Analyse des données avec Adobe Analytics : doù viennent les données

Vous ne le savez peut-être pas, mais les utilisateurs d'Adobe Analytics effectuent des analyses de données sur des éléments autres que leurs sites Web. Adobe capture également des données pour le compte de ses clients dans des applications mobiles, des applications pour tablettes, etc. De plus, Adobe a intégré une flexibilité considérable à Adobe Analytics pour gérer un monde de consommation plus connecté numériquement qui passe de l'assistant vocal au téléphone à l'ordinateur portable.

©Shutterstock/LineTale

Les perceptions de la nature de l'analyse des données ont été définies dans le domaine de la culture populaire par le personnage de Jonah Hill dans l'adaptation cinématographique du livre Moneyball . Dans cette histoire vraie, une équipe de baseball de petit marché (les Oakland A) a réussi à surpasser considérablement les équipes avec une masse salariale beaucoup plus importante en identifiant et en agissant de manière innovante pour acquérir des joueurs sous-évalués sur la base de mesures statistiques de l'efficacité d'un joueur au-delà et à bien des égards allant à l'encontre de la tradition des mesures, telles que les moyennes au bâton, les circuits par saison et les points produits (points produits).

Depuis la sortie de ce film, de nouveaux défis de plus en plus complexes dans la collecte et l'analyse des données sont apparus. ( Consultez cet article pour en savoir plus sur les tendances des données .)

Par exemple, les utilisateurs d'appareils en ligne ont été conditionnés à naviguer rapidement d'un endroit à un autre, nécessitant des mesures plus nuancées et détaillées pour suivre avec précision l'activité des utilisateurs. Et les utilisateurs sont de plus en plus conscients des considérations de confidentialité et prennent des décisions plus éclairées sur la manière dont ils souhaitent gérer la relation entre la commodité offerte par le suivi de leur activité et le maintien de la confidentialité de leur activité en ligne.

De l'autre côté de la médaille d'analyse des données, il existe beaucoup plus de sources de données utilisateur qu'il y a quelques années. Aujourd'hui, Adobe dispose d'un certain nombre de mécanismes pour importer des informations pour l'analyse de données à partir de sources déconnectées numériquement telles que les centres d'appels, les systèmes de gestion de la relation client (CRM) et les moteurs de commerce en magasin.

Avant de plonger dans les détails de la collecte des données, il est important de comprendre que la capture des données et leur pompage dans Adobe Analytics ne sont normalement pas du domaine des analystes de données. Votre travail en tant qu'analyste consiste à analyser les données capturées à partir de l'activité des utilisateurs.

Mais l'aperçu de base suivant sur la façon dont les données sont collectées est important pour les analystes pour deux raisons. Premièrement, il est bon de savoir d'où proviennent les données lorsque vous souhaitez évaluer leur validité ; et deuxièmement, avoir une compréhension de base du processus d'exploration et d'envoi de données dans Adobe Analytics vous permet d'avoir des interactions plus productives avec les personnes qui configurent les outils d'extraction de données.

Utilisation d'Adobe Analytics pour capturer des données à partir de sites Web

Commençons par la source de données Adobe Analytics la plus courante : les sites Web. Les données Web ont été initialement analysées sur la base des journaux du serveur. Les données du journal du serveur sont automatiquement générées par les serveurs qui hébergent des sites Web et fournissent un nombre et un horodatage de chaque demande et téléchargement de chaque fichier sur le site. Malheureusement, les données sont très peu fiables car les journaux du serveur n'ont pas la capacité de distinguer les robots des humains.

Les bots sont des ordinateurs automatisés qui analysent les sites Web. Ces robots sont souvent conviviaux et utilisés pour classer les sites Web pour les moteurs de recherche ou les sites Web d'agrégateurs de produits. Certains bots, cependant, sont hostiles et utilisés pour des informations concurrentielles ou pires.

Étant donné que les journaux du serveur ne peuvent pas distinguer un humain d'un bot, l'industrie a rapidement migré vers les balises, qui sont désormais la norme de l'industrie. En règle générale, les balises sont des lignes de code basées sur JavaScript qui ajoutent une image invisible à chaque page et action de votre site Web. Ces images servent de balise aux outils d'analyse, où plusieurs choses se produisent en quelques millisecondes :

Le code JavaScript s'exécute pour identifier les informations du navigateur et de l'appareil ainsi que l'horodatage de la page vue.

Plus de code JavaScript s'exécute pour rechercher l'existence d'un cookie, qui est un morceau de texte enregistré sur un navigateur. Les cookies ne sont accessibles que par les domaines qui les définissent et ont souvent une date d'expiration.

S'il existe, un identifiant de visiteur est extrait du cookie pour identifier l'utilisateur à travers les visites et les pages. Si un identifiant de visiteur n'existe pas, un identifiant unique est créé et défini dans un nouveau cookie. Ces identifiants sont uniques pour chaque visiteur mais ne sont pas liés aux données personnelles d'un utilisateur, offrant ainsi une mesure de confidentialité pour les utilisateurs.

Plus de JavaScript est utilisé pour capturer des informations sur la page : l'URL, le référent et une multitude de dimensions personnalisées qui identifient l'action et le comportement du visiteur.

Après toute cette logique JavaScript, la balise d'image est générée pour envoyer des données au moteur de collecte et de traitement dans les analyses d'Adobe.

Intimidant n'est-ce pas ? Eh bien, c'est ce que ressentaient les développeurs Web. Lorsque l'analyse Web est apparue pour la première fois, l'une des tâches les plus difficiles consistait à enseigner aux développeurs comment écrire et tester tout ce JavaScript pour s'assurer que nos balises se déclenchent avec précision. Apprendre aux développeurs à développer - pas un travail amusant.

Heureusement pour nous, un développeur encore plus intelligent a eu l'idée de déplacer tout ce JavaScript dans une seule interface utilisateur (interface utilisateur). les développeurs Web n'avaient qu'à ajouter une ou deux lignes de code à chaque page du site, et le spécialiste du marketing pouvait alors gérer ses balises dans cette nouvelle plate-forme appelée système de gestion de balises, ou TMS. Il n'a pas fallu longtemps pour que l'industrie de la gestion des balises explose, entraînant des dizaines de fournisseurs, puis des acquisitions, des fusions et des pivots technologiques.

La bonne nouvelle est que l'industrie des systèmes de gestion de balises est devenue banalisée et est disponible gratuitement auprès d'Adobe sous la forme de Dynamic Tag Manager (DTM) et Adobe Launch. Vous connaissez peut-être déjà le TMS de Google, Google Tag Manager ou l'un des lecteurs TMS indépendants tels que Tealium, Ensighten ou Signal.

Il est probable que votre entreprise utilise déjà l'une de ces technologies pour déployer des balises marketing sur votre site Web. Tous peuvent déployer Adobe Analytics, bien que la recommandation d'Adobe pour les meilleures pratiques soit d'utiliser Adobe Launch.

Utilisation d'Adobe Analytics pour capturer des données à partir d'appareils mobiles

Si les sites Web standard livrés sur un ordinateur portable sont le point de départ naturel de notre discussion sur la collecte de données, le passage à un écran mobile plus petit est la prochaine étape logique.

Vous savez peut-être déjà qu'à ce stade de l'évolution de la conception Web, les sites Web mobiles sont des pages Web entièrement fonctionnelles, et non des appendices après coup d'ordinateurs portables, de bureaux ou de grands sites de moniteurs. Ces sites Web à plus petite échelle sont créés en utilisant une approche de développement Web appelée conception réactive, dans laquelle le code utilisé pour créer le contenu du site Web est le même quelle que soit la taille de l'écran et du navigateur du visiteur Web. Votre entreprise tire probablement déjà parti de la conception réactive.

Lorsque la conception réactive est appliquée, les mêmes balises qui se déclenchent sur le site de bureau devraient fonctionner sur les sites Web optimisés pour les mobiles et les tablettes, car il s'agit essentiellement de la même chose, ce qui est une bonne nouvelle dans le monde de la gestion des balises. Cependant, le monde des applications mobiles basées sur le responsive design est complètement différent de celui des applications natives.

Mining data from native apps with Adobe Analytics

Native apps present particular challenges for data collection. These mobile and tablet applications are programmed in a different way than responsive websites.

In general, native apps don’t run in browsers, don’t use HTML, and can’t run JavaScript. In fact, applications built for iOS are built in a different programming language (Objective C) than Android apps (Java). These technical programming languages are mentioned for one important reason: A tag management system is not going to work on your mobile and tablet applications.

Some tag management system vendors have hacked the capability to incorporate JavaScript into apps, but the result has limited capabilities and is far from a best practice. The most complete, accurate, and scalable way to deploy Adobe tools is to use the Adobe mobile software development kit (SDK). The Adobe mobile SDK is built to work as a data collection system, like a tag management system, but uses the app’s native programming language (Objective C for iOS or Java for Android).

The Adobe SDK is important because it has deeper access into the code that runs the app and therefore can be used for more than just data collection. In addition to sending data to Adobe Analytics, the Adobe SDK is required to do the following:

• Capture geographic location data based on GPS.
• Utilize geofences based on that GPS data for analysis or action.
• Envoyez des notifications push aux utilisateurs.
• Mettez à jour le contenu de l'application via la messagerie intégrée, la personnalisation et les tests.

L'accès à ces fonctionnalités peut être limité à la référence ou à la version que votre entreprise a achetée auprès d'Adobe. Collaborez avec votre responsable de compte Adobe pour comprendre lesquelles de ces fonctionnalités sont incluses dans votre contrat.

Utilisation d'Adobe Analytics pour capturer les données de l'IoT et au-delà

Maintenant que vous comprenez les normes de collecte pour les deux plus grands cas d'utilisation (web et mobile), il est temps de passer à un ensemble plus générique de l'Internet des objets (IoT). Tous ceux qui posent des questions sur les données doivent penser aux kiosques numériques, aux montres intelligentes, aux voitures connectées, aux écrans interactifs et à tous les autres nouveaux appareils annoncés par nos chefs de file de la technologie depuis la rédaction de cette phrase.

Les fournisseurs tels qu'Adobe ont du mal à rester au courant de chaque nouvel appareil, car la création de SDK prend du temps, de l'argent, des recherches, des ingénieurs, du code, une assurance qualité, etc. Mais ne vous inquiétez pas : les appareils qui n'ont pas de SDK natifs peuvent toujours envoyer des données à Adobe Analytics.

La meilleure pratique pour envoyer des données à partir de l'un de ces appareils consiste à utiliser une interface de programmation d'application (API). En bref, cela signifie que les développeurs de l'application IoT peuvent écrire leur propre code pour créer une connexion à votre compte Adobe Analytics, puis lui envoyer des données.

Les API sont devenues le moyen par défaut d'envoyer des données à partir de n'importe quel appareil connecté à Internet à temps plein ou à temps partiel. Adobe a également quelques recommandations à partager, en particulier pour certains de leurs gros paris en ce qui concerne ces nouveaux appareils, tels que la voix et la voiture connectée. Au moment d'écrire ces lignes, les SDK ne sont pas disponibles pour les appareils à commande vocale ou les applications de voiture connectées. Cependant, Adobe a des bonnes pratiques pour la personnalisation des données, les paramètres variables et les options de code pour ces deux technologies.

Les logiciels d'entreprise (logiciels concédés sous licence aux institutions) sont régulièrement mis à jour et Adobe publie les meilleures pratiques pour le suivi des données associées aux nouveaux supports numériques tels que la voix et la voiture connectée.

Vous avez maintenant exploré tous les types de données générées par les appareils qui ont un accès à temps partiel ou à temps plein au Web : ordinateurs, téléphones, tablettes et IoT.

Les expériences et interactions numériques des personnes sur ces appareils sont capturées par une combinaison de TMS, SDK et API. Selon les spécialistes du marketing et les analystes, il manque quelque chose à cette liste : des données qui ne sont pas basées sur le comportement.

Le meilleur exemple de données non comportementales vient peut-être de votre outil de gestion de la relation client (CRM) . Les outils CRM sont utilisés pour organiser, catégoriser et gérer vos prospects et clients. Voici d'autres exemples de données non comportementales qui pourraient intéresser les spécialistes du marketing et les analystes :

• Centre d'appel
• Achats hors ligne ou en magasin
• Retours ou annulations
• Coût du produit des marchandises vendues
• Campagne publicitaire
• Satisfaction du client

Adobe Analytics peut importer n'importe lequel de ces types de données ainsi que de nombreux autres. En général, ces données sont importées dans Adobe Analytics via le protocole de transfert de fichiers (FTP) ou l'API.