Verstehen der Vorteile des Datenmodells

Datorama heißt jetzt Marketing Cloud Intelligence. 

Lernziele

Nachdem Sie diese Lektion abgeschlossen haben, sind Sie in der Lage, die folgenden Aufgaben auszuführen:

• Erklären, wie Daten mit dem Marketing Cloud Intelligence-Datenmodell auf natürliche Weise harmonisiert werden
• Verstehen übergreifender Entitäten in Marketing Cloud Intelligence

Bisher haben Sie gelernt, was ein Datenmodell ist, wie Datenmodelle in Marketing Cloud Intelligence funktionieren und wie Datenströme die Erfassung von Daten im System erleichtern. In dieser Lektion beschäftigen wir uns mit den Vorteilen, die das Marketing Cloud Intelligence-Datenmodell bietet. 

Datenharmonisierung durch gegenseitig zugeordnete Dimensionen

In der digitalen Werbung ist ein und dieselbe Kampagne in der Regel auf mehr als einer Plattform aktiv und mehr als einem Datentyp zugeordnet. Die Entität "Kampagne" (zusammen mit anderen Entitäten für Anzeigen, wie z. B. "Website" und "Medienkauf") ist also in verschiedenen Datenstromtypen verfügbar. Durch die Zuordnung von Kampagnennamenwerten aus verschiedenen Quellen zur gleichen Kampagnennamendimension in Marketing Cloud Intelligence (unabhängig vom Typ des Datenstroms, der Quelle oder der Anzahl der Quellen) werden Ihre Daten auf Ebene des Kampagnennamens automatisch harmonisiert, damit die Werte in den verschiedenen Quellen übereinstimmen.

Wenn beispielsweise dieselben Kampagnen in Google Ads, Marketing Cloud und Google Analytics aktiv sind, können Sie bei der Visualisierung dieser Daten Messwerte aus allen Quellen für übereinstimmende Kampagnennamenwerte einsehen.

Diese automatische Harmonisierung der Daten in Marketing Cloud Intelligence hat mehrere Vorteile.

• Sie dient zur Strukturierung und Organisation sowie zur Schaffung klarer Beziehungen innerhalb Ihrer Daten.
• Sie vereinheitlicht geschäftliche Erkenntnisse aus verschiedenen Quellen.
• Sie führt mehrere Datenquellen und -formate zusammen, sodass diese Quellen nahtlos verglichen und nach einheitlichen Kriterien analysiert werden können.

Übergreifende Entitäten

Für die Zwecke übergeordneter Analysen und Klassifizierungen verfügt Marketing Cloud Intelligence-Datenmodell über eine Gruppe von Entitäten, die in allen Datenstromtypen vorhanden sind und als übergreifende Entitäten bezeichnet werden. Übergreifende Entitäten befinden sich auf Arbeitsbereichs- und nicht auf Datenstromebene. Das heißt, dass sie nicht nur für Daten eines bestimmten Datenstroms gelten, sondern für alle Daten im Arbeitsbereich. Auf diese Weise können Daten aus mehreren Quellen anhand ihrer gemeinsamen Werte klassifiziert oder gruppiert werden. Dieses Bild veranschaulicht die übergreifenden Entitäten und ihre Beziehung zu den Hauptentitäten der einzelnen Datenstromtypen.

Ein Beispiel einer übergreifenden Entität ist die Entität "Produkt", die Daten in allen Datenströmen für übereinstimmende Produktwerte harmonisiert. Diese Abbildung zeigt dieselben beiden Produkte mit integrierten Daten aus Facebook Ads, Marketing Cloud und Google Analytics.

Übergreifende Entitäten befinden sich auf einer höheren hierarchischen Ebene als spezifische Entitäten, wie z. B. die Entität "Kampagne". Ein einzelnes Produkt kann mehreren Kampagnenwerten zugeordnet sein, die auf den jeweiligen Quellplattformen nicht unbedingt identisch sein müssen, solange der Produktwert selbst übereinstimmt. So können Sie z. B. Kampagnen in Facebook und Google Ads mit unterschiedlichen Kampagnennamen in jeder Quelle durchführen, die beide dasselbe Produkt bewerben. Diese werden nicht automatisch auf der Ebene des Kampagnennamens harmonisiert, da die Werte nicht übereinstimmen. Aber da es sich um dasselbe Produkt handelt, werden die Daten aus beiden Quellen für dasselbe Produkt harmonisiert, wenn ihr Wert in beiden Fällen der übergreifenden Entität des Produkts zugeordnet wird. 

Das Besondere am Marketing Cloud Intelligence-Datenmodell ist, dass bei marketingorientierten Daten übereinstimmende Dimensionswerte automatisch harmonisiert und übereinstimmende Messwerte automatisch in mehreren Datenquellen aggregiert werden. 

In diesem Modul haben Sie gelernt, was ein Datenmodell ist, wie Daten in Dimensionen und Messwerte kategorisiert werden, wie Datenbeziehungen definiert werden, wie Datenströme strukturiert werden und welche Vorteile das Datenmodell bietet. Jetzt sind Sie in der Lage, Ihre Daten bei Bedarf manuell mithilfe des Datenmodells richtig zuzuordnen und zu verstehen, wie Ihre Daten aus verschiedenen Quellen auf natürliche Weise harmonisiert werden können.