ব্যবহারকারী-প্রদত্ত ডেটা ম্যাচিং

ব্যবহারকারী-প্রদত্ত ডেটা ম্যাচিং (UPDM) আপনার ওয়েবসাইট, অ্যাপ বা ফিজিক্যাল স্টোরের তথ্যের মতো কোনো ব্যবহারকারী সম্পর্কে আপনার সংগ্রহ করা ফার্স্ট-পার্টি ডেটাকে, গুগলের মালিকানাধীন ও পরিচালিত ডেটা সহ সমস্ত গুগল বিজ্ঞাপন ডেটা জুড়ে সেই একই ব্যবহারকারীর সাইন-ইন করা কার্যকলাপের সাথে যুক্ত করে। এর মধ্যে গুগল মার্কেটিং প্ল্যাটফর্ম (GMP) প্রোডাক্টের মাধ্যমে কেনা ডেটাও অন্তর্ভুক্ত, যেমন ডিসপ্লে অ্যান্ড ভিডিও ৩৬০ ব্যবহার করে কেনা ইউটিউব। অন্যান্য GMP প্রোডাক্ট, যেগুলো গুগলের মালিকানাধীন ও পরিচালিত নয়, সেগুলো সমর্থিত নয়।

ব্যবহারকারীর দেওয়া ডেটা মেলানোর জন্য যোগ্য হতে হলে, বিজ্ঞাপন ইভেন্টটিকে অবশ্যই গুগল বিজ্ঞাপন ডেটাতে একজন সাইন-ইন করা ব্যবহারকারীর সাথে লিঙ্ক করা থাকতে হবে।

এই নথিতে ব্যবহারকারী-প্রদত্ত ডেটা মেলানোর বৈশিষ্ট্যটি বর্ণনা করা হয়েছে এবং এর সেটআপ ও ব্যবহার সম্পর্কে নির্দেশনা প্রদান করা হয়েছে।

প্রাইভেট ক্লাউড ম্যাচ ওভারভিউ

বিজ্ঞাপন সংক্রান্ত মূল্যবান তথ্য পেতে প্রায়শই একাধিক উৎস থেকে ডেটা একত্রিত করার প্রয়োজন হয়। এই ডেটা পাইপলাইন সমস্যার নিজস্ব সমাধান তৈরি করতে যথেষ্ট সময় এবং ইঞ্জিনিয়ারিং বিনিয়োগের প্রয়োজন হয়। Ads Data Hub-এর Private Cloud Match এই প্রক্রিয়াটিকে সহজ করে তোলে। এটি BigQuery-তে একটি ম্যাচ টেবিল তৈরির জন্য একটি Ads Data Hub কোয়েরি টেমপ্লেট প্রদান করে, যা পরবর্তীতে আপনার Ads Data Hub কোয়েরিতে আপনার বিজ্ঞাপনের ডেটার সাথে ফার্স্ট-পার্টি ডেটা মেলানোর জন্য ব্যবহার করা যেতে পারে। ফার্স্ট-পার্টি ডেটা দিয়ে আপনার কোয়েরিগুলোকে সমৃদ্ধ করলে গ্রাহকদের আরও উন্নত অভিজ্ঞতা দেওয়া সম্ভব হয় এবং এটি শিল্প-ব্যাপী বিজ্ঞাপন-ট্র্যাকিং পরিবর্তনের বিরুদ্ধে আরও বেশি প্রতিরোধী।

যেহেতু ব্যবহারকারীর দেওয়া ডেটা মেলানোর সুবিধাটি শুধুমাত্র সাইন-ইন করা ব্যবহারকারীদের জন্য গুগলের নিজস্ব ও পরিচালিত ইনভেন্টরিতেই উপলব্ধ, তাই থার্ড-পার্টি কুকিজের আসন্ন বিলুপ্তির দ্বারা এটি প্রভাবিত হয় না। যেহেতু এটি থার্ড-পার্টি ডেটার চেয়ে ইন্ডাস্ট্রির পরিবর্তনের বিরুদ্ধে বেশি প্রতিরোধী, তাই এটি আরও গভীর অন্তর্দৃষ্টি প্রদান করতে পারে, যা গ্রাহকদের সম্পৃক্ততা বাড়াতে পারে।

প্রক্রিয়ার সারাংশ

1. ডেটা গ্রহণ এবং মেলানোর সেটআপ
   • নিশ্চিত করুন যে আপনার ফার্স্ট-পার্টি ডেটা BigQuery-তে অবস্থিত এবং আপনার সার্ভিস অ্যাকাউন্টের তাতে রিড অ্যাক্সেস আছে। ডেটা ইনজেশন সেট আপ দেখুন।
2. প্রথম-পক্ষের ডেটা গ্রহণ এবং মেলানো
   • আপনি আপনার ফার্স্ট-পার্টি ডেটা ফরম্যাট করে আপনার BigQuery ডেটাসেটে আপলোড করুন।
   • আপনি একটি প্রাইভেট ক্লাউড ম্যাচ অ্যানালাইসিস কোয়েরি তৈরি করে এবং একটি শিডিউল সেট করার মাধ্যমে ডেটা-ম্যাচিং অনুরোধ শুরু করেন।
   • গুগল আপনার প্রজেক্টের ডেটা এবং গুগলের নিজস্ব ডেটা, যাতে গুগলের ইউজার আইডি ও হ্যাশ করা ব্যবহারকারীর দেওয়া ডেটা থাকে, সেগুলোকে একত্রিত করে ম্যাচ টেবিল তৈরি ও আপডেট করে।
   • ইনজেস্ট ফার্স্ট-পার্টি ডেটা দেখুন
3. মিলে যাওয়া ডেটার উপর ভিত্তি করে অ্যাডস ডেটা হাবে চলমান কোয়েরি।
   • আপনি Ads Data Hub-এ সাধারণ কোয়েরি যেভাবে চালান, ঠিক সেভাবেই ম্যাচ টেবিলগুলোর বিরুদ্ধে কোয়েরি চালাতে পারেন। ম্যাচ করা ডেটা কোয়েরি করুন দেখুন।

গোপনীয়তার প্রয়োজনীয়তা সম্পর্কে জানুন

গ্রাহকের তথ্য সংগ্রহ করা

ব্যবহারকারীর দেওয়া ডেটা মেলানোর পদ্ধতি ব্যবহার করার সময়, আপনাকে অবশ্যই ফার্স্ট-পার্টি ডেটা আপলোড করতে হবে। এটি হতে পারে আপনার ওয়েবসাইট, অ্যাপ, বা ফিজিক্যাল স্টোর থেকে সংগ্রহ করা তথ্য, অথবা এমন কোনো তথ্য যা কোনো গ্রাহক সরাসরি আপনার সাথে শেয়ার করেছেন।

আপনাকে অবশ্যই:

• নিশ্চিত করুন যে আপনার গোপনীয়তা নীতিতে এটি উল্লেখ করা আছে যে আপনি আপনার পক্ষ থেকে পরিষেবা প্রদানের জন্য তৃতীয় পক্ষের সাথে গ্রাহকের ডেটা শেয়ার করেন এবং যেখানে আইনত প্রয়োজন, সেখানে এই ধরনের শেয়ার করার জন্য আপনি সম্মতি গ্রহণ করেন।
• গ্রাহকের ডেটা আপলোড করার জন্য শুধুমাত্র গুগলের অনুমোদিত এপিআই বা ইন্টারফেস ব্যবহার করুন।
• প্রযোজ্য সকল আইন ও বিধিবিধান মেনে চলুন, যার মধ্যে যেকোনো স্ব-নিয়ন্ত্রক বা শিল্প-সংক্রান্ত বিধিও অন্তর্ভুক্ত থাকতে পারে।

প্রথম পক্ষের সম্মতির স্বীকৃতি

অ্যাডস ডেটা হাব-এ আপনার ফার্স্ট-পার্টি ডেটা ব্যবহার করতে পারার বিষয়টি নিশ্চিত করার জন্য, আপনাকে অবশ্যই ইইউ ব্যবহারকারীর সম্মতি নীতি এবং অ্যাডস ডেটা হাব নীতি অনুসারে ইইএ (EEA) এন্ড-ইউজারদের ডেটা গুগলের সাথে শেয়ার করার জন্য যথাযথ সম্মতি পেয়েছেন বলে নিশ্চিত করতে হবে। এই আবশ্যকতাটি প্রতিটি অ্যাডস ডেটা হাব অ্যাকাউন্টের জন্য প্রযোজ্য, এবং প্রতিবার নতুন ফার্স্ট-পার্টি ডেটা আপলোড করার সময় এটি অবশ্যই আপডেট করতে হবে। যেকোনো একজন ব্যবহারকারী সম্পূর্ণ অ্যাকাউন্টের পক্ষ থেকে এই স্বীকৃতি প্রদান করতে পারেন।

মনে রাখবেন যে, অ্যানালাইসিস কোয়েরির ক্ষেত্রে প্রযোজ্য একই গুগল সার্ভিস কোয়েরি নিয়মগুলো UPDM কোয়েরির ক্ষেত্রেও প্রযোজ্য। উদাহরণস্বরূপ, আপনি যখন একটি ম্যাচ টেবিল তৈরি করেন, তখন EEA-তে থাকা ব্যবহারকারীদের উপর ক্রস-সার্ভিস কোয়েরি চালাতে পারবেন না।

অ্যাডস ডেটা হাব-এ কীভাবে সম্মতি জানাতে হয় তা জানতে, ইউরোপীয় অর্থনৈতিক অঞ্চলের জন্য সম্মতির প্রয়োজনীয়তা দেখুন।

ডেটার আকার

ব্যবহারকারীর গোপনীয়তা রক্ষা করার জন্য, ব্যবহারকারীর দেওয়া ডেটা মেলানোর প্রক্রিয়ায় আপনার ডেটার আকার সংক্রান্ত এই শর্তগুলো আরোপ করা হয়:

• আপনাকে আপনার ব্যবহারকারী তালিকায় কমপক্ষে ১,০০০টি রেকর্ড আপলোড করতে হবে।

ডেটা ইনজেশন সেট আপ করুন

শুরু করার আগে নিশ্চিত হয়ে নিন:

• আপনার ফার্স্ট-পার্টি ডেটা অবশ্যই BigQuery-তে থাকতে হবে। যদি আপনার একটি VPC-SC পেরিমিটার থাকে, তবে এই ফার্স্ট-পার্টি ডেটা অবশ্যই আপনার VPC-SC-এর মধ্যে অবস্থিত হতে হবে।
• আপনার Ads Data Hub পরিষেবা অ্যাকাউন্টের ফার্স্ট-পার্টি ডেটাতে রিড অ্যাক্সেস থাকতে হবে।
• আপনার ফার্স্ট-পার্টি ডেটা অবশ্যই সঠিকভাবে ফরম্যাট এবং হ্যাশ করা থাকতে হবে। আরও বিস্তারিত জানতে পরবর্তী বিভাগ দেখুন।

এর বাইরে, প্রাইভেট ক্লাউড ম্যাচে কোনো অতিরিক্ত অনবোর্ডিং নেই। আপনি যদি একটি অ্যানালাইসিস কোয়েরি চালাতে পারেন, তাহলে আপনি একটি প্রাইভেট ক্লাউড ম্যাচ কোয়েরিও চালাতে পারবেন।

প্রথম পক্ষের ডেটা গ্রহণ এবং মেলানো

ইনপুটের জন্য ডেটা ফরম্যাট করুন

সঠিকভাবে মেলানোর জন্য আপনার ডেটাকে অবশ্যই এই ফরম্যাটিং শর্তাবলী মেনে চলতে হবে:

• নিম্নলিখিত ইনপুট ফিল্ডের বিবরণে যেখানে নির্দেশ করা আছে, সেখানে আপনাকে অবশ্যই SHA256 হ্যাশিং ব্যবহার করে আপলোড করতে হবে।
• ইনপুট ফিল্ডগুলো অবশ্যই স্ট্রিং হিসেবে ফরম্যাট করতে হবে। উদাহরণস্বরূপ, যদি আপনি Base64 এনকোডিং ফাংশন ( TO_BASE64 ) সহ BigQuery-এর SHA256 হ্যাশ ফাংশন ব্যবহার করেন, তাহলে নিম্নলিখিত রূপান্তরটি ব্যবহার করুন: TO_BASE64(SHA256(user_data)) ।
• UPDM Base64 এনকোডিং সমর্থন করে। আপনাকে অবশ্যই আপনার ফার্স্ট-পার্টি ডেটার এনকোডিং আপনার Ads Data Hub কোয়েরিতে ব্যবহৃত ডিকোডিংয়ের সাথে মেলাতে হবে। আপনি যদি আপনার ফার্স্ট-পার্টি ডেটার এনকোডিং পরিবর্তন করেন, তবে আপনাকে অবশ্যই আপনার Ads Data Hub কোয়েরিটি একই বেস থেকে ডিকোড করার জন্য আপডেট করতে হবে। নিম্নলিখিত উদাহরণগুলিতে Base64 এনকোডিং ব্যবহার করা হয়েছে।

হ্যাশ যাচাইকরণ এবং ডেটা এনকোডিং

আপনার ডেটা সঠিকভাবে বিন্যস্ত হয়েছে কিনা তা নিশ্চিত করতে আপনি নিম্নলিখিত হ্যাশ যাচাইকরণ স্ক্রিপ্টগুলো ব্যবহার করতে পারেন।

  /**
   * @fileoverview Provides the hashing algorithm, as well as some valid hashes of
   * sample data for testing.
  */

  async function hash(token) {
    // Removes leading or trailing spaces and converts all characters to lowercase.
    const formattedToken = token.trim().toLowerCase();
    // Hashes the formatted string using the SHA-256 hashing algorithm.
    const hashBuffer = await crypto.subtle.digest(
        'SHA-256', (new TextEncoder()).encode(formattedToken));
    // Converts the hash buffer to a base64-encoded string and returns it.
    const base64Str = btoa(String.fromCharCode(...new Uint8Array(hashBuffer)));
    return base64Str;
  }

  function main() {
    // Expected hash for test@gmail.com:
    // h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
    hash('test@gmail.com').then(result => console.log(result));

    // Expected hash for +18005551212:
    // YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
    hash('+18005551212').then(result => console.log(result));

    // Expected hash for John: ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
    hash('John').then(result => console.log(result));

    // Expected hash for Doe: eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
    hash('Doe').then(result => console.log(result));
  }

  main()

  """Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

  Supports: Python 2, Python 3

  Sample hashes:

    - Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
    - Phone '+18005551212':   YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
    - First name 'John':      ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
    - Last name 'Doe':        eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
  """

  import base64
  import hashlib

  def hash(token):
  # Generates a base64-encoded SHA-256 hash of a normalized input string.
    return base64.b64encode(
        hashlib.sha256(
            token.strip().lower().encode('utf-8')).digest()).decode('utf-8')

  def print_hash(token, expected=None):
  # Computes and displays the hash of a token, with optional validation.
    hashed = hash(token)

    if expected is not None and hashed != expected:
      print(
          'ERROR: Incorrect hash for token "{}". Expected "{}", got "{}"'.format(
              token, expected, hashed))
      return

    print('Hash: "{}"\t(Token: {})'.format(hashed, token))

  def main():
  # Tests the hash function with sample tokens and expected results.
    print_hash(
        'test@gmail.com', expected='h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=')
    print_hash(
        '+18005551212', expected='YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=')
    print_hash('John', expected='ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=')
    print_hash('Doe', expected='eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=')

  if __name__ == '__main__':
    main()

  /*
  Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

  Sample hashes:

    - Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
    - Phone '+18005551212':   YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
    - First name 'John':      ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
    - Last name 'Doe':        eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
  */
  package main

  import (
    "crypto/sha256"
    "encoding/base64"
    "fmt"
    "strings"
  )

  // Hash hashes an email, phone, first name, or last name into the correct format.
  func Hash(token string) string {
    formatted := strings.TrimSpace(strings.ToLower(token))
    hashed := sha256.Sum256([]byte(formatted))
    encoded := base64.StdEncoding.EncodeToString(hashed[:])
    return encoded
  }

  // PrintHash prints the hash for a token.
  func PrintHash(token string) {
    fmt.Printf("Hash: \"%s\"\t(Token: %s)\n", Hash(token), token)

  }

  func main() {
    PrintHash("test@gmail.com")
    PrintHash("+18005551212")
    PrintHash("John")
    PrintHash("Doe")
  }

  package updm.hashing;

  import static java.nio.charset.StandardCharsets.UTF_8;

  import java.security.MessageDigest;
  import java.security.NoSuchAlgorithmException;
  import java.util.Base64;

  /**
  * Example of the hashing algorithm.
  *
  * <p>Sample hashes:
  *
  * <ul>
  *   <li>Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
  *   <li>Phone '+18005551212': YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
  *   <li>First name 'John': ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
  *   <li>Last name 'Doe': eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=
  * </ul>
  */
  public final class HashExample {

  private HashExample() {}

  public static String hash(String token) {
    // Normalizes and hashes the input token using SHA-256 and Base64 encoding.
    String formattedToken = token.toLowerCase().strip();

    byte[] hash;
    try {
      hash = MessageDigest.getInstance("SHA-256").digest(formattedToken.getBytes(UTF_8));
    } catch (NoSuchAlgorithmException e) {
      throw new IllegalStateException("SHA-256 not supported", e);
    }

    return Base64.getEncoder().encodeToString(hash);
  }

  public static void printHash(String token) {
    // Calculates and prints the hash for the given token.
    System.out.printf("Hash: \"%s\"\t(Token: %s)\n", hash(token), token);
  }

  public static void main(String[] args) {
    // Executes hash calculations and prints results for sample tokens.
    printHash("test@gmail.com");
    printHash("+18005551212");
    printHash("John");
    printHash("Doe");
  }
  }

  /*
  Provides the hashing algorithm, as well as some valid hashes of sample data for testing.

  The following code uses Google Standard SQL and can be run on BigQuery to generate match tables from unhashed data.

  Sample hashes:

    - Email 'test@gmail.com': h5JGBrQTGorO7q6IaFMfu5cSqqB6XTp1aybOD11spnQ=
    - Phone '+18005551212':   YdkRG+0+bZz8G8O1yzWkAmh8TxVGvuBhor1ET73WTEQ=
    - First name 'John':      ltljLzY1ZMwwMlIUCc8iqFLyAy7sCZ7VlnwNAAzsYHo=
    - Last name 'Doe':        eZ75KhGvkY4/t0HfQpNPO1aO0tk6wd908bjUGieTKm8=

  The unhashed input table schema is assumed to be:

  - Column name: UserID, Type: String
  - Column name: Email, Type: String
  - Column name: Phone, Type: String
  - Column name: FirstName, Type: String
  - Column name: LastName, Type: String
  - Column name: PostalCode, Type: String
  - Column name: CountryCode, Type: String
  */

  -- Creates a new table with Base64-encoded SHA-256 hashes of specified columns.
  CREATE TABLE `your_project_name.your_dataset_name.output_hashed_table_name`
  AS
  SELECT
    UserID,
    TO_BASE64(SHA256(LOWER(Email))) AS Email,
    TO_BASE64(SHA256(Phone)) AS Phone,
    TO_BASE64(SHA256(LOWER(FirstName))) AS FirstName,
    TO_BASE64(SHA256(LOWER(LastName))) AS LastName,
    PostalCode,
    CountryCode,
  FROM
    `your_project_name.your_dataset_name.input_unhashed_table_name`;

চাবি যোগ করুন

ব্যবহারকারীর দেওয়া তথ্যের কিছু সংমিশ্রণ অন্যগুলোর চেয়ে বেশি শক্তিশালী। নিচে ব্যবহারকারীর দেওয়া বিভিন্ন তথ্যের সংমিশ্রণের একটি তালিকা দেওয়া হলো, যা আপেক্ষিক শক্তি অনুসারে সাজানো হয়েছে। আপনি যদি ঠিকানা ব্যবহার করেন, তবে আপনাকে অবশ্যই অন্তর্ভুক্ত করতে হবে: প্রথম নাম, শেষ নাম, দেশ এবং জিপ কোড।

1. ইমেইল, ফোন, ঠিকানা (সবচেয়ে জোরালো)
2. ফোন, ঠিকানা
3. ইমেইল, ঠিকানা
4. ইমেল, ফোন
5. ঠিকানা
6. ফোন
7. ইমেইল (দুর্বলতম)

একটি ম্যাচ টেবিল তৈরি করুন

1. যোগ করুন > কোয়েরি-তে ক্লিক করুন।

2. প্রাইভেট ক্লাউড ম্যাচ টেবিল জেনারেশন কোয়েরি টেমপ্লেটটি কপি করে কোয়েরি এডিটরে পেস্ট করুন। ঐচ্ছিক: আপনার ডেটা যদি আগে থেকেই হ্যাশ করা না থাকে, তবে আপনি প্রাইভেট ক্লাউড ম্যাচ টেবিল জেনারেশন (হ্যাশিং সহ) টেমপ্লেটটি ব্যবহার করতে পারেন।

   /* Private cloud match table generation
   Create a new match table using your first party data with this template.
   
   Parameters:
   Manually remove all the parameters tagged with @ prefix and replace them
   with column names from your first party table:
   *   @user_id
   *   @email
   *   @phone
   *   @first_name
   *   @last_name
   *   @country_code
   *   @postal_code
   
   And your BigQuery table information:
   *   @my_project: Your BigQuery project where the first party table is.
   *   @my_dataset: Your dataset where the first party table is.
   *   @my_first_party_table: Your first party table.
   */
   
   CREATE OR REPLACE TABLE adh.updm_match_table AS (
   SELECT CAST(@user_id AS BYTES) AS user_id,
         @email AS email,
         @phone AS phone,
         @first_name AS first_name,
         @last_name AS last_name,
         @country_code AS country,
         @postal_code AS zip_code
   FROM `@my_project.@my_dataset.@my_first_party_table`
   );
   

   /* Private cloud match table generation (with hashing)
   Create a new match table using your first party data with this template.
   
   Parameters:
   Manually remove all the parameters tagged with @ prefix and replace them
   with column names from your first party table:
   *   @user_id
   *   @email
   *   @phone
   *   @first_name
   *   @last_name
   *   @country_code
   *   @postal_code
   
   And your BigQuery table information:
   *   @my_project : Your BigQuery project where the first party table is.
   *   @my_dataset : Your dataset where the first party table is.
   *   @my_first_party_table : Your first party table.
   */
   
   CREATE OR REPLACE TABLE adh.updm_match_table AS (
   SELECT CAST(@user_id AS BYTES) AS user_id,
         TO_BASE64(SHA256(LOWER(@email))) AS email,
         TO_BASE64(SHA256(@phone)) AS phone,
         TO_BASE64(SHA256(LOWER(@first_name))) AS first_name,
         TO_BASE64(SHA256(LOWER(@last_name))) AS last_name,
         @country_code AS country,
         @postal_code AS zip_code
   FROM `@my_project.@my_dataset.@my_first_party_table`
   );
   

3. সঠিক অ্যালিয়াসিং প্রদানের জন্য প্যারামিটারের নামগুলো আপনার কলামের নাম দিয়ে প্রতিস্থাপন করুন।

4. সংরক্ষণ করুন ক্লিক করুন

5. রান-এ ক্লিক করুন। ম্যাচ টেবিলটি রিফ্রেশ করতে আপনাকে এই কোয়েরিটি ম্যানুয়ালি চালাতে হবে। প্রতিবার চালানোর ফলে বর্তমান ম্যাচ টেবিলটি ওভাররাইট হয়ে যাবে।

কোয়েরি মিলে যাওয়া ডেটা

ম্যাচ টেবিলগুলো কোয়েরি করুন

যখন আপনার ম্যাচ টেবিলগুলোতে গোপনীয়তা যাচাইয়ের জন্য যথেষ্ট ডেটা থাকে, তখন আপনি টেবিলগুলোর বিরুদ্ধে কোয়েরি চালানোর জন্য প্রস্তুত।

ফার্স্ট-পার্টি ডেটার (1PD) মূল টেবিলটি my_data দ্বারা চিহ্নিত করা হয়। এতে ব্যক্তিগতভাবে শনাক্তযোগ্য তথ্য (PII) এবং ব্যক্তিগত শনাক্তকরণ-অযোগ্য তথ্য (non-PII) উভয় প্রকার ডেটাই অন্তর্ভুক্ত। একটি ম্যাচ টেবিলের সাথে তুলনা করলে, মূল টেবিলটি ব্যবহার করে আপনার রিপোর্টগুলো আরও গভীর অন্তর্দৃষ্টি লাভ করতে পারে, কারণ এটি আওতাভুক্ত সমস্ত 1PD ডেটাকে উপস্থাপন করে।

Ads Data Hub স্কিমার প্রতিটি টেবিল, যেখানে একটি user_id ফিল্ড থাকে, তার সাথে একটি ম্যাচ টেবিলও থাকে। উদাহরণস্বরূপ, adh.google_ads_impressions টেবিলের জন্য, Ads Data Hub আপনার ইউজার আইডিগুলো ধারণকারী adh.google_ads_impressions_updm নামে একটি ম্যাচ টেবিলও তৈরি করে। পলিসি-আইসোলেটেড নেটওয়ার্ক টেবিলগুলোর জন্য আলাদা ম্যাচ টেবিল তৈরি করা হয়। উদাহরণস্বরূপ, adh.google_ads_impressions_policy_isolated_network টেবিলের জন্য, Ads Data Hub আপনার ইউজার আইডিগুলো ধারণকারী adh.google_ads_impressions_policy_isolated_network_updm নামে একটি ম্যাচ টেবিলও তৈরি করে।

এই টেবিলগুলোতে মূল টেবিলগুলোতে থাকা ব্যবহারকারীদের একটি উপসেট থাকে, যেখানে user_id এর সাথে মিল পাওয়া যায়। উদাহরণস্বরূপ, যদি মূল টেবিলে ব্যবহারকারী A এবং ব্যবহারকারী B উভয়ের ডেটা থাকে, কিন্তু শুধুমাত্র ব্যবহারকারী A-এর মিল পাওয়া যায়, তাহলে ব্যবহারকারী B ম্যাচ টেবিলে থাকবে না।

ম্যাচ টেবিলগুলোতে customer_data_user_id নামে একটি অতিরিক্ত কলাম থাকে, যা ব্যবহারকারীর শনাক্তকারীকে বাইট হিসেবে সংরক্ষণ করে।

আপনার কোয়েরি লেখার সময় ফিল্ডের টাইপ বিবেচনা করা গুরুত্বপূর্ণ। SQL তুলনা অপারেটরগুলো আশা করে যে আপনি যে লিটারেলগুলো তুলনা করছেন সেগুলো একই টাইপের হবে। আপনার ফার্স্ট-পার্টি ডেটার টেবিলে user_id কীভাবে সংরক্ষিত আছে তার উপর নির্ভর করে, ডেটা মেলানোর আগে টেবিলের মানগুলো এনকোড করার প্রয়োজন হতে পারে। সফলভাবে মেলানোর জন্য আপনাকে আপনার জয়েন কী-কে বাইটে কাস্ট করতে হবে।

JOIN ON
  adh.google_ads_impressions_updm.customer_data_user_id = CAST(my_data.user_id AS BYTES)

এছাড়াও, SQL-এ স্ট্রিং তুলনা করার সময় বড় হাতের অক্ষরের ব্যবহারের বিষয়টি সংবেদনশীল, তাই তুলনার উভয় দিকের স্ট্রিং এনকোড করার প্রয়োজন হতে পারে, যাতে সেগুলোর মধ্যে সঠিক তুলনা নিশ্চিত করা যায়।

নমুনা কোয়েরি

মিলে যাওয়া ব্যবহারকারীদের সংখ্যা

এই কোয়েরিটি আপনার গুগল অ্যাডস ইম্প্রেশন টেবিলে মিলে যাওয়া ব্যবহারকারীর সংখ্যা গণনা করে।

/* Count matched users in Google Ads impressions table */

SELECT COUNT(DISTINCT user_id)
FROM adh.google_ads_impressions_updm

ম্যাচ রেট গণনা করুন

সকল ব্যবহারকারী ম্যাচিংয়ের জন্য যোগ্য নন। উদাহরণস্বরূপ, সাইন-আউট করা ব্যবহারকারী, শিশু এবং সম্মতিহীন ব্যবহারকারীদের UPDM-এর মাধ্যমে মেলানো হয় না। আরও নির্ভুল UPDM ম্যাচ রেট গণনা করার জন্য আপনি is_updm_eligible ফিল্ডটি ব্যবহার করতে পারেন। উল্লেখ্য যে, is_updm_eligible ফিল্ডটি ১ অক্টোবর, ২০২৪ থেকে উপলব্ধ হয়েছে। আপনি এই তারিখের আগে ম্যাচ রেট গণনা করার জন্য এই ফিল্ডটি ব্যবহার করতে পারবেন না।

/* Calculate the UPDM match rate */

CREATE TEMP TABLE total_events OPTIONS(privacy_checked_export=TRUE) AS
SELECT
  customer_id,
  COUNT(*) AS n
FROM adh.google_ads_impressions
WHERE is_updm_eligible
GROUP BY 1;

CREATE TEMP TABLE matched_events OPTIONS(privacy_checked_export=TRUE) AS
SELECT
  customer_id,
  COUNT(*) AS n
FROM adh.google_ads_impressions_updm
GROUP BY 1;

SELECT
  customer_id,
  SAFE_DIVIDE(matched_events.n, total_events.n) AS match_rate
FROM total_events
LEFT JOIN matched_events
  USING (customer_id)

ফার্স্ট-পার্টি এবং গুগল অ্যাডস ডেটা একত্রিত করুন

এই কোয়েরিটি দেখায় কিভাবে ফার্স্ট-পার্টি ডেটার সাথে গুগল অ্যাডস ডেটা যুক্ত করতে হয়:

/* Join first-party data with Google Ads data. The customer_data_user_id field
contains your ID as BYTES. You need to cast your join key into BYTES for
successful matches. */

SELECT
  inventory_type,
  COUNT(*) AS impressions
FROM
  adh.yt_reserve_impressions_updm AS google_data_imp
LEFT JOIN
  `my_data`
ON
  google_data_imp.customer_data_user_id = CAST(my_data.user_id AS BYTES)
GROUP BY
  inventory_type

ইউপিডিএম প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

UPDM সম্পর্কিত প্রায়শই জিজ্ঞাসিত প্রশ্নাবলীর তালিকার জন্য, UPDM প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী দেখুন।