Los informes de Adobe Analytics permiten analizar el comportamiento de los usuarios sin salir de la herramienta. Sin embargo, en algunos proyectos necesitamos trabajar con un mayor nivel de detalle o combinar esa información con datos que tenemos en otros sistemas.
Data Feed permite exportar los datos a nivel de hit para utilizarlos fuera de Adobe Analytics. En este artículo veremos para qué sirve, cómo configurarlo y qué debemos tener en cuenta al interpretar los archivos que genera.
Contenidos
¿Qué es Data Feed en Adobe Analytics?
Analytics Data Feed o Data Feed es una funcionalidad de Adobe Analytics que permite exportar los datos de una report suite a nivel de hit. Cada fila representa una llamada enviada a los servidores de recopilación, que puede corresponder a una página vista o a una interacción, por ejemplo.
Esto cambia la forma de trabajar con la información. En lugar de recibir un informe con visitas o conversiones agrupadas por una dimensión, obtenemos registros individuales con los que podemos construir nuestros propios análisis.
La diferencia respecto a Data Warehouse está precisamente en esa granularidad. Data Warehouse permite extraer informes agregados, mientras que Data Feed proporciona el detalle de los hits. Por tanto, si solo necesitamos un informe con determinadas dimensiones y métricas, puede que Data Warehouse sea suficiente.
¿Para qué sirve Data Feed?
Uno de sus usos más habituales es combinar los datos de navegación con información de otros sistemas. Podemos relacionarlos con pedidos, datos del CRM o ventas cerradas fuera de la web, siempre que dispongamos de un identificador común que permita conectar ambas fuentes.
Por ejemplo, una empresa que capta solicitudes online y cierra las ventas por teléfono puede utilizar esta exportación para relacionar las interacciones previas con el resultado comercial. Así, el análisis puede continuar más allá del envío del formulario.
También resulta útil para estudiar secuencias de comportamiento, construir modelos de atribución propios o investigar cómo se han recogido y procesado determinadas variables. Trabajar con los registros individuales permite adaptar el análisis a preguntas que pueden ser difíciles de resolver dentro de Workspace.
Esa flexibilidad requiere preparar y mantener los datos. Además del almacenamiento, necesitamos un proceso de carga y un entorno donde consultarlos. Conviene tener claro qué queremos analizar antes de activar una exportación que, según el tráfico y las columnas seleccionadas, puede generar bastante volumen.
Cómo configurar un Data Feed
Para crear un Data Feed necesitamos una cuenta con permisos de administrador de Analytics o acceso a esta funcionalidad mediante un perfil de producto. También debemos disponer de un destino de almacenamiento compatible, como Amazon S3, Google Cloud Storage o Azure.
La configuración se encuentra en Admin > Data feeds > Create data feed. Asignamos un nombre al feed y seleccionamos la report suite de origen. La exportación se configura sobre una report suite original. No podemos utilizar directamente una virtual report suite.
Después elegimos las columnas que queremos recibir. Podemos añadirlas individualmente o utilizar una plantilla. Seleccionar las que necesitamos facilita el trabajo posterior y evita exportar campos que no vamos a utilizar.
En la programación definimos la fecha de inicio y la frecuencia, normalmente por horas o por días. También podemos establecer una fecha de fin o mantener la exportación activa de forma continua. Las entregas requieren procesamiento, por lo que no debemos interpretarlas como datos en tiempo real.
A continuación, configuramos la cuenta y la ubicación de destino, junto con las opciones de compresión y empaquetado. Si incluimos un manifiesto, podremos comprobar qué archivos forman parte de cada entrega.
Una vez guardada la configuración, podemos revisar las ejecuciones desde la pestaña Jobs. Conviene comprobar que los primeros archivos llegan correctamente y que contienen las columnas esperadas antes de automatizar su carga.
Qué contienen los archivos exportados
La entrega incluye archivos comprimidos con los datos de los hits. En una exportación de archivo único, encontraremos un archivo llamado hit_data.tsv, cuyos valores están separados por tabulaciones. Si elegimos varios archivos, los datos se reparten entre ellos.
Las cabeceras se entregan por separado en column_headers.tsv. También podemos recibir archivos de correspondencias o lookups, que permiten traducir códigos a valores legibles, como el nombre de un navegador. El manifiesto, si lo hemos incluido, contiene información para verificar la entrega.
Entre las columnas disponibles encontramos datos de páginas, fechas, identificadores, props, eVars y eventos. Su contenido depende de la implementación y de los campos seleccionados. Una fila puede contener varios eventos, por lo que no debemos confundir un hit con un único evento personalizado.
Una distinción importante es la que existe entre columnas originales y columnas con el prefijo post_. Por ejemplo, evar1 contiene el valor enviado para esa variable en el hit, mientras que post_evar1 refleja el resultado después del procesamiento, incluida la persistencia.
Si recogemos una campaña en una eVar al entrar en la web, los siguientes hits podrían no volver a enviarla. Aun así, su valor puede seguir apareciendo en post_evar1 mientras se mantenga vigente según su configuración. La columna adecuada dependerá de si queremos estudiar lo que se envió o el valor resultante del procesamiento.
Por qué los datos pueden diferir de Analysis Workspace
Exportar los datos no significa que podamos reproducir cualquier informe contando filas. Workspace aplica reglas de cálculo y exclusiones que debemos tener en cuenta al construir nuestras consultas, además de los segmentos y filtros del informe que estemos comparando.
Por ejemplo, Data Feed puede incluir hits excluidos de los informes habituales. La columna exclude_hit permite identificarlos: para comparar con Workspace debemos conservar los registros con exclude_hit = 0. Según la implementación, puede ser necesario revisar otros criterios, como los hits de aplicaciones en segundo plano.
También influye la elección de columnas. Si utilizamos el valor original de una eVar para analizar conversiones, podemos obtener una distribución distinta de la que resulta al utilizar su valor persistido. Comparar ambos resultados sin tener en cuenta esa diferencia puede llevarnos a interpretar como un error algo que responde a una lógica distinta.
Por último, cada métrica necesita su propio cálculo. El número de filas no equivale al de visitas ni al de páginas vistas. Para contar visitas debemos combinar los identificadores correspondientes; para calcular compras, también debemos contemplar la exclusión de compras duplicadas. Antes de comparar resultados, conviene comprobar que estamos utilizando el mismo periodo, los mismos filtros y una definición equivalente de la métrica.
En conclusión, Data Feed permite trabajar con el detalle de los datos de Adobe Analytics y relacionarlos con otras fuentes. Su utilidad depende tanto de la exportación como del tratamiento posterior: elegir las columnas adecuadas, comprender su contenido y aplicar una lógica de cálculo coherente es lo que permite convertir esos archivos en análisis útiles.

