Pencocokan data yang disediakan pengguna

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

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

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

Private Cloud Match Tab Koneksi

Ringkasan Pencocokan Cloud Pribadi

Untuk mendapatkan insight iklan yang berharga, Anda sering kali perlu menggabungkan data dari berbagai sumber. Membangun solusi Anda sendiri untuk masalah pipeline data ini memerlukan investasi waktu dan investasi teknik yang signifikan. Private Cloud Match di Ads Data Hub menyederhanakan proses ini dengan menyediakan template kueri Ads Data Hub untuk membuat tabel kecocokan di BigQuery yang kemudian dapat digunakan dalam kueri Ads Data Hub untuk mencocokkan data iklan Anda dengan data pihak pertama Anda. Memperkaya kueri Anda dengan data pihak pertama dapat memberikan pengalaman pelanggan yang lebih kaya, dan lebih tahan terhadap perubahan pelacakan iklan di seluruh industri.

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

Ringkasan proses

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

Mempelajari persyaratan privasi

Mengumpulkan data pelanggan

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

Anda harus:

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

Pengakuan izin pihak pertama

Peringatan: Jika Anda tidak mengonfirmasi izin atau menolak konfirmasi izin, Anda tidak akan dapat menggunakan data pihak pertama (1PD) di dalam Ads Data Hub. Misalnya, Anda tidak dapat memasukkan data 1PD baru atau menggabungkan data 1PD yang ada dengan data iklan tertaut. Semua kasus penggunaan, seperti pencocokan data yang disediakan pengguna dan aktivasi audiens menggunakan data pihak pertama, tidak tersedia. Hal ini mencakup semua impor 1PD terjadwal.

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

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

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

Ukuran data

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

• Anda harus mengupload minimal 1.000 data dalam daftar pengguna.

---

Menyiapkan penyerapan data

Sebelum memulai, pastikan:

• Data pihak pertama Anda harus ada di BigQuery. Jika Anda memiliki perimeter VPC-SC, data pihak pertama ini harus berada dalam VPC-SC Anda.
• Akun layanan Hub Data Iklan Anda harus memiliki akses baca ke data pihak pertama.
• Data pihak pertama Anda harus diformat dan di-hash dengan benar. Lihat bagian berikutnya untuk mengetahui detail selengkapnya.

Selain itu, Pencocokan Private Cloud tidak memerlukan aktivasi tambahan. Jika dapat menjalankan kueri analisis, Anda dapat menjalankan kueri Pencocokan Cloud Pribadi.

Menyerap dan mencocokkan data pihak pertama

Memformat data untuk input

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

• Jika ditunjukkan dalam deskripsi kolom input berikut, Anda harus mengupload menggunakan hashing SHA256.
• Kolom input harus diformat sebagai string. Misalnya, jika Anda menggunakan fungsi hash SHA256 BigQuery dengan fungsi encoding Base64 (TO_BASE64), gunakan transformasi berikut: TO_BASE64(SHA256(user_data)).
• UPDM mendukung encoding Base64. Anda harus menyelaraskan encoding data pihak pertama dengan decoding yang digunakan dalam kueri Ads Data Hub. Jika Anda mengubah encoding data pihak pertama, Anda harus memperbarui kueri Ads Data Hub untuk mendekode dari basis yang sama. Contoh berikut menggunakan encoding Base64.

ID Pengguna

• Teks biasa
• Hashing: Tidak ada

Email

• Menghapus spasi kosong di awal dan akhir
• Semua karakter harus berupa huruf kecil
• Sertakan nama domain untuk semua alamat email, seperti gmail.com atau hotmail.co.jp.
• Hapus aksen—misalnya, ubah è, é, ê, atau ë menjadi e
• Hapus semua titik (.) yang mendahului nama domain di alamat email gmail.com dan googlemail.com
• Hashing: SHA256 berenkode Base64

Valid: TO_BASE64(SHA256("[e-mail]"))

Tidak valid: TO_BASE64(SHA256(" Jéfferson.Lô[e-mail] "))

Telepon

• Menghapus spasi kosong
• Format dalam format E.164 - Contoh AS: [phone], contoh Inggris Raya: [phone]
• Hapus semua karakter khusus kecuali "+" sebelum kode negara
• Hashing: SHA256 berenkode Base64

Valid: TO_BASE64(SHA256("[phone]"))

Tidak valid: TO_BASE64(SHA256("[phone]"))

Nama depan

• Menghapus spasi kosong
• Semua karakter harus berupa huruf kecil
• Hapus semua awalan, misalnya, Ibu, Tn., Nn., Dr.
• Jangan menghapus aksen—misalnya, è, é, ê, atau ë
• Hashing: SHA256 berenkode Base64

Valid: TO_BASE64(SHA256("daní"))

Tidak valid: TO_BASE64(SHA256("Mrs. Daní"))

Nama belakang

• Menghapus spasi kosong
• Semua karakter harus berupa huruf kecil
• Hapus semua akhiran, misalnya Jr., Sr., 2nd, 3rd, II, III, PHD, MD
• Jangan menghapus aksen—misalnya, è, é, ê, atau ë
• Hashing: SHA256 berenkode Base64

Valid: TO_BASE64(SHA256("délacruz"))

Tidak valid: TO_BASE64(SHA256("dé la Cruz, Jr."))

Negara

• Sertakan kode negara meskipun semua data pelanggan Anda berasal dari negara yang sama
• Jangan menggunakan hash untuk data negara
• Gunakan kode negara ISO 3166-1 alpha-2
• Hashing: Tidak ada

Valid: US

Tidak valid: United States of America atau USA

Kode pos

• Jangan hash data kode pos
• Kode zip/pos AS dan internasional diizinkan
• Untuk Amerika Serikat:
  • Kode 5 digit diizinkan—misalnya, 94043
  • 5 digit yang diikuti dengan ekstensi 4 digit juga diizinkan—misalnya, 94043-1351 atau 940431351
• Untuk semua negara lain:
  • Tidak perlu pemformatan (Tidak perlu huruf kecil, atau menghapus spasi dan karakter khusus)
  • Jangan sertakan ekstensi kode pos
• Hashing: Tidak ada

Validasi hash dan encoding data

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

JavaScript

  /**
   * @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 [e-mail]:
    // h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
    hash('[e-mail]').then(result => console.log(result));

    // Expected hash for [phone]:
    // YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
    hash('[phone]').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()

Python

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

  Supports: Python 2, Python 3

  Sample hashes:

    - Email '[e-mail]': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
    - Phone '[phone]':   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(
        '[e-mail]', expected='h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=')
    print_hash(
        '[phone]', expected='YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=')
    print_hash('John', expected='ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=')
    print_hash('Doe', expected='eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=')

  if __name__ == '__main__':
    main()

Go

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

  Sample hashes:

    - Email '[e-mail]': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
    - Phone '[phone]':   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("[e-mail]")
    PrintHash("[phone]")
    PrintHash("John")
    PrintHash("Doe")
  }

Java

  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 '[e-mail]': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
  *   <li>Phone '[phone]': 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("[e-mail]");
    printHash("[phone]");
    printHash("John");
    printHash("Doe");
  }
  }

SQL

  /*
  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 '[e-mail]': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
    - Phone '[phone]':   YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
    - First name 'John':      ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
    - Last name 'Doe':        eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=

  The unhashed input table schema is assumed to be:

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

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

Kunci penghubung

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

1. Email, Telepon, Alamat (terkuat)
2. Telepon, Alamat
3. Email, Alamat
4. Email, Telepon
5. Alamat
6. Telepon
7. Email (terlemah)

Membuat tabel kecocokan

1. Klik Laporan > Buat laporan > Pembuatan tabel kecocokan cloud pribadi > Gunakan template Opsional: Anda dapat memilih Pembuatan tabel kecocokan cloud pribadi dengan hashing jika data Anda belum di-hash.

   // 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`
   );
   

2. Ganti nama parameter dengan nama kolom Anda untuk memberikan alias yang tepat.

3. Klik Tetapkan jadwal untuk menetapkan frekuensi seberapa sering Anda ingin tabel kecocokan diperbarui. Setiap proses akan menimpa tabel kecocokan saat ini.

Membuat kueri data yang cocok

Membuat kueri tabel kecocokan

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

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

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

Peringatan: Karena peraturan Uni Eropa, UPDM tidak lagi tersedia untuk tabel non-jaringan yang terisolasi kebijakan, seperti adh.google_ads_impressions_policy_isolated_youtube. Untuk terus menjalankan kueri ini, hapus _policy_isolated_youtube untuk membatasi hanya pengguna yang memberikan izin.

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

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

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

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

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

Catatan: Perbandingan antara byte dan string secara implisit mengenkode byte ke Base64.

Sampel kueri

Menghitung pengguna yang cocok

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

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

SELECT COUNT(DISTINCT user_id)
FROM adh.google_ads_impressions_updm

Menghitung tingkat kecocokan

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

/* Calculate the UPDM match rate */

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

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

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

Menggabungkan data pihak pertama dan Google Ads

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

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

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

FAQ UPDM

Untuk daftar FAQ terkait UPDM, lihat FAQ UPDM.