คำถามที่พบบ่อยเกี่ยวกับ Adobe Analytics

ทริกเกอร์การรีมาร์เก็ตติ้งใน Adobe Analytics คืออะไร

ทริกเกอร์การรีมาร์เก็ตติ้งใน Adobe Analytics คือตัวกระตุ้นที่ช่วยให้นักการตลาดสามารถระบุ นิยาม และติดตามพฤติกรรมผู้บริโภคที่มีนัยสำคัญได้อย่างต่อเนื่อง เมื่อตรวจพบพฤติกรรมเหล่านี้ ระบบจะเริ่มการสื่อสารข้ามโซลูชัน เช่น อีเมลที่ปรับแต่งให้เหมาะกับบุคคล เพื่อดึงดูดความสนใจของผู้เข้าชมเหล่านี้อีกครั้ง ความสามารถนี้เปลี่ยนการสังเกตข้อมูลเชิงรับให้กลายเป็นโอกาสในการดึงดูด engagement อีกครั้ง (re-engagement) ในเชิงรุก ซึ่งเป็นส่วนสำคัญของกลยุทธ์ทางการตลาดที่คล่องตัวและตอบสนองได้ดี โดยพื้นฐานแล้วเป็นเรื่องเกี่ยวกับการแปลงสิ่งที่เป็นเหมือนภาษากายบนโลกดิจิทัลที่สังเกตได้ให้เป็นปฏิสัมพันธ์ที่เกี่ยวข้องอย่างถูกจังหวะเวลา

ทริกเกอร์การรีมาร์เก็ตติ้งของ Adobe Analytics ต่างจากตัวอย่างพื้นฐานอย่างการละทิ้งตะกร้าสินค้าอย่างไร

แม้ว่าการละทิ้งตะกร้าสินค้าจะถือเป็นตัวอย่างที่เห็นได้ชัดของทริกเกอร์พื้นฐานตามแบบฉบับ แต่การรีมาร์เก็ตติ้งภายในธุรกิจที่ขับเคลื่อนด้วยข้อมูลอย่างแท้จริงนั้นยังมีศักยภาพอีกมากมายนอกเหนือจากสถานการณ์ดังกล่าว Adobe Analytics ช่วยให้สามารถกำหนดค่าทริกเกอร์การรีมาร์เก็ตติ้งที่ใช้ประโยชน์จากข้อมูลที่มีทั้งหมดแบบเรียลไทม์ แทนที่จะจำกัดอยู่แค่บางเหตุการณ์เป็นรายเหตุการณ์ไป การใช้ข้อมูลอย่างครอบคลุมนี้ถือเป็นปัจจัยแตกต่างที่สำคัญ ในบริบทนี้ ทริกเกอร์พื้นฐานแสดงเพียงเศษเสี้ยวของสิ่งที่สามารถทำได้ ซึ่งบ่งชี้ว่า Adobe Analytics มุ่งเป้าไปที่แนวทางการรีมาร์เก็ตติ้งที่ครอบคลุมมากขึ้น ละเอียดอ่อนมากขึ้น และท้ายที่สุดก็ทรงพลังมากขึ้น โซลูชันการจัดการอีเมลหรือแคมเปญจำนวนมากมีทริกเกอร์พื้นฐานอยู่แล้ว แต่ต้องใช้วิธีการที่ครอบคลุมกว่าจึงจะมีโปรแกรมรีมาร์เก็ตติ้งแบบ cross-channel ที่มีประสิทธิภาพอย่างแท้จริง

การดำเนินการประเภทใดที่สามารถทริกเกอร์การรีมาร์เก็ตติ้งใน Adobe Analytics ได้

ความยืดหยุ่นของ Adobe Analytics ช่วยให้สามารถกำหนดค่าทริกเกอร์การรีมาร์เก็ตติ้งตามการดำเนินการของผู้บริโภคจำนวนมากได้ ซึ่งรวมถึงสถานการณ์อีคอมเมิร์ซทั่วไป เช่น การละทิ้งรถเข็น รวมถึงกรณีที่ผลิตภัณฑ์ถูกลบออกจากรถเข็นโดยชัดเจน นอกเหนือจากอีคอมเมิร์ซแล้ว สามารถเปิดใช้งานทริกเกอร์ได้ เช่น การสมัครรับจดหมายข่าว การสมัครรับอีเมล การสมัครบัตรเครดิต การสมัครโปรแกรมสะสมคะแนน และการดำเนินการที่กำหนดเองอื่นๆ ยิ่งมีทริกเกอร์ที่หลากหลาย แพลตฟอร์มก็ยิ่งต้องปรับตัวได้ดี ช่วยให้ธุรกิจต่างๆ ปรับเปลี่ยนกลวิธีการรีมาร์เก็ตติ้งให้เหมาะกับเป้าหมาย conversion ที่หลากหลายและทัชพอยต์ที่เจาะจงตลอดการเดินทางของลูกค้า ขอบเขตการทำงานจึงขยายออกไปกว้างไกลกว่าเพียงแค่กู้คืนธุรกรรมกลับมา

Adobe Analytics ผสานการทำงานกับ Adobe Campaign เพื่อทำรีมาร์เก็ตติ้งได้อย่างไร

Adobe Analytics สามารถผสานการทำงานได้อย่างมีประสิทธิภาพกับ Adobe Campaign การจับคู่นี้ได้รับการออกแบบมาให้รวดเร็ว ช่วยให้นักการตลาดสามารถนำกลยุทธ์รีมาร์เก็ตติ้งไปใช้ได้อย่างรวดเร็ว เมื่อผสานรวมแล้ว ระบบจะทำงานร่วมกันเพื่อให้ผู้ทำการตลาดสามารถดำเนินการได้เกือบจะทันทีเมื่อเกิดเหตุการณ์ที่เป็นทริกเกอร์ เพื่อส่งข้อความรีมาร์เก็ตติ้งออกไปในช่วงเวลาที่เหมาะสมที่สุด การผสานการทำงานอย่างแน่นแฟ้นนี้มีความสำคัญในการแปลข้อมูลเชิงลึกให้เป็นการกระทำ

ความสามารถของระบบในการตรวจสอบพฤติกรรมสำคัญของผู้บริโภคในวงกว้างและริเริ่มการสื่อสารแบบข้ามโซลูชัน โดยเฉพาะอย่างยิ่งในแบบเรียลไทม์ด้วย Adobe Campaign ถือเป็นการเปลี่ยนแปลงที่สำคัญ เปลี่ยนการตลาดจากกลยุทธ์รีมาร์เก็ตติ้งจะที่ทำงานเชิงรับและเน้นเป้าหมายเป็นกลุ่มๆ ไปเป็นโมเดลการดึงดูดเฉพาะบุคคลแบบเชิงรุกอิงตามบริบทสูงสำหรับผู้คนวงกว้าง ซึ่งบ่งบอกว่าธุรกิจสามารถทำให้กระบวนการดูแลลูกค้าเป็นแบบอัตโนมัติ ตามสัญญาณของลูกค้าที่หลากหลาย ทำให้เกิดการโต้ตอบที่มีความหมายมากยิ่งขึ้น

Adobe Analytics และ AEM Sites ทำงานร่วมกันอย่างไร

Adobe Analytics และ AEM Sites ได้รับการออกแบบมาเพื่อการผสานรวมแบบเนทีฟ โดยสร้างโฟลว์ข้อมูลเชิงลึกที่ไหลเวียนต่อเนื่องทั้งสองทิศทาง ข้อมูลการวิเคราะห์ที่เกี่ยวข้องกับพฤติกรรมของลูกค้าและประสิทธิภาพของเนื้อหาจะถูกป้อนไปยัง AEM ในขณะที่ข้อมูลเกี่ยวกับเนื้อหาที่ให้บริการจะพร้อมใช้งานใน Analytics การแลกเปลี่ยนแบบต่างตอบแทนนี้มุ่งหวังที่จะสร้างแหล่งข้อมูลเดียวสำหรับทั้งข้อมูลลูกค้าและเนื้อหาที่พวกเขาโต้ตอบด้วย มุมมองแบบรวมศูนย์นี้มีความสำคัญพื้นฐานเนื่องจากช่วยระบบข้อมูลเดิมๆ ที่เคยมีอยู่กระจัดกระจายกันในระหว่างการทำความเข้าใจพฤติกรรมของลูกค้า (หน้าที่ของ Analytics) และการส่งมอบประสบการณ์เนื้อหาที่ปรับแต่งให้เหมาะสม (บทบาทของ AEM) ผลลัพธ์คือระบบ closed-loop ซึ่งมีข้อมูลเชิงลึกคอยขับเคลื่อนเนื้อหา ส่วนประสิทธิภาพของเนื้อหาจะช่วยปรับแต่งข้อมูลเชิงลึกให้ละเอียดยิ่งขึ้น

การผสานการทำงาน Analytics กับ AEM มีประโยชน์อะไรบ้าง

การผสานการทำงานของ Adobe Analytics กับ AEM Sites ก่อให้เกิดประโยชน์สำคัญหลายประการแก่ธุรกิจ ซึ่งรวมถึงการจัดตั้งเวิร์กโฟลว์ข้ามระบบที่ปรับกระบวนการทำงานระหว่างการวิเคราะห์กับการจัดการเนื้อหาให้มีประสิทธิภาพ ทำให้สามารถปรับเนื้อหาให้มีความเฉพาะบุคคลแบบขั้นสูงได้ผ่านระบบอัตโนมัติของปัญญาประดิษฐ์ (AI) ช่วยให้สามารถปรับแต่งแบบ asset ให้เหมาะกับกลุ่มเป้าหมายที่แตกต่างกันไปได้อย่างแทบไม่จำกัด นอกจากนี้ยังรองรับเนื้อหาไดนามิกที่ปรับให้เข้ากับการกระทำ พฤติกรรม และความต้องการของลูกค้าแบบเรียลไทม์อีกด้วย การผสานการทำงานยังสนับสนุนการสร้างและการส่งมอบประสบการณ์แบบ cross-channel ผ่านสถาปัตยกรรม Content Management System (CMS) แบบ headless

การตรวจจับความผิดปกติใน Adobe Analytics คืออะไร

การตรวจจับความผิดปกติใน Adobe Analytics เป็นฟีเจอร์ที่ใช้การสร้างโมเดลทางสถิติและเทคนิค machine learning เพื่อระบุความเบี่ยงเบนที่ไม่คาดคิดหรือมีความสำคัญทางสถิติภายในข้อมูลโดยอัตโนมัติ ได้รับการออกแบบมาเพื่อรวบรวมข้อมูลจำนวนมากอย่างเป็นระบบเพื่อระบุปัจจัยที่ส่งผลกระทบต่อธุรกิจได้อย่างรวดเร็ว ความสามารถนี้จะทำให้กระบวนการที่ใช้เวลานานและมักต้องทำด้วยตนเอง กลายเป็นระบบอัตโนมัติ การเผยให้เห็นการเปลี่ยนแปลงที่สำคัญซึ่งอาจไม่มีใครสังเกตเห็นล่วงหน้า ช่วยให้นักวิเคราะห์และนักการตลาดสามารถมุ่งความสนใจไปยังจุดที่จำเป็นมากที่สุดได้

การตรวจจับความผิดปกติช่วยระบุเหตุการณ์ข้อมูลสำคัญได้อย่างไร

การตรวจจับสิ่งผิดปกติจะระบุการเพิ่มขึ้นหรือลดลงที่ไม่คาดคิดในปริมาณการรับส่งข้อมูลหรือเมตริกชี้วัดสำคัญอื่นๆ และนำเสนอผลลัพธ์เหล่านี้ด้วยภาพที่ชัดเจน ความผิดปกติดังกล่าวอาจบ่งชี้ถึงเหตุการณ์สำคัญหลายประการ เช่น ผลลัพธ์เชิงบวก เช่น แคมเปญการตลาดที่มีประสิทธิภาพดีกว่าที่คาดไว้ หรือปัญหาเชิงลบ เช่น บั๊กของเว็บไซต์ ข้อผิดพลาดในการแท็ก หรือกิจกรรมที่เป็นอันตราย เช่น การจารกรรมในองค์กร ไม่ว่าสาเหตุของความผิดปกติจะมีประโยชน์หรือผลเสีย การระบุความผิดปกติได้อย่างรวดเร็วก็ถือเป็นสิ่งที่ดีเสมอ คุณค่าหลักอยู่ที่ความรวดเร็วของการระบุตัวตนและความสามารถในการทำเครื่องหมายทั้งโอกาสที่สามารถใช้ประโยชน์ได้และภัยคุกคามที่ต้องมีการบรรเทา ซึ่งช่วยให้สามารถตอบสนองได้รวดเร็วและมีข้อมูลเพียงพอ

Contribution analysis สามารถใช้ร่วมกับการตรวจจับความผิดปกติได้อย่างไร

การทำความเข้าใจถึงสาเหตุของความผิดปกติถือเป็นสิ่งสำคัญสำหรับการดำเนินการที่เหมาะสมเมื่อตรวจพบความผิดปกติ ฟีเจอร์ contribution analysis สนับสนุนภายใน analysis workspace ทำงานร่วมกับการตรวจจับความผิดปกติเพื่อตอบสนองความต้องการนี้ ซึ่งช่วยให้ผู้ใช้สามารถก้าวข้ามจากการรู้ว่าเมื่อใดสิ่งผิดปกติเกิดขึ้นไปสู่การเข้าใจสาเหตุ Contribution analysis ช่วยค้นพบปัจจัยที่ทำให้เกิดความผิดปกติ ความสามารถในการวินิจฉัยนี้มีความจำเป็นสำหรับการกำหนดแนวทางตอบสนองที่มีประสิทธิผล ไม่ว่าจะเป็นการแก้ไขปัญหาหรือการขยายโครงการที่ประสบความสำเร็จ

การตรวจจับความผิดปกติสามารถอธิบายเหตุการณ์ตามฤดูกาลได้หรือไม่

ใช่ เมื่อมีการใช้การตรวจจับความผิดปกติภายใน analysis workspace จะสามารถอธิบายเหตุการณ์ตามฤดูกาลที่คาดการณ์ได้ ซึ่งอาจรวมถึงช่วงเวลาการขายปลีกที่สำคัญ เช่น วันแบล็กฟรายเดย์ ช่วงที่มีการเดินทางท่องเที่ยวสูง เช่น ช่วงปิดเทอมฤดูใบไม้ผลิ และวันหยุดอื่นๆ ฟังก์ชันนี้มีความสำคัญ เนื่องจากช่วยให้ระบบสามารถแยกแยะความผิดปกติที่เกิดขึ้นจริงจากความผันผวนตามปกติที่คาดว่าจะเกิดขึ้นในรูปแบบข้อมูลได้ จึงลดโอกาสที่จะเกิดผลลัพธ์ false positives และทำให้การแจ้งเตือนมีความหมายมากขึ้น ตามแนวทางแบบดั้งเดิมในการวิเคราะห์ นักวิเคราะห์มักต้องลงมือคัดกรองรายงานต่างๆ ด้วยตนเองเพื่อค้นหาปัญหาหรือแนวโน้มที่สำคัญ

Data Warehouse และฟีดข้อมูลใน Adobe Analytics คืออะไร

Data Warehouse ของ Adobe Analytics มอบความสามารถในการจัดเก็บข้อมูลลูกค้าที่ขยายออกไป พร้อมด้วยตัวเลือกสำหรับการประมวลผลข้อมูลใหม่และการรายงานขั้นสูง ได้รับการออกแบบมาเพื่อจัดการกับชุดข้อมูลขนาดใหญ่และการสืบค้นเชิงวิเคราะห์ที่ซับซ้อน

ฟีดข้อมูลจะเน้นไปที่การส่งมอบข้อมูลดิบแบบเป็นชุด สามารถกำหนดเวลาให้เกิดขึ้นซ้ำทุกวันหรือทุกชั่วโมง เพื่อให้ได้ข้อมูลที่ไม่ได้รับการประมวลผลอย่างต่อเนื่อง ส่วนประกอบทั้งสองนี้มีฟังก์ชันที่แยกจากกันแต่เสริมซึ่งกันและกันในการจัดการและการเข้าถึงข้อมูลโดยละเอียดที่รวบรวมโดย Adobe Analytics Data Warehouse รองรับความต้องการในการจัดเก็บข้อมูลในระยะยาวและการวิเคราะห์เชิงลึก ในขณะที่ฟีดข้อมูลช่วยอำนวยความสะดวกในการดึงข้อมูลดิบโดยอัตโนมัติเป็นประจำเพื่อใช้ในระบบอื่นๆ

ข้อมูลดิบจาก Adobe Analytics สามารถนำไปใช้ได้อย่างไร

ข้อมูลดิบจาก Adobe Analytics สามารถส่งออกและป้อนเข้าสู่ระบบรีมาร์เก็ตติ้ง ใช้ในการสร้างโมเดลการระบุแหล่งที่มาที่ซับซ้อน หรือใช้ในการพัฒนา propensity scores สำหรับการวิเคราะห์เชิงทำนาย นอกจากนี้ ข้อมูลดิบมักถูกส่งออกเพื่อวัตถุประสงค์ในการเก็บถาวรหรือการวิเคราะห์ในระยะยาว ซึ่งอาจเกินขีดความสามารถของอินเทอร์เฟซการรายงานมาตรฐาน นี่เป็นการเน้นย้ำหลักการที่ว่าคุณค่าของข้อมูลจาก Adobe Analytics ขยายออกไปไกลกว่าเครื่องมือรายงานดั้งเดิม และทำให้สามารถนำไปใช้ขับเคลื่อนระบบธุรกิจที่สำคัญอื่นๆ และโมเดลการวิเคราะห์ขั้นสูงได้

Data Warehouse มีความสามารถอะไรบ้าง

Data Warehouse สร้างขึ้นเพื่อขยายการรองรับและประสิทธิภาพการทำงาน ซึ่งช่วยให้ประมวลผลข้อมูลได้ไม่จำกัดจำนวนแถวในคำขอเดียวสำหรับรายงานที่กำหนดเวลาและดาวน์โหลดแต่ละรายการ ฟีเจอร์นี้มีประโยชน์อย่างยิ่งสำหรับการวิเคราะห์ชุดข้อมูลจำนวนมากในเชิงลึก นอกจากนี้ยังช่วยให้สามารถส่งออกและจัดเก็บข้อมูลจำนวนมหาศาลได้โดยที่ผู้ใช้ไม่ต้องทำอะไรเพิ่มเติมมากนัก

ฟีดข้อมูลช่วยปรับปรุงการแสดงข้อมูลได้อย่างไร

ฟีดข้อมูลได้รับการออกแบบมาเพื่อสตรีมข้อมูลดิบจากฟีเจอร์ดิจิทัลต่างๆ เช่น เว็บไซต์ แอปพลิเคชันมือถือ หรือแหล่งข้อมูลออนไลน์อื่นๆ โดยตรงลงใน data lake ที่องค์กรเลือกหรือตำแหน่งจัดเก็บข้อมูลอื่น ผู้ใช้จะควบคุมฟีดเหล่านี้ได้หลากหลายรูปแบบ รวมถึงการกำหนดค่าฟีดใหม่ การจัดการฟีดที่มีอยู่ และการแก้ไขตามต้องการ เครื่องมือการจัดการงานที่ครอบคลุมช่วยให้สามารถตรวจสอบสถานะของงานฟีดข้อมูลทั้งหมด ตรวจยืนยันว่าแสดงเนื้อหาอย่างถูกต้อง และดำเนินงานซ้ำหากจำเป็น ทั้งหมดนี้จากอินเทอร์เฟซส่วนกลาง ซึ่งมอบกลไกที่เชื่อถือได้ จัดการได้ และอัตโนมัติในการดึงข้อมูลดิบจาก Adobe Analytics และผสานกับระบบข้อมูลองค์กรอื่นๆ จึงสนับสนุนกลยุทธ์ข้อมูลที่กว้างขึ้นและเชื่อมโยงกันมากขึ้น

การแจ้งเตือนอัจฉริยะใน Adobe Analytics คืออะไร

การแจ้งเตือนอัจฉริยะใน Adobe Analytics ช่วยให้ผู้ใช้สามารถสร้างและจัดการการแจ้งเตือนตามความผิดปกติของข้อมูลหรือเกณฑ์เมตริกที่เฉพาะเจาะจง ฟีเจอร์ที่สำคัญคือความสามารถในการสร้างการแจ้งเตือนแบบซ้อนกัน ซึ่งจะรวบรวมข้อมูลเกี่ยวกับเมตริกต่างๆ ไว้ในการแจ้งเตือนเดียว ระบบจะตรวจสอบข้อมูลอย่างต่อเนื่องและแจ้งให้ผู้ใช้ทราบทันทีเมื่อมีสิ่งผิดปกติเกิดขึ้น เช่น การเบี่ยงเบนอย่างมีนัยสำคัญจากรูปแบบมาตรฐานหรือเมื่อถึงเกณฑ์มาตรฐานที่กำหนดไว้ การแจ้งเตือนเหล่านี้ได้รับการออกแบบมาเพื่อช่วยให้ผู้ใช้สามารถติดตามการเปลี่ยนแปลงข้อมูลที่สำคัญได้โดยไม่ต้องตรวจสอบแดชบอร์ดด้วยตนเองอย่างต่อเนื่อง ส่งผลให้การดูแลข้อมูลมีประสิทธิภาพมากขึ้นและใช้แรงงานน้อยลง

การแจ้งเตือนอัจฉริยะทำงานร่วมกับการตรวจจับความผิดปกติอย่างไร

การแจ้งเตือนอัจฉริยะได้รับการออกแบบให้ผสานการทำงานกับฟีเจอร์การตรวจจับความผิดปกติได้อย่างลงตัว ซึ่งหมายความว่าระบบจะเรียกใช้การแจ้งเตือนตามเกณฑ์ความผิดปกติที่ระบุโดยอัลกอริทึม machine learning ช่วยให้มั่นใจได้ว่าการแจ้งเตือนจะทำงานเมื่อจำเป็นที่สุด การแจ้งเตือนอัจฉริยะไม่ได้ขึ้นอยู่กับเกณฑ์คงที่ง่ายๆ เพียงอย่างเดียว อย่างไรก็ตาม สามารถเปิดใช้งานได้ด้วยการเบี่ยงเบนที่สำคัญทางสถิติที่ระบบระบุว่าผิดปกติหรือไม่คาดคิด ซึ่งจะทำให้การแจ้งเตือนมีความเกี่ยวข้องและดำเนินการได้มากขึ้น

สามารถกำหนดค่าทริกเกอร์การแจ้งเตือนประเภทใดได้บ้าง

ผู้ใช้มีความยืดหยุ่นอย่างมากในการกำหนดค่าเงื่อนไขที่จะทำให้เกิดการแจ้งเตือน สามารถตั้งค่าการแจ้งเตือนตามเกณฑ์ความผิดปกติที่ได้มาจากฟีเจอร์การตรวจจับความผิดปกติ การเปลี่ยนแปลงเปอร์เซ็นต์เฉพาะในเมตริก หรือเมื่อค่าเมตริกสูงหรือต่ำกว่าจุดข้อมูลที่กำหนดไว้ล่วงหน้า ความสามารถในการปรับตัวนี้ช่วยให้ผู้ใช้สามารถกำหนด "เหตุการณ์สำคัญ" ได้อย่างแม่นยำสำหรับตัวชี้วัดประสิทธิภาพหลัก (KPI) ที่เฉพาะเจาะจงและบริบททางธุรกิจที่ไม่ซ้ำใคร โดยปรับแต่งระบบแจ้งเตือนให้ตรงกับลำดับความสำคัญของพวกเขา

การแจ้งเตือนได้รับการจัดการและส่งมอบอย่างไร

Adobe Analytics มอบเครื่องมือสำหรับการจัดการการแจ้งเตือนที่มีประสิทธิภาพ ผู้ใช้สามารถดูตัวอย่างความถี่ในการแจ้งเตือนได้โดยอิงจากข้อมูลในประวัติและการตั้งค่าปัจจุบัน ซึ่งช่วยปรับแต่งเกณฑ์การแจ้งเตือนเพื่อหลีกเลี่ยงความเบื่อหน่ายจากการแจ้งเตือนบ่อยเกินไป เมื่อตรงตามเงื่อนไขการแจ้งเตือนแล้ว สามารถส่งข้อความผ่านทางอีเมลหรือ SMS ได้ การแจ้งเตือนเหล่านี้มักจะมีลิงก์ไปยังการวิเคราะห์ที่สร้างโดยอัตโนมัติ ซึ่งให้บริบททันทีและอำนวยความสะดวกในการทำความเข้าใจเหตุการณ์ที่ทำให้เกิดการแจ้งเตือนได้รวดเร็วยิ่งขึ้น การส่งมอบผ่านช่องทางการสื่อสารมาตรฐานทำให้มีความตระหนักรู้ได้ทันท่วงที และการเชื่อมโยงโดยตรงไปยังการวิเคราะห์จะช่วยเร่งกระบวนการสอบสวน

การแจ้งเตือนแบบซ้อนคืออะไร

การแจ้งเตือนแบบซ้อนกันจะทำให้การจัดการการแจ้งเตือนมีประสิทธิภาพมากขึ้น โดยเปิดให้ผู้ใช้สามารถตรวจสอบเมตริกต่างๆ ได้หลายรายการภายในการแจ้งเตือนแบบรวมรายการเดียว แทนที่จะต้องสร้างและจัดการการแจ้งเตือนแต่ละรายการจำนวนมากสำหรับ KPI ที่เกี่ยวข้อง นอกจากนี้ การแจ้งเตือนยังสามารถปรับแต่งได้โดยการกรองตามเซกเมนต์กลุ่มเป้าหมายหรืออุปกรณ์เฉพาะ การแจ้งเตือนแบบซ้อนกันจะช่วยลดสัญญาณรบกวนการแจ้งเตือนโดยการจัดกลุ่มข้อมูลที่เกี่ยวข้อง ความสามารถในการกรองข้อมูลจะเพิ่มชั้นของความละเอียดอีกชั้นหนึ่ง ช่วยให้มั่นใจได้ว่าการแจ้งเตือนมีความเกี่ยวข้องอย่างมากกับผู้รับหรือพื้นที่เฉพาะของธุรกิจที่ถูกตรวจสอบ

การแนะนำการแจ้งเตือนอัจฉริยะ โดยเฉพาะอย่างยิ่งเมื่อผสานการทำงานกับฟีเจอร์การตรวจจับความผิดปกติ ถือเป็นการเปลี่ยนแปลงวิธีที่ผู้ใช้โต้ตอบกับข้อมูลของพวกเขา แทนที่ผู้ใช้จะต้องค้นหาข้อมูลเชิงลึกหรือปัญหาภายในชุดข้อมูลขนาดใหญ่และซับซ้อนด้วยตนเองและเชิงรุก ระบบจะคอยตรวจสอบอย่างใกล้ชิด โดยจะนำเสนอเหตุการณ์วิกฤตและการเบี่ยงเบนต่างๆ ให้ลูกค้าทราบโดยตรงผ่านช่องทางต่างๆ เช่น "อีเมลหรือ SMS พร้อมลิงก์ไปยังการวิเคราะห์ที่สร้างขึ้นโดยอัตโนมัติ" ซึ่งส่งเสริมให้มีการใช้แนวทางที่ทันท่วงที มีส่วนร่วม และตอบสนองต่อสัญญาณที่ขับเคลื่อนด้วยข้อมูลได้มากขึ้น

ฟีเจอร์ไลฟ์สตรีมใน Adobe Analytics คืออะไร

ไลฟ์สตรีมเป็นฟีเจอร์ใน Adobe Analytics ที่ให้การสตรีมข้อมูลระดับการเข้าชมที่ยังไม่ได้ประมวลผลแบบเรียลไทม์อย่างต่อเนื่อง ข้อมูลนี้จะพร้อมใช้งานได้ภายในไม่กี่วินาที โดยทั่วไปคือ 30 ถึง 90 วินาที หลังจากรวบรวมพื้นที่ดิจิทัลต่างๆ การเข้าถึงข้อมูลดิบแบบละเอียดแบบแทบจะทันทีถือเป็นสิ่งสำคัญสำหรับ use cases ที่ต้องมีการดำเนินการทันทีหรือต้องป้อนข้อมูลเข้าสู่ระบบเรียลไทม์อื่น คำว่า "ยังไม่ได้ประมวลผล" หมายความว่าข้อมูลอยู่ในรูปแบบที่ละเอียดที่สุด ยังไม่ได้รวบรวมหรือเปลี่ยนแปลงโดยกระบวนการรายงานมาตรฐาน ซึ่งทำให้เหมาะอย่างยิ่งสำหรับการวิเคราะห์ที่มีความเฉพาะเจาะจงหรือต้องใช้เวลา

Use cases ของข้อมูลเรียลไทม์จากไลฟ์สตรีมมีอะไรบ้าง

ไลฟ์สตรีมของข้อมูลแบบเรียลไทม์สามารถนำไปใช้กับ use cases ที่มีคุณค่าต่างๆ ได้ ได้แก่ การเพิ่มประสิทธิภาพให้กับแดชบอร์ดข้อมูลการเข้าชมแบบสดเพื่อการรับรู้การทำงานทันที การป้อนข้อมูลเข้าในเครื่องมือแนะนำและอัลกอริทึมการปรับแต่งส่วนบุคคลสำหรับทำรีทาร์เก็ตติ้งและรีมาร์เก็ตติ้งแบบไดนามิก การเปิดใช้งานการติดตามผลกระทบของแคมเปญการตลาดแบบเรียลไทม์ในขณะที่แคมเปญดำเนินไป และการปรับแต่งข้อเสนอและเนื้อหาสำหรับผู้ใช้ในช่วงเวลาที่เหมาะสมที่สุดระหว่างที่ผู้ใช้โต้ตอบ ตัวอย่างเหล่านี้แสดงให้เห็นถึงความหลากหลายของไลฟ์สตรีม ตั้งแต่การติดตามตรวจสอบการทำงานระดับสูงไปจนถึงการโต้ตอบกับลูกค้ารายบุคคลแบบทันที

ไลฟ์สตรีมสามารถผสานการทำงานกับผลิตภัณฑ์ Adobe Experience Cloud อื่นๆ ได้หรือไม่

ใช่ ข้อมูลจากไลฟ์สตรีมได้รับการออกแบบมาให้เข้ากันได้และผสานการทำงานกับผลิตภัณฑ์ Adobe Experience Cloud อื่นๆ สตรีมนี้ประกอบด้วยเหตุการณ์ระดับการเข้าชมที่มาจากโซลูชันอื่นๆ ภายในระบบนิเวศของ Adobe เช่น Adobe Target (สำหรับการปรับให้เหมาะกับบุคคลและการทดสอบ A/B) หรือ Adobe Advertising Cloud (สำหรับการจัดการโฆษณา) การผสานการทำงานนี้ช่วยเสริมข้อมูลสตรีมแบบเรียลไทม์ด้วยข้อมูลเชิงลึกและข้อมูลการโต้ตอบจากทัชพอยต์ต่างๆ ที่จัดการโดย Adobe Experience Cloud โดยมอบมุมมองแบบเรียลไทม์ที่ครอบคลุมมากขึ้นเกี่ยวกับกิจกรรมของลูกค้า ซึ่งสามารถใช้สำหรับการเปิดใช้งานทันทีและเวิร์กโฟลว์ข้ามโซลูชันได้

การวิเคราะห์วิดีโอมีฟังก์ชันอะไรบ้าง

การวิเคราะห์วิดีโอใน Adobe Analytics มอบรายละเอียดแบบเกือบเรียลไทม์เกี่ยวกับการใช้วิดีโอ รวมถึงเมตริกชี้วัดต่างๆ เช่น ระยะเวลาของวิดีโอ และจำนวนครั้งที่หยุดและเริ่มต้น ซึ่งช่วยให้สามารถประเมินและรวมค่าเมตริกวิดีโอต่างๆ เข้าด้วยกันเพื่อให้ได้ข้อมูลเชิงลึกเกี่ยวกับพฤติกรรมของผู้ชม ข้อมูลเชิงลึกเหล่านี้สามารถเพิ่ม engagement ได้ โดยมักจะทำได้ด้วยการส่งมอบคำแนะนำที่มีความเฉพาะบุคคลสูง จุดแข็งที่สำคัญอย่างหนึ่งคือความสามารถในการวัดประสิทธิภาพวิดีโอบนแพลตฟอร์มสื่อต่างๆ มากมาย และยังขยายไปจนถึงการติดตามการบริโภคเนื้อหาวิดีโอแบบออฟไลน์อีกด้วย โซลูชันเฉพาะทางนี้ได้รับการออกแบบมาเพื่อให้เข้าใจอย่างลึกซึ้งถึงการบริโภคเนื้อหาวิดีโอ ซึ่งมีค่าอย่างยิ่งสำหรับธุรกิจใดๆ ที่ต้องพึ่งพาวิดีโอเป็นอย่างมากเพื่อการสื่อสาร การตลาด หรือการสร้างรายได้

แพลตฟอร์มใดบ้างที่สามารถวัดผลด้วยการวิเคราะห์วิดีโอได้

ความสามารถในการวิเคราะห์วิดีโอขยายไปทั่วทุกแพลตฟอร์มการรับชมยุคใหม่ ซึ่งได้แก่ โทรศัพท์มือถือ, แท็บเล็ต, อุปกรณ์ OTT (เช่น สมาร์ททีวีและกล่องสตรีมมิง) กล่องรับสัญญาณแบบดั้งเดิม และเครื่องเล่นเกม ที่สำคัญ ยังรองรับการวัดเนื้อหาออฟไลน์ด้วย การรองรับแพลตฟอร์มที่ครอบคลุมนี้ช่วยให้ธุรกิจต่างๆ เห็นข้อมูลแบบองค์รวมของการรับชมวิดีโอได้จากช่องทางต่างๆ ที่กลุ่มเป้าหมายเข้าถึงเนื้อหาในปัจจุบัน

เมตริกชี้วัดวิดีโอหลักๆ ที่เราสามารถรวบรวมได้มีอะไรบ้าง

นอกเหนือจากยอดดูพื้นฐานแล้ว การวิเคราะห์สำหรับวิดีโอยังช่วยให้สามารถรวบรวมชุดเมตริกสำคัญหลากหลายอย่างซึ่งให้ข้อมูลเชิงลึกที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับ engagement และประสิทธิภาพ โดยรวมถึงข้อมูลต่อไปนี้

• จำนวนผู้ชมพร้อมกันในแต่ละนาที: มีประโยชน์โดยเฉพาะอย่างยิ่งสำหรับการประเมิน engagement ของผู้ชมตลอดกิจกรรมการถ่ายทอดสด
• เมตริกชี้วัดคุณภาพของประสบการณ์: แสดงประสบการณ์ผ่านวิดีโออย่างราบรื่นและไม่รบกวนกลุ่มเป้าหมายโดยการติดตามด้านต่างๆ เช่น การบัฟเฟอร์หรือข้อผิดพลาด
• ติดตามเนื้อหาออฟไลน์ที่ดาวน์โหลด: บันทึกการมีส่วนร่วมกับเนื้อหาวิดีโอที่ดาวน์โหลดไว้เพื่อดูแบบออฟไลน์
• วิดีโอที่กำลังได้รับความนิยมแบบเรียลไทม์: ระบุเนื้อหาวิดีโอที่ได้รับความนิยมสูงสุดในหมู่ผู้ชม
• การวิเคราะห์โฆษณาวิดีโอ: ช่วยให้เข้าใจว่าการนำเสนอโฆษณาส่งผลต่อผู้ชมอย่างไร และช่วยให้มั่นใจได้ว่าผู้ชมแต่ละคนจะได้รับข้อความโฆษณาที่ปรับแต่งให้เหมาะสมกับตนเอง มาตรวัดเหล่านี้ช่วยให้เข้าใจอย่างลึกซึ้งถึงการเข้าถึงเนื้อหาวิดีโอ, คุณภาพ engagement, ประสิทธิภาพทางเทคนิค และประสิทธิผลในการสร้างรายได้

รองรับการติดตามเนื้อหาออฟไลน์และการวิเคราะห์โฆษณาวิดีโอหรือไม่

ใช่ การวิเคราะห์สำหรับวิดีโอรองรับการติดตามเนื้อหาออฟไลน์ที่ดาวน์โหลดและการวิเคราะห์โฆษณาวิดีโออย่างชัดเจน ความสามารถในการติดตามแบบออฟไลน์ช่วยให้ธุรกิจเข้าใจ engagement ของผู้ใช้กับเนื้อหาแม้ว่าจะไม่ได้ไลฟ์สตรีมก็ตาม ฟีเจอร์การวิเคราะห์โฆษณาวิดีโอช่วยในการประเมินผลกระทบของโฆษณาต่อผู้ชมและในการเพิ่มประสิทธิภาพการนำเสนอโฆษณาเพื่อให้แน่ใจว่ามีการส่งข้อความที่ปรับแต่งให้เหมาะกับบุคคลและมีประสิทธิภาพ ฟีเจอร์เหล่านี้ช่วยตอบโจทย์ด้านสำคัญของกลยุทธ์วิดีโอสมัยใหม่ ได้แก่ การบริโภคขณะเดินทางและประสิทธิภาพของการโฆษณาบนวิดีโอ

Federated Analytics สำหรับวิดีโอคืออะไร

Federated Analytics เป็นฟีเจอร์ที่เกี่ยวข้องกับการวิเคราะห์วิดีโอซึ่งช่วยให้สามารถแบ่งปันและรับข้อมูลการวิเคราะห์วิดีโอจากผู้เผยแพร่ได้ เป้าหมายคือการให้มุมมองที่ครอบคลุมมากขึ้นเกี่ยวกับการบริโภควิดีโอ และเข้าใจถึงการเข้าถึงกลุ่มเป้าหมายทั้งหมดผ่านอุปกรณ์ต่างๆ และพาร์ทเนอร์ผู้เผยแพร่ได้ดีขึ้น ซึ่งมีความสำคัญอย่างยิ่งสำหรับผู้สร้างเนื้อหาและบริษัทสื่อที่เผยแพร่เนื้อหาวิดีโอผ่านแพลตฟอร์มหรือบริการ third-party หลายราย เนื่องจากช่วยให้สามารถรวบรวมข้อมูลผู้ชมเพื่อสร้างภาพรวมที่ครอบคลุมเกี่ยวกับกลุ่มเป้าหมายได้

โซลูชันนี้ช่วยให้บริษัทสื่อ ผู้สร้างเนื้อหา และนักการตลาดสามารถตัดสินใจโดยใช้ข้อมูลที่ได้รับมากขึ้นเกี่ยวกับกลยุทธ์การสร้างเนื้อหา ตารางรายการ และแนวทางการโฆษณาวิดีโอ โดยการให้ข้อมูลเชิงลึกโดยละเอียดเกี่ยวกับพฤติกรรมการรับชม การระบุวิดีโอที่เป็นกระแสแบบเรียลไทม์ และการเปิดใช้งานการวิเคราะห์โฆษณาวิดีโอ ตัวอย่างเช่น การทำความเข้าใจว่าการนำเสนอโฆษณาส่งผลต่อประสบการณ์ของผู้ชมอย่างไร และการทำให้แน่ใจว่าข้อความโฆษณาที่ได้รับการปรับแต่งให้เหมาะกับบุคคลสามารถปรับปรุงผลลัพธ์การสร้างรายได้และการรักษาผู้ชมได้

Adobe Analytics รองรับการวิเคราะห์ voice assistant อย่างไร

Adobe Analytics ช่วยให้ธุรกิจต่างๆ มอบประสบการณ์เฉพาะบุคคลและน่าดึงดูดใจให้กับลูกค้ามากขึ้นผ่านอินเทอร์เฟซที่ใช้เสียง โดยบันทึกและวิเคราะห์ข้อมูลการโต้ตอบด้วยเสียงอย่างเป็นระบบ ความสามารถนี้ขยายไปยังแพลตฟอร์ม voice assistant หลักทั้งหมด ข้อมูลเชิงลึกที่ได้จากการวิเคราะห์เสียงช่วยให้องค์กรปรับแต่งการพัฒนาแอปพลิเคชันเสียง เพิ่ม engagement ของผู้ใช้กับแอปเหล่านี้ และได้ความเข้าใจที่ชัดเจนยิ่งขึ้นเกี่ยวกับผลกระทบและบทบาทของการโต้ตอบด้วยเสียงภายในบริบทที่กว้างขึ้นของประสบการณ์โดยรวมของลูกค้า เนื่องจากปฏิสัมพันธ์ด้วยเสียงมีความแพร่หลายมากขึ้น การวิเคราะห์เฉพาะทางดังกล่าวจึงมีความจำเป็นเพื่อให้แบรนด์ต่างๆ เข้าใจพฤติกรรมของผู้ใช้ ระบุจุดปัญหา และปรับแต่งกลยุทธ์ทางเสียง

เราสามารถเก็บข้อมูลเมตริกชี้วัดสำคัญใดได้บ้างสำหรับการโต้ตอบด้วยเสียง

Adobe Analytics ช่วยให้สามารถจับจุดข้อมูลสำคัญที่เกี่ยวข้องกับสื่อนี้โดยเฉพาะ เพื่อให้เข้าใจการโต้ตอบด้วยเสียงได้อย่างละเอียดอ่อน เมตริกเหล่านี้ ได้แก่

• ความถี่ในการใช้งาน: ผู้ใช้โต้ตอบกับแอปพลิเคชันเสียงบ่อยแค่ไหน
• เจตนา: สิ่งที่ผู้ใช้พยายามทำโดยใช้คำสั่งเสียงของตน
• การยืนยันตัวตนผู้ใช้: ผู้ใช้จะได้รับการตรวจสอบสิทธิ์ระหว่างเซสชันเสียงหรือไม่ และอย่างไร
• สล็อต: ข้อมูลเฉพาะบางส่วนที่จำเป็นต่อการตอบสนองเจตนา (เช่น ชื่อเมืองสำหรับคำขอเกี่ยวกับสภาพอากาศ)
• พารามิเตอร์: รายละเอียดเพิ่มเติมที่ผู้ใช้ให้ไว้ที่เกี่ยวข้องกับคำขอของตน
• ระยะเวลาเซสชัน: ระยะเวลาของเซสชันการโต้ตอบด้วยเสียง เมตริกชี้วัดเฉพาะทางเหล่านี้ได้รับการปรับแต่งให้เหมาะสมกับลักษณะเฉพาะของการโต้ตอบด้วยเสียง ช่วยให้ธุรกิจต่างๆ เข้าใจพฤติกรรมของผู้ใช้ อัตราความสำเร็จของการสืบค้น จุดที่เกิดปัญหา และระดับ engagement โดยรวมกับแอปพลิเคชันที่เปิดใช้งานด้วยเสียง

ข้อมูลเสียงรวมเข้ากับมุมมองแบบ omnichannel ได้อย่างไร

ข้อมูลจากแอปพลิเคชัน voice assistant สามารถดูควบคู่ไปกับข้อมูลจากช่องทางอื่นๆ ทั้งหมด (เช่น เว็บ แอปมือถือ อีเมล) เพื่อให้มุมมองแบบองค์รวมและเป็นหนึ่งเดียวของการโต้ตอบของลูกค้าตลอดการเดินทางกับแบรนด์ นอกจากนี้ ความสามารถในการวิเคราะห์ที่มีประสิทธิภาพ เช่น การตรวจจับความผิดปกติ และการแบ่งเซกเมนต์แบบเรียลไทม์โดยไม่จำกัด สามารถนำไปใช้กับข้อมูลเสียงที่รวมนี้ เช่นเดียวกับข้อมูลจากช่องอื่นๆ การผสานรวมนี้มีความสำคัญต่อการทำความเข้าใจว่าการโต้ตอบด้วยเสียงเสริมหรือมีอิทธิพลต่อทัชพอยต์อื่นๆ อย่างไร และสำหรับการใช้แนวทางวิเคราะห์ที่สอดคล้องกันทั่วทั้งภูมิทัศน์ประสบการณ์ลูกค้า

การบันทึกเมตริกชี้วัดโดยละเอียด เช่น ความตั้งใจ การรับรองความถูกต้องของผู้ใช้ ช่อง พารามิเตอร์ และระยะเวลาเซสชัน ช่วยให้การวิเคราะห์เสียงก้าวไปไกลเกินกว่าการนับการใช้งานอย่างง่ายๆ หรือบันทึกคำสั่ง ระดับความละเอียดนี้ช่วยให้ผู้ใช้เข้าใจได้ลึกซึ้งยิ่งขึ้นว่าผู้ใช้กำลังพยายามทำอะไรด้วยคำสั่งเสียง พวกเขาโต้ตอบกับกระแสสนทนาของแอปพลิเคชันเสียงอย่างไร และอาจพบกับปัญหาหรือละทิ้งงานตรงไหนบ้าง ข้อมูลเชิงลึกที่ละเอียดถี่ถ้วนดังกล่าวมีความจำเป็นต่อการปรับปรุงการออกแบบการสนทนา การปรับปรุงความเกี่ยวข้องและความแม่นยำของบริการที่ใช้เสียง และสุดท้ายคือการปรับปรุงความพึงพอใจของผู้ใช้

Cohort Analysis ใน Adobe Analytics คืออะไร

Cohort analysis ซึ่งมีให้ใช้ใน analysis workspace ของ Adobe Analytics เป็นวิธีการวิเคราะห์ที่ช่วยให้ผู้ใช้เข้าใจถึงพฤติกรรมของกลุ่มผู้ใช้ที่มีคุณลักษณะหรือประสบการณ์ร่วมกัน (เรียกว่า cohorts) ในช่วงเวลาที่ยาวนาน การวิเคราะห์โดยทั่วไปจะเกี่ยวข้องกับ "เมตริกชี้วัดการรวม" ซึ่งกำหนดเกณฑ์สำหรับผู้ใช้ในการเป็นส่วนหนึ่งของ cohort (เช่น ผู้ใช้ที่ติดตั้งแอปในเดือนที่ระบุ) และ "เมตริกชี้วัดการกลับมา" ซึ่งติดตามพฤติกรรมหรือผลลัพธ์เฉพาะสำหรับกลุ่มนั้นในช่วงเวลาต่อมา (เช่น จำนวนเซสชันต่อเดือนหรืออัตราการซื้อ) เทคนิคนี้จะก้าวไปไกลกว่าการดูพฤติกรรมผู้ใช้แบบคงที่ ณ เวลาหนึ่ง สู่การเปิดเผยรูปแบบที่เปลี่ยนแปลงไปเรื่อยๆ ในการรักษาผู้ใช้, engagement และ conversion ตลอดวงจรการเป็นผู้ใช้

Use cases สำหรับ Cohort Analysis มีอะไรบ้าง

Cohort analysis เป็นเครื่องมืออเนกประสงค์ที่สามารถนำไปใช้ได้กับคำถามทางธุรกิจต่างๆ Use cases พบเห็นได้บ่อยๆ ได้แก่

• Engagement กับแอป: การวิเคราะห์ว่าผู้ใช้ที่ติดตั้งแอปพลิเคชันมือถือยังคงมี engagement กับแอปพลิเคชันนั้นอย่างไรเมื่อเวลาผ่านไป โดยระบุรูปแบบต่างๆ เช่น การนำไปใช้ครั้งแรก การลดลงของการใช้งาน หรือ engagement ในระยะยาวที่ยั่งยืน
• Conversion ในการสมัครใช้บริการ: ติดตามอัตราที่ผู้ใช้การสมัครใช้บริการฟรีหรือเวอร์ชันทดลองใช้งานอัปเกรดไปเป็นเวอร์ชันแบบชำระเงินในช่วงหลายเดือนหลังจากการสมัครใช้บริการครั้งแรก
• กลุ่ม Cohort ที่ซับซ้อน: การกำหนดกลุ่ม cohort เฉพาะโดยใช้เมตริกชี้วัดและเซกเมนต์ต่างๆ หลายรายการสำหรับเกณฑ์การรวมและการกลับมา ซึ่งช่วยให้สามารถระบุเซกเมนต์ลูกค้าที่มีประสิทธิภาพต่ำกว่ามาตรฐานซึ่งสามารถกำหนดเป้าหมายได้โดยใช้โปรโมชันเฉพาะหรือการแทรกแซงเพื่อปรับปรุงประสิทธิภาพ
• การเปิดรับเวอร์ชันแอป: การเปรียบเทียบ engagement ของผู้ใช้ การรักษา และอัตราเลิกใช้งานในเวอร์ชันต่างๆ ของแอปมือถือเพื่อทำความเข้าใจรูปแบบการเปิดรับและระบุว่าเวอร์ชันเฉพาะใดที่ทำให้ผู้ใช้เลิกใช้หรือส่งเสริมการอัปเกรดหรือไม่
• ความเหนียวแน่นของแคมเปญ: ประเมินประสิทธิผลของแคมเปญการตลาดต่างๆ ในการดึงดูดและรักษาผู้ใช้ในแต่ละครั้งด้วยการเปรียบเทียบ cohorts แคมเปญแบบเคียงข้างกันโดยใช้ฟีเจอร์ cohort มิติที่กำหนดเอง
• ผลกระทบจากการเปิดตัวผลิตภัณฑ์: การตั้งค่าตารางความหน่วงใช้ในการประเมินผลกระทบของการเปิดตัวผลิตภัณฑ์ใหม่ต่อพฤติกรรมและรายได้ของเซกเมนต์ลูกค้าเฉพาะ โดยวิเคราะห์กิจกรรมก่อนเปิดตัวและหลังเปิดตัว
• การระบุผู้ใช้ที่ภักดีที่สุด (ความเหนียวแน่นของแต่ละบุคคล): การระบุผู้ซื้อซ้ำแบบรายเดือนโดยใช้การตั้งค่าการคำนวณแบบหมุนเวียน และในทางกลับกัน การระบุลูกค้าที่เปลี่ยนใจหรือไม่มีพฤติกรรมการซื้อซ้ำ Use cases ที่หลากหลายเหล่านี้แสดงให้เห็นถึงความยืดหยุ่นของ cohort analysis ในการตอบคำถามทางธุรกิจที่สำคัญที่เกี่ยวข้องกับการจัดการวงจรการเป็นผู้ใช้ การประเมินผลประสิทธิภาพผลิตภัณฑ์ และการประเมินประสิทธิผลทางการตลาด

Adobe Analytics สอดคล้องกับ GDPR หรือไม่

Adobe Analytics สามารถใช้งานได้ในลักษณะที่สอดคล้องกับ GDPR อย่างไรก็ตาม การบรรลุและรักษาการปฏิบัติตามถือเป็นความรับผิดชอบร่วมกัน แม้ว่า Adobe จะจัดเตรียมเครื่องมือและฟังก์ชันต่างๆ เพื่อรองรับข้อกำหนด GDPR แต่สำหรับองค์กรที่ใช้ Adobe Analytics (ผู้ควบคุมข้อมูล) จะต้องดำเนินขั้นตอนเชิงรุกเพื่อกำหนดค่าแพลตฟอร์มและนำแนวทางปฏิบัติด้านการกำกับดูแลข้อมูลที่เหมาะสมมาใช้เพื่อให้แน่ใจว่า use case ของตนตรงตามระดับการปฏิบัติตามข้อกำหนด ซึ่งหมายความว่าแพลตฟอร์มนั้นมีความสามารถในการปฏิบัติตามข้อกำหนด แต่ภาระหน้าที่ในการนำไปใช้และจัดการนั้นถูกต้องขึ้นอยู่กับผู้ใช้

จำเป็นต้องทำขั้นตอนใดบ้างเพื่อให้แน่ใจว่าเป็นไปตาม GDPR โดยใช้ Adobe Analytics

การรับรองความสอดคล้องกับ GDPR เมื่อใช้ Adobe Analytics เกี่ยวข้องกับมาตรการเชิงรุกต่างๆ ขององค์กรผู้ใช้ คำตอบของที่ปรึกษาชุมชนในเอกสารที่ให้มาชี้ไปยังแหล่งข้อมูล Adobe อย่างเป็นทางการหลายแห่งซึ่งให้คำแนะนำโดยละเอียดเกี่ยวกับหัวข้อนี้ โดยรวมถึงข้อมูลต่อไปนี้

• https://experienceleague.adobe.com/docs/analytics/admin/data-governance/an-gdpr-overview.html
• https://business.adobe.com/th_th/products/analytics/general-data-protection-regulation.html
• https://business.adobe.com/th_th/privacy/general-data-protection-regulation.html

โดยทั่วไปทรัพยากรเหล่านี้จะมีรายละเอียดขั้นตอนที่จำเป็น เช่น การนำนโยบายการกำกับดูแลข้อมูลไปใช้ การกำหนดค่าการตั้งค่าความเป็นส่วนตัวอย่างถูกต้องใน Adobe Analytics การจัดการความยินยอมของผู้ใช้อย่างมีประสิทธิผล และการกำหนดกระบวนการสำหรับจัดการคำขอเข้าถึงข้อมูลของเจ้าของข้อมูล (Data Subject Access Requests หรือ DSAR) ตามที่ GDPR กำหนด การปฏิบัติตามไม่ได้เกิดขึ้นโดยอัตโนมัติ แต่ต้องใช้การกำหนดค่าที่ขยันขันแข็งและยึดมั่นต่อหลักการ GDPR อย่างต่อเนื่องโดยใช้ฟีเจอร์การกำกับดูแลข้อมูลของแพลตฟอร์ม

ข้อกำหนดการดูแลระบบและการเข้าถึงสำหรับ Analysis Workspace มีอะไรบ้าง

สิทธิ์อนุญาตผู้ใช้ Adobe Analytics ระดับมาตรฐานจะควบคุมการเข้าถึง Analysis Workspace และฟีเจอร์ต่างๆ ซึ่งรวมถึงสิทธิ์ในการเข้าถึงชุดรายงานที่เจาะจงและส่วนประกอบของชุดรายงาน (เช่น เซกเมนต์ เมตริก และมิติ) การอนุญาตยังควบคุมการดูแล การสร้าง การแชร์ และการกำหนดเวลาในโปรเจกต์อีกด้วย ผู้ใช้ควรดูเอกสารข้อกำหนดการดูแลระบบเพื่อดูข้อมูลโดยละเอียด การควบคุมเหล่านี้ช่วยให้แน่ใจว่าข้อมูลมีความปลอดภัย และอนุญาตให้องค์กรจัดการว่าใครสามารถเข้าถึงและโต้ตอบกับชุดข้อมูลและโปรเจกต์วิเคราะห์ที่แตกต่างกันได้

การใช้ analysis workspace จะส่งผลต่อการรวบรวมข้อมูลหรือไม่

ไม่ การใช้ analysis workspace จะไม่ส่งผลต่อการรวบรวมข้อมูลแต่อย่างใด ซึ่งเป็นเครื่องมือรายงานและการแสดงภาพที่ทำงานบนข้อมูลที่รวบรวมไว้แล้ว ผู้ใช้สามารถลากและวางส่วนประกอบต่างๆ (มิติ เมตริก เซกเมนต์ การแสดงข้อมูลด้วยภาพ) ลงในโปรเจกต์ได้อย่างอิสระ เพื่อสำรวจมุมมองการวิเคราะห์ที่หลากหลาย โดยไม่มีผลกระทบใดๆ ต่อข้อมูลที่ใช้เป็นพื้นฐานหรือกระบวนการรวบรวมข้อมูล หากผู้ใช้ทำการเปลี่ยนแปลงที่ไม่ได้ตั้งใจภายในโครงการ ก็สามารถใช้ฟังก์ชันเลิกทำเพื่อคืนค่าการดำเนินการครั้งล่าสุดได้

หากเป็นผู้ใช้แบบอ่านอย่างเดียวจะสามารถดำเนินการอะไรได้บ้างใน Analysis Workspace

เมื่อแชร์โปรเจกต์ analysis workspace กับผู้ใช้ในโหมดอ่านอย่างเดียว ฟังก์ชันการแก้ไขและฟีเจอร์ทั้งหมดภายในโปรเจกต์จะถูกปิดการใช้งานโดยสมบูรณ์สำหรับผู้รับนั้น โดยทั่วไป ผู้ใช้ที่อ่านอย่างเดียวจะสามารถโต้ตอบได้เฉพาะกับองค์ประกอบที่กำหนดไว้ล่วงหน้า เช่น การเปลี่ยนแปลงตัวเลือกในเมนูแบบดรอปดาวน์ที่ผู้สร้างโปรเจกต์ได้กำหนดค่าไว้โดยเฉพาะเพื่อใช้ตัวกรองกับแผงต่างๆ ในลักษณะที่ควบคุมได้ ซึ่งจะช่วยให้สามารถดูและโต้ตอบกับรายงานที่แชร์ได้ในรูปแบบจำกัดโดยไม่อนุญาตให้มีการแก้ไขโครงสร้างหรือส่วนประกอบของโปรเจกต์โดยไม่ได้รับอนุญาต