Untuk membangun kampanye pemasaran yang hebat dalam lanskap saat ini, data perlu mengarahkan strategi Anda, bukan hanya mengukur kesuksesan. Developer memainkan peran penting dalam mengimplementasikan alat untuk menganalisis dan memproses data ini, mengubahnya menjadi insight, strategi yang lebih cerdas, dan hasil yang lebih baik.
Lepaskan kekuatan data pemasaran Anda dengan tiga solusi MarTech yang ramah developer ini. Mulai dari mengumpulkan data dengan transparansi dan kontrol yang tak tertandingi, hingga mengubah data mentah menjadi insight terstruktur, atau menggunakan pengujian A/B otomatis untuk performa optimal, berikut adalah cara developer mentransformasi berbagai hal yang bisa dilakukan dengan data pemasaran.
Mulai dari tombol yang diklik hingga halaman yang di-scroll, mengetahui cara orang berinteraksi dengan situs atau aplikasi Anda sangatlah penting untuk mengoptimalkan performa. Google Tag Manager sisi server (sGTM) membuat proses ini semakin mudah dengan mengukur traffic dan mengelola aliran data—sekaligus membuka pintu menuju privasi, performa, kontrol, dan produktivitas yang lebih baik.
sGTM Pantheon adalah toolbox berisi solusi yang mudah diterapkan yang melengkapi kemampuan sGTM saat ini dengan beragam cara:
Developer memiliki fleksibilitas untuk memadupadankan solusi guna membuat satu pipeline yang bisa diintegrasikan dengan platform Google dan non-Google. Dan karena sGTM Pantheon menggunakan lingkungan server, solusinya berjalan di lingkungan cloud pribadi yang aman milik pihak pertama.
sGTM Pantheon adalah solusi dinamis dan terus berkembang. Ingin melihat lebih banyak alat? Jelajahi sGTM Pantheon selengkapnya di GitHub.
Data pemasaran Google Analytics 4 (GA4) Anda menyimpan banyak cerita, insight yang kuat, dan cara baru untuk terhubung dengan audience Anda—tetapi menguraikannya tidaklah mudah.
GA4 Dataform adalah alat transformasi data yang mengatur data BigQuery mentah menjadi tabel modular yang jelas, seperti acara, item, sesi, transaksi, dan lainnya—sehingga pengguna dengan semua tingkat keahlian teknis dapat menganalisis data dan mengarahkan kampanye berbasis data. Menawarkan kedalaman dan kesederhanaan, GA4 Dataform memberi Anda kekuatan untuk melampaui setelan default, membangun model data Anda sendiri, dan menemukan cara baru untuk berinteraksi dengan pelanggan.
GA4 Dataform adalah project Google Cloud Dataform yang menyediakan model data SQL untuk mentransformasi ekspor GA4 BigQuery mentah. Kode ini pada dasarnya adalah paket starter untuk membantu Anda membangun model di atas ekspor data mentah GA4 untuk insight pemasaran berbasis data.
Fitur yang tersedia saat ini meliputi:
1: Membuat user_key dan ga_session_key unik.
2: Menyediakan output berupa tabel sesi yang dapat diringkas, tabel user_transaction_daily, tabel peristiwa, dan lainnya.
3: Pelebaran Gclid dengan memetakan GA4 GCLID ke GCLID tampilan-klik Google Ads Data Transfer (Pengaturan opsional)
4: Atribusi klik-terakhir level peristiwa.
Siap untuk memulai? Deployment sangat mudah—jelajahi GA4 Dataform di GitHub untuk mempelajari caranya.
Bagaimana jika Anda bisa mengeliminasi asumsi dan pengujian manual dari kampanye belanja Google Ads Anda? FeedX adalah framework eksperimen open source yang membantu pengiklan menjalankan pengujian A/B untuk modifikasi feed belanja—sehingga mereka dapat melihat hasil penyesuaian tertentu terhadap perubahan performa yang diamati.
Pengiklan online yang ingin meningkatkan pengoptimalan di seluruh inventaris mereka perlu mengetahui bahwa strategi mereka akan berdampak positif pada performa. Namun tanpa sinyal masukan yang jelas, sulit untuk mengetahui apakah perubahan kreatif membuat hasilnya lebih baik atau buruk.
FeedX memecahkan masalah ini dengan mengizinkan pengiklan menguji setiap perubahan menggunakan framework pengujian A/B Python yang andal. FeedX adalah sebuah paket Python, yang berisi semua logika dan mekanismenya, serta satu set notebook Colab yang menunjukkan kepada Anda cara menggunakan paket ini untuk mendesain dan menganalisis eksperimen.
FeedX menggunakan praktik terbaik industri untuk memastikan eksperimen sekuat dan sesensitif mungkin. Dengan desain crossover, ia menyesuaikan performa pra-eksperimen dengan CUPED (Eksperimen Terkontrol Menggunakan Data Pra-Eksperimen), dan memangkas item outlier jika perlu. Berikut adalah ringkasan alurnya:
1: Pengiklan memulai dengan item yang ingin mereka uji, misalnya, mengoptimalkan judul atau deskripsi. Untuk memastikan hasil yang andal, pengujian harus mencakup setidaknya 1000 item, dan notebook desain FeedX akan memberi tahu Anda jika ukuran sampel terlalu rendah.
2: Elemen feed dibagi secara acak menjadi dua kelompok, yaitu kelompok kontrol dan kelompok perlakuan.
3: Pengiklan membuat feed tambahan, yang hanya berisi pengoptimalan untuk item perlakuan, dan memulai eksperimen dengan mengupload feed tambahan ini ke Merchant Center.
4: Opsional, eksperimen crossover bisa dijalankan saat pengiklan menukar kelompok-kelompok ini sehingga kelompok perlakuan menjadi kelompok kontrol.
5: Di akhir eksperimen, performa semua item dianalisis dan dibandingkan antara kelompok kontrol dan perlakuan. Hasilnya adalah laporan metrik yang dapat diandalkan, didukung dengan interval kepercayaan dan signifikansi statistik.
Lupakan asumsi. Siap merevolusi iklan belanja dengan data? Pelajari lebih dalam tentang cara kerja FeedX di GitHub.
Inilah postingan kedua dari seri dua bagian kami tentang menjembatani kesenjangan antara pemasaran dan pengembangan. Untuk menjelajahi solusi MarTech AI gen kami, lihat Tiga solusi MarTech yang menempatkan AI generatif dalam pemasaran.
Nantikan update lainnya di blog Google untuk Developer, atau lihat panduan solusi MarTech kami untuk menemukan lebih banyak alat inovatif yang bisa Anda gunakan, sekarang juga.
Yang baru dengan Agen: ADK, Agent Engine, dan Peningkatan A2A
Google Cloud mengumumkan ketersediaan umum APIM Operator untuk Apigee
Menambahkan dukungan untuk Google Pay dalam Android WebView
Update I/O Gemini API
Google AI untuk developer game