صفحات خروج در GA4 قابل اجرا است:

وارد حساب Google Analytics 4 شوید.
از منوی سمت چپ، گزینه Explore را انتخاب کنید و یک گزارش Explore جدید ایجاد کنید.
در تب “Variables”، دکمه “افزودن دایمنشن” را کلیک کنید.
دایمنشن های “Page path + query string” را به گزارش اضافه کنید.
معیار “Exits” را به گزارش اضافه کنید.
برای سفارشی‌سازی گزارش، از دایمنشن های تفکیکی مانند سورس مدیوم استفاده کرده و داده‌ها را فیلتر کنید.

متاسفانه، در حال حاضر تنها روش برای ساخت گزارش‌های صفحات خروج برتر در GA4، استفاده از گزارش‌های Explore است. امید است در آینده امکان وارد کردن این معیار به ابزارهایی مانند Looker Studio برای ایجاد گزارش‌های سفارشی فراهم شود.

اهمیت ردیابی صفحات خروج برای سایت‌های فروشگاهی

تحلیل صفحات خروج برای سایت‌های فروشگاهی از اهمیت بالایی برخوردار است. درک نقاط خروج کاربران از وبسایت، به‌ویژه در مراحل پرداخت، نقش حیاتی در شناسایی موانع و بهینه‌سازی نرخ تبدیل دارد. با تمرکز بر صفحات خروج، کسب‌وکارها قادر به شناسایی چالش‌های کاربران، بهبود فرآیند خرید و در نهایت افزایش فروش و درآمد خواهند بود.

تحلیل مسیر خرید کاربر با استفاده از قیف فروش در گزارش‌های استاندارد GA4

گزارش مسیر کاربر تعداد کاربرانی را نشان می‌دهد که در هر مرحله از قیف فروش سایت ترک می‌کنند. با بررسی این گزارش می‌توان مراحل بحرانی قیف را شناسایی و بهبود بخشید. هدف اصلی ما در این تحلیل، تعیین نرخ ترک در هر مرحله از قیف و یافتن راهکارهای مناسب برای کاهش آن است.

برای دسترسی به این گزارش، مراحل زیر را طی کنید:

Reports > Monetization > User purchase journey

تفسیر و تحلیل داده‌ها مهم‌ترین بخش این فرآیند است. بر اساس اطلاعات به دست آمده، می‌توان فرضیه‌هایی ایجاد کرده و تصمیم‌گیری‌های لازم را انجام داد. در ادامه، به بررسی نمونه‌هایی از تحلیل مراحل قیف در فروشگاه‌های آنلاین خواهیم پرداخت.

مورد 1: فروشگاه آنلاین فروش لنز

این نمونه‌ای از یک قیف فروش در یک فروشگاه آنلاین بر اساس داده‌های GA4 است. نرخ تبدیل متوسطی در این حوزه دارد.

از مجموع 5700 بازدیدکننده، تقریباً نیمی یعنی 2800 نفر (50.8 درصد) بلافاصله سایت را ترک کردند. 2000 نفر به مرحله مشاهده محصولات رسیدند، اما 1900 نفر بدون افزودن محصولی به سبد خرید، سایت را ترک کردند.

در نهایت، 413 تراکنش ثبت شده است. بنابراین، نرخ تبدیل قیف 7 درصد است.

این عدد برای یک فروشگاه آنلاین مناسب است، اما هنوز پتانسیل بهبود نرخ تبدیل وجود دارد.

راهکارهای بهبود:

نرخ پرش بالای پس از مشاهده صفحه محصول می‌تواند نشان‌دهنده ضعف در ارزش پیشنهادی منحصر به فرد (USP)، نبود محرک‌های خرید، مشکلات در رابط کاربری مانند اطلاعات ناکافی محصول و موارد دیگر باشد.

برای شناسایی دقیق عوامل ترک سایت، انجام تست A/B توصیه می‌شود. نتایج این تست‌ها می‌تواند در تصمیم‌گیری برای تغییرات لازم کمک کند.

یکی دیگر از راهکارها برای بهبود نرخ تبدیل در مرحله خروج از سبد خرید، ریتارگت کاربرانی است که نیمه‌کاره فرآیند پرداخت راه رها کرده اند.

مورد 2: شرکت برشته‌کننده قهوه و فروشنده ماشین‌های قهوه

از مجموع 54000 بازدیدکننده، یک سوم یعنی 17000 نفر (33 درصد) بلافاصله سایت را ترک کردند.

32000 نفر پس از مشاهده محصولات، سایت را ترک کردند و تنها 10 درصد از بازدیدکنندگانی که محصولات را دیدند، فرآیند خرید را آغاز و محصول را به سبد خرید افزودند.

نرخ تبدیل در مرحله آغاز پرداخت 84 درصد است که نشان‌دهنده عملکرد خوب در این مرحله از قیف فروش است.

راهکارهای بهبود:

تعداد بالای افرادی که بدون مشاهده محصولات سایت را ترک می‌کنند، می‌تواند نشان‌دهنده بی‌ربط بودن ترافیک باشد.

بررسی دقیق کمپین‌های تبلیغاتی، منابع ترافیک و رفتار مخاطبان در صفحه اصلی ضروری است.

عوامل دیگری مانند پیچیدگی ساختار سایت، عدم وضوح عناصر فراخوان عمل (CTA) و نبود محرک‌های خرید نیز می‌توانند در ترک کاربران موثر باشند.

با این حال، مراحل میانی و پایانی قیف فروش عملکرد خوبی دارند و کاربران را به سمت خرید هدایت می‌کنند.

برای بهبود قیف‌ فروش، تنها شمارش تعداد کانورژنهای هر مرحله کافی نیست؛ بلکه باید دلیل کاهش تعداد کاربران در هر مرحله از قیف نسبت به مرحله قبل را نیز بررسی کنید.

در ادامه ۵ نکته مهم برای ساخت قیف فروش با عملکرد مناسب را با شما به اشتراک می‌گذاریم:

قیف‌ فروش را تا حد امکان کوتاه و مسیر کاربران را ساده نگه دارید. از کاربران نخواهید که اطلاعات غیرضروری را وارد کنند.
به جای اینکه فقط به تصور خود از قیف فروش در فروشگاه آنلاین تکیه کنید، بر رفتار واقعی کاربران تمرکز کرده و قیف را بر اساس آن بهینه‌سازی کنید.
براساس داده برای تغییرات در طراحی یا عملکرد سایت تصمیم بگیرید.
برای داشتن تحلیل‌های دقیق‌تر، eCommerce را در Google Analytics پیاده‌سازی کنید.
به ویژگی‌های خاص کسب‌وکار و مخاطبان هدف خود توجه کنید و قبل از اعمال هرگونه تغییر، آزمایش تقسیم‌بندی (A/B Testing) انجام دهید.

خلاصه
در این پست، اهمیت تحلیل صفحات خروجی در GA4 برای سایت‌های فروشگاهی را بررسی کردیم و نشان دادیم که چگونه می‌توان از تحلیل مسیر قیف برای بهبود تجربه کاربری و افزایش نرخ تبدیل استفاده کرد. ما تفاوت‌ بین نرخ خروج و نرخ پرش را مرور کردیم، نحوه یافتن صفحات خروجی در GA4 را یاد گرفتیم و از چندین مطالعه موردی واقعی نکات مهمی را دریافت کردیم.

آموزش گوگل آنالیتیکس 4 (GA4), آموزش گوگل تگ منیجر

تفاوت آنالیتیکس ۴ با گوگل تگ منیجر چیست؟

در دهه گذشته، تغییرات هیجان‌انگیز بسیاری در زمینه سنجش و تحلیل‌ها رخ داده است که منجر به معرفی و رشد ابزارهای بسیاری شده است. این ابزارها به همراه ویژگی‌ها و به‌روزرسانی‌های دائماً در حال تغییر خود می‌توانند بسیاری از بازاریابان و افرادی که به طور روزانه از آنها استفاده نمی‌کنند را گیج کنند، زیرا دنبال کردن تمام این تغییرات سخت است. گوگل آنالیتیکس 4 یا به اختصار GA4، جانشین یونیورسال آنالیتیکس (UA)، یکی از این ابزارهاست که توسط کسب‌وکارهای کوچک تا بزرگ استفاده می‌شود و در حال تکامل است، به این معنی که همیشه چیزهای بیشتری در رابطه با این ابزار برای یادگیری وجود دارد. آنالیتیکس۴ اغلب به همراه Google Tag Manager استفاده می‌شود.در این بلاگ پست، ما Google Tag Manager را با Google Analytics 4 مقایسه خواهیم کرد تا به عنوان دیجیتال مارکتر با هریک از این ابزارها و تفاوت های این دو باهم، بهتر آشنا شوید.

Google Analytics 4 چیست؟

Google Analytics 4 جانشین Universal Analytics است، ابزار تحلیل وب گوگل که به مدت ۱۲ سال کار می‌کرد و در تاریخ ۱ جولای ۲۰۲۳ (جولای ۲۰۲۴ برای مشتریان ۳۶۰) کار خود را متوقف کرد.

GA4، ابزاری است که انواع داده‌ها در مورد رفتار و تعاملات کاربران را جمع‌آوری می‌کند، یعنی اقداماتی که کاربران در وب‌سایت یا اپلیکیشن انجام می‌دهند و گزارش‌های مختلفی را برای سنجش عملکرد وب‌سایت/اپلیکیشن شما فراهم می‌کند. این ابزار به طور پیوسته در حال تغییر است، به گونه ای که به نظر میرسد یادگیری و آموزش آنالیتیکس ۴ تمامی ندارد!

به عنوان یک متخصص پرفورمنس مارکتر، GA4 ابزاری ضروری برای تحلیل دقیق رفتار کاربران و تعاملات آنها با وب‌سایت یا اپلیکیشن شما است. با استفاده از داده‌ها و گزارش‌های فراهم شده توسط GA4، شما می‌توانید عملکرد کمپین‌های بازاریابی خود را به طور دقیق اندازه‌گیری کنید، استراتژی بازاریابی خود را بهینه‌سازی کنید و تجربه کاربری را بهبود ببخشید تا به اهداف کسب‌وکار خود دست یابید.

گوگل آنالیتیکس ۴ با ویژگی‌های کلیدی جدیدی وارد عرصه بازاریابی دیجیتال شده است که به ما اجازه می‌دهد درک بهتری از رفتار کاربران داشته باشیم و کمپین‌های بازاریابی خود را با دقت بیشتری هدف‌گذاری و بهینه‌سازی کنیم. در ادامه به برخی از ویژگی‌های اساسی که GA4 ارائه می‌دهد، اشاره می‌کنیم:

ردیابی مبتنی بر ایونت: در آنالیتیکس ۴، تمرکز ردیابی اتفاقات بر مبنای ایونت است و نه سشن. این امر به دلیل آن است که ایونتها، که اقداماتی هستند که کاربران انجام می‌دهند، در نتیجه دیدگاه بهتری از میزان تعامل کاربران ارائه می‌دهند.
یکپارچه‌سازی داده‌های وب و اپ: GA4 اطلاعات وب‌سایت و اپلیکیشن را در یک پراپرتی جمع‌آوری می‌کند تا درک بهتر و یکپارچه ای از نحوه تعامل کاربر با سایت و اپلیکیشن شما در اختیارتان قرار دهد.
اضافه شدن بخش DebugView: عیب‌یابی و رفع مشکلات ایونت ترکینگ در آنالیتیکس ۴ به لطف اضافه شدن بخشی به نام دیباگ ویو آسانتر شده است. شما می‌توانید داده‌های در لحظه را با جزئیات کامل مشاهده کنید تا اطمینان حاصل کنید آنالیتیکس ۴ داده ها را همانطوری دریافت میکند که شما میخواهید.
کنترل‌ حریم خصوصی: GA4 حریم خصوصی کاربران را به طور پیش‌فرض بهبود بخشیده و به طور مداوم در تلاش است تا آن را بهتر کند. شما اکنون می‌توانید زمان نگه‌داری داده‌ها و نحوه شناسایی کاربران را تعیین کنید.
اتصال به بیگ کوئری: در نسخه یونیورسال تنها کاربرانی میتوانستند از مزایای بیگ کوئری استفاده کنند که از نسخه ۳۶۰ آنالیتیکس استفاده میکردند. اما امکان اتصال بیگ کوئری به آنالیتیکس ۴ در حال حاضر برای تمامی کاربران فراهم شده است.
ردیابی بین چند دامنه: با استفاده از GA4، ردیابی کاربران در دامنه‌های مختلف یا همان کراس دامین ترکینگ بسیار آسان‌تر شده است بدون آنکه به دستکاری کد یا استفاده از گوگل تگ منیجر نیاز باشد.

گوگل تگ منیجر (GTM) چیست؟

گوگل تگ منیجر یک سیستم مدیریت تگ (TMS) است که به شما کمک می‌کند تا کدهای ردیابی ابزارهای دیگر مانند GA4 را بدون دستکاری دستی کد وب‌سایت اضافه کنید و ایونت های مختلف را ردیابی کنید.

مانند GA4، استفاده و کار با گوگل تگ منیجر به صورت رایگان امکان پذیر است. ابزارهای مدیریت تگ دیگری در بازار وجود دارند، مانند Tealium، Adobe Launch و غیره، اما GTM یکی از پرکاربردترین ابزارها است.

تنها کاری که کاربران باید انجام دهند این است که کد GTM را روی وب‌سایت خود نصب کنند و سپس از GTM برای افزودن کد ردیابی ابزارهای دیگر مانند گوگل ادز، متا، X، لینکدین و غیره، تگ‌های ریتارگتینگ و ایونت ترکینگ در صورت نیاز استفاده کنند.

نحوه کار گوگل تگ منیجر به این صورت است که، GTM اطلاعات را از دیتالیر برای استفاده در ساخت ایونت و سپس ارسال آن داده‌ها به ابزارهای دیگر مانند GA4دریافت میکند. بنابراین میتوان گوگل تگ منیجر را واسطه ای بین سایت و دیگر ابزارهای دیجیتال مارکتینگ مانند گوگل آنالیتیکس ۴ و گوگل ادز در نظر گرفت.

روش‌های دیگر، مانند اسکریپینگ دیتا از وب‌سایت مانند حالت DOM، زمانی استفاده می‌شوند که دیتا لیر در دسترس نباشد. گرچه این روش خیلی قابل اعتماد نیست، زیرا با ایجاد هرگونه تغییری در ساختار کدنویسی سایت، ممکن است ایونت ترکینگ هم با مشکل رو به رو شود. به همین دلیل بهتر است که همیشه در صورت امکان از روش ارسال دیتا به دیتا لیر توسط دولوپر استفاده شود.

تفاوت آنالیتیکس ۴ با گوگل تگ منیجر چیست؟

در زمینه بازاریابی و تجزیه و تحلیل داده‌های وب یا همان وب آنالیتیکس، دو ابزار اساسی و متمایز از گوگل وجود دارد: گوگل تگ منیجر (GTM) و گوگل آنالیتیکس (GA4). این دو ابزار در عملکرد و ویژگی‌های خود تفاوت‌های اساسی دارند که درک آنها برای بازاریابان دیجیتال اهمیت زیادی دارد.

جمع‌آوری داده‌ها: GTM وظیفه ردیابی و جمع‌آوری داده‌ها را بر عهده دارد اما آنها را ذخیره نمی‌کند. این در حالی است که GA4 علاوه بر جمع‌آوری، قابلیت ذخیره‌سازی داده‌ها را نیز دارد. بنابراین، GTM به عنوان یک واسط برای ردیابی، جمع‌آوری و ارسال داده‌ها به GA4 عمل می‌کند.
گزارش‌دهی: GA4 توانایی‌های گزارش‌دهی قوی دارد که اجازه می‌دهد تجزیه و تحلیل‌های مختلفی انجام شود. اما این امکان با استفاده از GTM وجود ندارد، زیرا GTM هیچ گونه گزارش‌دهی انجام نمی‌دهد.
یکپارچگی: فقط می‌توان رویدادهای خاصی را که مربوط به GA4 هستند از طریق GTAG (که شامل کدنویسی مستقیم است) ردیابی کرد. اما با استفاده از GTM، می‌توان رویدادها را برای سایر پلتفرم‌ها نیز ردیابی کرد و آنها را در یک مکان مدیریت نمود.
ایونتها: هنگام استفاده از GA4 برای ردیابی رویدادها، باید از الگوی کد مشخصی پیروی کرد و این قطعات کد باید برای تمام رویدادهایی که می‌خواهید ردیابی کنید، در وب‌سایت قرار گیرند. مانند مثال زیر که button_click به عنوان رویداد با پارامتر button_text است.

با استفاده از GTM، می‌توانید ایونتها را با ایجاد تگ ایونت GA4 و تنظیم شرایطی (معروف به تریگر) که در آنها باید این ایونتها جمع‌آوری و به GA4 ارسال شوند، ردیابی کنید.

کانورژن ها: GTM ایونتها را به GA4 می‌فرستد. این سیستم نمی‌داند آیا آنها کانورژن هستند چرا که کانورژن ها در رابط کاربری GA4 پیکربندی می‌شوند.
کاربران: کاربران هر دو ابزار ممکن است متفاوت باشند. GA4 معمولاً مخاطبان گسترده‌تری دارد که در آن دیجیتال مارکترها، مدیران محصول/پروژه و سایر ذینفعان مایل به کسب اطلاعات مهم هستند. GTM به طور کلی محل بازی افرادی است که به جنبه‌های فنی نسبت به گزارش‌دهی و تحلیل علاقه بیشتری دارند.

درک این تفاوت‌ها برای در پرفورمنس مارکتینگ ضروری است تا بتواند از توانایی‌های هر دو ابزار به نحو احسن استفاده کند و استراتژی‌های بازاریابی دیجیتال خود را به بهترین شکل ممکن پیاده‌سازی نماید.

چه زمانی باید از Google Tag Manager به جای Google Analytics 4 استفاده کنیم؟

پاسخ کوتاه در بیشتر موقعیت‌ها این است که استفاده همزمان از هر دوی آنها توصیه می‌شود، زیرا این دو ابزار یکدیگر را تکمیل می‌کنند و این موضوع به معنای انتخاب یکی از دو نیست.

بله، شما می‌توانید بدون استفاده از GTM از GA4 استفاده کنید، اما با استفاده از GTM، پیاده‌سازی و مدیریت تگ‌ها آسان‌تر و منظم‌تر می‌شود. در غیر این صورت، شما برای تغییرات جزئی نیز به شدت به توسعه‌دهندگان وابسته خواهید بود که این امر منجر به تاخیر در انجام کارها می‌شود.

به همین ترتیب، استفاده از GTM بدون GA4 امکان‌پذیر است، اما این اتفاق به ندرت می‌افتد. صادقانه بگوییم، استفاده نکردن از GTM برای نصب GA4 در وب‌سایت/اپ خود و ارسال داده‌ها به GA4، چندان منطقی به نظر نمی‌رسد، زیرا با استفاده از GTM می‌توانید تغییرات را به صورت سریع و آسان اعمال کنید.

پس، اگر شما از قدرت هر دو ابزار به خوبی استفاده کنید و آنها را برای اهدافی که برایشان ساخته شده‌اند به کار ببرید، کل فرآیند ردیابی و گزارش‌دهی را برای خودتان ساده تر خواهید کرد و در زمان و پول زیادی که صرف ارتباطات رفت و برگشتی با توسعه‌دهندگان برای تغییرات دستی در کدها صرف می شود ، صرفه‌جویی خواهید کرد.

آموزش گوگل آنالیتیکس 4 (GA4)

اضافه کردن چند دیتا استریم به آنالیتیکس 4 | آموزش تصویری

یکی از مهمترین اقداماتی که بعد از راه اندازی اکانت GA4 و قبل از نصب آنالیتیکس 4 روی سایت باید انجام دهید، اضافه کردن Data Stream به آنالیتیکس است. درواقع شما با انجام این کار برای آنالیتیکس مشخص میکنید که دیتای مورد نیاز شما را باید از کجا جمع آوری کند، سایت، اپلیکیشن اندروید یا اپلیکیشن iOS! در این مطلب قصد داریم نحوه اضافه کردن انواع دیتا استریم به آنالیتیکس 4 و تنظیمات هرکدام را به شما عزیزان به صودت تصویری و مرحله به مرحله آموزش دهم. همراه من باشید.

نکته مهم: قبل از هرچیز لازم به ذکر است که در آنالیتیکس 3 دیگر مفهومی به اسم view وجود ندارد. در نتیجه اگر شما میخواهید به افراد دیگر دسترسی محدود از آنالیتیکس بدهید، میتوانید به عنوان یک راه حل جاگیزین، از گزارش های لوکر استودیو استفاده کنید.

دیتا استریم در GA4 چیست؟

خب، بیایید اول با اصول اولیه شروع کنیم. دیتا استریم (Data Stream – جریان داده) بخشی از ساختار جدید GA4 است. در یونیورسال آنالیتیکس، برای هر منبع داده، یک Property منحصر به فرد داشتید، به عنوان مثال، وبسایت، اپلیکیشن اندروید و اپلیکیشن iOS.

اما در آنالیتیکس 4 شرایط کمی متفاوت است و حالا دیگر شما چیزی به نام view ندارید. حالا شما یک Property واحد دارید که شامل انواع دیتا استریم‌ها می‌شود. می‌توانید هر یک یا هر سه مورد از این دیتا استریم ها را در یک Property واحد GA4 بگنجانید. و برای آنکه متوجه شوید عملکرد و رفتار یوزرها در هریک از استریم ها چگونه است، میتوانید از فیلترها و دایمنشن Hostname، Steram ID و Stream Name استفاده کنید.

در یک پراپرتی GA4، شما می‌توانید سه نوع دیتا استریم داشته باشید، در حالی که در یونیورسال آنالیتیکس، برای هر منبع داده (وب، iOS، اندروید) باید یک پراپرتی جداگانه ایجاد می‌کردید.

برای ساده‌تر کردن موضوع، بیایید نگاهی به ساختار اکانت در Google Analytics 4 در مقایسه با یونیورسال آنالیتیکس بیندازیم:

Google Analytics 4	یونیورسال آنالیتیکس
اکانت	اکانت
پراپرتی (مجموعه‌ای از تمام منابع داده) – (وب، iOS، اندروید)	پراپرتی (تفکیک‌شده بر اساس دیتا استریم)
دیتا استریم	View

با این حال، GA4 360 دو نوع پراپرتی دیگر نیز ارائه می‌دهد:

ساب‌پراپرتی (Sub-property): داده‌ها را از یک پراپرتی دیگر دریافت می‌کند و معمولاً زیرمجموعه‌ای از داده‌های آن پراپرتی است. این مدل برای مدیریت دسترسی کاربران بسیار مفید است.
پراپرتی تجمیع‌شده (Roll-up property): داده‌ها را در سراسر پراپرتی‌ها و استریم‌های مختلف برای محصولات، برندها، مناطق و غیره در یک پراپرتی واحد ادغام می‌کند تا نمای کلی از عملکرد کسب و کار شما ارائه دهد.

توجه داشته باشید که GA4 360 برای هر نوع کسب و کاری مناسب نیست و تنها شرکت‌های بزرگی که در چندین منطقه و یا حوزه فعالیت می‌کنند، می‌توانند از مزایای این سرویس بهره‌مند شوند.

تفاوت بین View در آنالیتیکس یونیورسال و استریم‌ در GA4

تفاوت اساسی بین (Views) و (Data Streams) این است که استریم‌ها منبع داده هستند، در حالی که نماها بسته به منبع، داده را از یک Property دریافت می‌کنند.

استریم‌های داده می‌توانند به عنوان نقاط تماس مختلف بین برنامه‌ها و وب‌سایت‌ها در مسیر کاربری عمل کنند. در حالی که نماها بیشتر در مورد فیلتر کردن و نوع داده‌هایی است که می‌خواهید در گزارش‌ها برای یک کاربرد خاص ببینید.

برای مثال، اگر می‌خواهید افرادی را که از خارج ایران از طریق ترافیک گوگل ادز وارد سایت یا اپلیکیشن شما می‌شوند را ببینید، میتوانستید یک view با فیلترهای مربوطه ایجاد کنید و تمام داده‌های موجود در آن view را بر اساس آن دو فیلتر خواهد بود.

اما با استفاده از دیتا استریم در GA4، می‌توانید انواع مختلف فیلترها و سگمنت ها را در گزارش‌های Explore اعمال کنید. بر اساس چیزی که گوگل اعلام کرده است، در حال حاضر به هیچ عنوان نباید برای استریم های مختلف، پراپرتی های جداگانه ایجاد کرد. چرا که با اینجام این کار، دنبال کردن کاربر هنگام تغییر استریم در یک سشن، امکان پذیر نخواهد بود.

نکته مهم: دیتا استریم هایی که برای اپلیکیشن هستند را فقط میتوان تنها به یک پراپرتی متصل کرد.

اما بهترین ویژگی دیتا استریم در آنالیتیکس 4، اندازه‌گیری پیشرفته یا همان enhanced measurement است، زیرا با استفاده از این قابلیت، برخی از ایونت های مهم مانند اسکرول، پخش ویدیو، دانلود فایل‌، جستجو در سایت و کلیک روی لینک های خروجی به صورت پیش فرض ردیابی می‌شود. اگر برای ایونت ترکینگ در آنالیتیکس 4 به اطلاعات بیشتدی نیاز دارید، روی لینک کلیک کنید.

راه‌اندازی انواع مختلف دیتا استریم در گوگل آنالیتیکس 4

همانطور که در بخش قبلی دیدیم، سه نوع دیتا استریم وجود دارد که می‌توانیم هنگام راه اندازی آنالیتیکس 4 انتخاب کنیم. قبل از اینکه نحوه پیکربندی هر کدام از آنها را بررسی کنیم، مسیر رسیدن به تنظیمات Data Stream در آنالیتیکس 4 را به شما عزیزان آموزش میدهم:

روی بخش Admin که سمت چپ و پایین صفحه قرار دارد، کلیک کنید.

در صفحه ای که نمایش داده می شود، روی گزینه Data Streams کلیک کنید. میتوانید از طریق منوی سمت چپ، Data collection and modification هم به دیتا استریم دسترسی داشته باشید.

دیتا استریم وب

بعد ازدنبال کردن مراحل بالا، برای اضافه کردن وب استریم، روی (Web) کلیک کنید. در صفحه ای که نمایش داده می شود، اطلاعات زیر را وارد کنید:

آدرس وب سایت خود را وارد کنید (Website URL)
برای استریم خود یک نام انتخاب کنید (Stream Name)
enhanced measurement به طور پیش فرض روشن است (شما همیشه می‌توانید با کلیک روی آیکون چرخ‌دنده کوچک، آن را خاموش یا تنظیمات آن را تغییر دهید)
در نهایت، روی دکمه آبی رنگ “ایجاد استریم” (Create Stream) کلیک کنید.

بعد از وارد کردن مقادیر خواسته شده، تصویر زیر را مشاهده خواهید کرد:

شناسه اندازه‌گیری (Measurement ID) که با G- شروع می‌شود، شناسه ای است که برای نصب آنالیتیکس 4 از طریق تگ منیجر و ایونت ترکنیگ در وب‌سایت خود به آن نیاز دارید.

فراموش نکنید که برای جمع آوری اطلاعات از استریم های تعیین شده، باید حتما تگ نصب آنالیتیکس 4 را روی سایت یا اپلیکیشن خود قرار دهید. برای انجام این کار میتوانید از سه روش استفاده کنید: تگ منیجر، دولوپر و افزونه های مرسوم به ویژه برای وردپرس مانند GTM4WP.

تنظیمات دیتا استریم برای اپلیکیشن iOS

با دنبال کردن مراحل قبلی برای رسیدن به بخش تنظیمات دیتا استریم در آنالیتیکس 4، این بار روی گزینه اپلیکیشن iOS کلیک کنید. در ادامه مراحل زیر را دنبال کنید:

۱. ثبت اپلیکیشن:

Bundle ID iOS را وارد کنید.
نام اپلیکیشن را بنویسید.
شناسه اپ استور (اختیاری) را در صورت تمایل وارد کنید.
سپس روی دکمه بعدی کلیک کنید.

۲. تنظیمات توسط گوگل:

کمی صبر کنید تا گوگل تنظیمات شما را پیاده سازی کند. سپس باید چهار علامت سبز همانند تصویر زیر را ببینید.
سپس روی دکمه بعدی کلیک کنید.

۳. دانلود فایل پیکربندی:

فایل پیکربندی را دانلود کنید.
آن را به روت پروژه Xcode خود منتقل و به همه Targetها اضافه کنید.
سپس روی دکمه بعدی کلیک کنید.

۴. افزودن Firebase SDK:

Firebase SDK را اضافه کنید و روی دکمه بعدی کلیک کنید.

۵. اتصال Firebase در AppDelegate:

کد راه‌اندازی را به کلاس اصلی AppDelegate خود اضافه کنید تا Firebase هنگام راه‌اندازی برنامه متصل شود. سپس روی بعدی کلیک کنید.

توجه: می‌توانید این مرحله را فعلا رد کنید و بعدا تأیید کنید.

۶. اجرای برنامه برای تأیید نصب:

پس از تکمیل راه‌اندازی، صفحه تکمیل راه‌اندازی را به همراه برخی اطلاعات شناسه و تنظیمات اضافی مشاهده خواهید کرد.
برنامه خود را اجرا کنید تا نصب تأیید شود و در صورت تأیید روی دکمه پایان کلیک کنید.

استریم دیتای اندروید در گوگل آنالیتیکس ۴

روند راه‌اندازی استریم برای برنامه‌های اندرویدی شبیه به روال تنظیمات استریم iOS است، به جز مرحله ۵ که مربوط به اضافه کردن کد راه اندازی برای iOS می‌شود.

همچنین به دلیل تفاوت سیستم‌عامل، در مراحل ۳ و ۴ راه‌اندازی استریم برنامه‌های اندرویدی نیز احتمالا با تنظیمات iOS تفاوت‌های جزئی وجود خواهد داشت.

توجه: برای اطمینان از دریافت داده توسط استریم‌های برنامه‌ی شما، حتما پروژه‌های فایربیس خود را به گوگل آنالیتیکس ۴ لینک کنید.

محدودیت‌های دیتا استریم در گوگل آنالیتیکس 4

تعداد استریم: هر property در GA4 می‌تواند حداکثر 30 استریم اپلیکیشن (iOS و اندروید) داشته باشید، در حالی که برای استریم‌های وب محدودیتی وجود ندارد.

سطح دسترسی کاربران: شما نمی‌توانید به یک استریم خاص دسترسی بدهید، زیرا همه آنها بخشی از یک property هستند. بنابراین، با دادن دسترسی به یک property، کاربر به تمام استریم‌های آن هم دسترسی پیدا می‌کند. البته، در نسخه GA4 360 با قابلیت sub-property این کار در سطح sub-property قابل انجام است، اما همچنان در سطح استریم امکان‌پذیر نیست.

حذف دیتا استریم: با حذف یک استریم، گوگل همچنان اطلاعات قبلی آن را ذخیره می‌کند، اما دیگر نمی‌توانید از آن استریم در گزارش‌ها یا فیلترها استفاده کنید و داده‌های جدید هم پردازش نمی‌شوند. با این حال، اگر داده‌ها را به BigQuery منتقل کنید، حتی پس از حذف استریم هم به آن‌ها دسترسی خواهید داشت.

خوشبختانه، این محدودیت‌ها احتمالا مانع بزرگی برای دسترسی و تحلیل داده‌های شما در استریم‌های مختلف GA4 ایجاد نخواهند کرد، اما اطلاع از آن‌ها مفید است.

نکته مهم: به نظر می‌رسد BigQuery نقش اساسی در دسترسی و تحلیل داده‌ها در GA4 دارد. بنابراین، اگر مهارت‌های SQL خود را به‌روز نکرده‌اید، اکنون فرصت خوبی برای یادگیری بیگ کوئری است!

آیا امکان جا به جایی دیتا استریم ها بین Property های مختلف وجود دارد؟

در آنالیتیکس یونیورسال، هر وب‌سایت و اپلیکیشن موبایل یک Property جداگانه داشت. با این حال، در GA4، اکنون داده‌های خود را در سطح استریم جمع‌آوری می‌کنید، بنابراین می‌توانید وب‌سایت و برنامه‌های تلفن همراه خود را در یک Property واحد تجزیه و تحلیل کنید.

با این حال، به خاطر داشته باشید که شما فقط می‌توانید یک نوع جریان دیتا (وب‌سایت، برنامه iOS و برنامه Android) را در یک Property داشته باشید. بنابراین، اگر چندین وب‌سایت دارید که می‌خواهید ردیابی کنید، باید بین دیتا استریم ها در Property های جداگانه، تنظیمات کراس دامین ترکینگ را پیاده سازی کنید.

توجه: برای راه‌اندازی ردیابی بین دامنه‌ای، به دسترسی ویرایشگر به هر دو Property نیاز دارید.

برای راه‌اندازی ردیابی بین دامنه‌ای بین Property های GA4، مراحل زیر را دنبال کنید:

1. به اولین Property GA4 خود بروید و روی «Admin» کلیک کنید. ۲. روی «Data Streams» کلیک کنید.

2. اولین دیتا استریمی که می‌خواهید برای آن تنظیمات ردیابی بین دامنه‌ای را انجام دهید، انتخاب کنید.

3. سپس Configure tag settings را انتخاب کنید. در صفحه ای که نمایش داده می شود، روی گزینه Configure your domains کلیک کنید.

4. روی گزینه «Add Condistion» کلیک کنید.

5. نوع مچ تایپ را انتخاب کنید.

6. دامنه‌ای را که می‌خواهید به عنوان کراس دامین تعیین کنید را اضافه کنید.

7. روی «ذخیره» کلیک کنید.

8. همین مراحل را برای پراپرتی دامنه دیگر هم انجام دهید.

جمع بندی

حالا شما درک درستی از نحوه عملکرد دیتا استریم‌های GA4 پیدا کرده‌اید و می‌توانید از این دانش برای سازماندهی بهتر حساب‌های GA4 خود استفاده کنید.

در این مسیر، آموختید که دیتا استریم‌ها دقیقا چه هستند و چگونه تفاوت‌های بین استریم‌های GA4 و نماهای UA نشان می‌دهد که آن‌ها یکسان نیستند.

اکنون می‌توانید چندین استریم در GA4 راه‌اندازی کنید، از استریم وب گرفته تا استریم‌های اپلیکیشن برای iOS و اندروید، و همچنین داده‌های هر استریمی را که می‌خواهید در بخش گزارش‌ها تجزیه و تحلیل کنید.

در نهایت، به برخی از محدودیت‌های همراه با دیتا استریم‌ها در GA4، از تعداد استریم‌هایی که می‌توانیم در یک پروپرتی ایجاد کنیم تا دسترسی کاربران که به اندازه دلخواه ما امکان‌پذیر نیست، نگاهی انداختیم.

اما مهم‌ترین نکته این است که برای شروع پاکیزه با GA4، آگاهی از نحوه عملکرد ساختار حساب به شما کمک می‌کند تا برنامه‌ریزی درستی داشته باشید.

به یاد داشته باشید، دیگر نماهایی (view) نداریم، اما یک موتور تحلیلی قدرتمند در زیرساخت GA4 وجود دارد که به ما امکان فیلتر کردن و ذخیره گزارش‌ها را می‌دهد، به همراه ویژگی اندازه‌گیری پیشرفته که به صورت پیش‌فرض پیکربندی شده است تا کار ما را آسان‌تر کند.

در مورد ویژگی‌های شگفت‌انگیز GA4 صحبت می‌کنیم، شاید بخواهید این بلاگ را در مورد DebugView در GA4 بررسی کنید.

در بخش نظرات به ما بگویید که کنار گذاشتن نماها و عادت کردن به استریم‌ها برای شما چگونه کار می‌کند!