Загрузка статистики из «ВКонтакте» и Facebook в Google BigQuery — руководство

В предыдущей статье мой коллега Антон Леонтьев рассказывал о том, как загрузить статистику из рекламных систем в Google BigQuery, а также строить отчетность на основании этих данных. Так, информацию по рекламе из «ВКонтакте» мы загружали вручную, а из Facebook — с помощью библиотеки rfacebookstat Алексея Селезнева. В этой статье мы рассмотрим иные способы загрузки данных для «ВКонтакте» и Facebook.

Загрузка данных «ВКонтакте»

Для загрузки данных из рекламного кабинета «ВКонтакте» мы будем использовать R-библиотеку rvkstat Алексея Селезнева.

Примечание: до ноября API «ВКонтакте» не выгружал клики по промопостам. С начала ноября API «ВКонтакте» должен корректно работать для новых объявлений.

1. Установите актуальную версию языка R и RStudio. Инсталлируйте пакеты devtools, rvkstat, bigrquery c помощью функций install.packages, install_github.

 install.packages("devtools")
 install.packages("bigrquery")
 install_github('selesnow/rvkstat')

2. Для работы с API «ВКонтакте» вам необходимо создать приложение. Как это сделать, описано в справке библиотеки.

3. С помощью функции vkAuth получаем токен. В аргументах функции необходимо указать свой идентификатор и секрет приложения. После этого откроется страница в браузере с кодом для получения токена, код необходимо скопировать и ввести в консоль.

Для дальнейшей работы полученный токен необходимо указывать при каждом обращении к API.

library(rvkstat)
token <- vkAuth(app_id=11111111, app_secret="xxxxxxxxxxxxxx")

4. Далее получаем список рекламных кабинетов:

vk_accounts <- vkGetAdAccounts(token$access_token)

5. Затем получаем список клиентов. Если у вас личный кабинет, а не кабинет агентства, то этот шаг нужно пропустить.

vk_clients <- vkGetAdClients(account_id=11111111, 
                             access_token=token$access_token)

6. Получаем список рекламных кампаний. Для кабинета агентства используем такую функцию:

vk_campaigns <- vkGetAdCampaigns(account_id=11111111, 
                                 client_id=11111111, 
                                 access_token=token$access_token)

Если у вас личный кабинет, а не кабинет агентства, то из функции необходимо убрать аргумент client_id:

vk_campaigns <- vkGetAdCampaigns(account_id=11111111, 
                                 access_token=token$access_token)

7. Получаем статистику по кампаниям c разбивкой по дням.

vk_stat_by_campaign <- vkGetAdStatistics(account_id=11111111,
                                         ids_type="campaign",
                                         ids=vk_campaigns$id,
                                         period="day",
                                         date_from="2017-12-01",
                                         date_to=Sys.Date()-1,
                                         access_token=token$access_token)

Разберем подробнее поля в запросе:

• ids_type — тип запрашиваемых объектов, которые перечислены в параметре ids, допустимые значения — ad, campaign, client, office;
• ids — идентификаторы запрашиваемых объектов через запятую. Так как у нас есть столбец с id всех кампаний в датафрейме vk_campaigns, то сошлемся на него;
• period — группировка данных по датам, допустимые значения — day, month, overall;
• date_from — начальная дата выводимой статистики;
• date_to — конечная дата выводимой статистики.

Для дат используется разный формат в зависимости от параметра period:

• day: YYYY-MM-DD, пример: 2017-12-15;
• month: YYYY-MM, пример: 2017-12;
• overall: 0.

8. В результате вы получите датафрейм с данными по показам, кликам, расходам, подпискам и другим показателям. Теперь необходимо записать его в Google BigQuery. Для этого воспользуемя функцией insert_upload_job из библиотеки bigrquery.

library(bigrquery)
insert_upload_job("bigquery_project_id", 
                  "temp_reports", 
                  "vk", 
                  vk_stat_by_campaign, 
                  "bigquery_project_id", 
                  create_disposition="CREATE_IF_NEEDED", 
                  write_disposition="WRITE_TRUNCATE")

Здесь нужно заменить:

• bigquery_project_id — идентификатор проекта в BigQuery;
• temp_reports — dataset в BigQuery;
• vk — название таблицы для записи данных в BigQuery.

В таблице со статистикой есть идентификаторы кампаний, но нет названий. Чтобы дополнить полученную статистику названиями кампаний, запишем в BigQuery полученный ранее датафрейм со списком рекламных кампаний.

insert_upload_job("bigquery_project_id", 
                  "temp_reports", 
                  "vk_campaign_list", 
                  vk_campaigns, 
                  "bigquery_project_id", 
                  create_disposition="CREATE_IF_NEEDED", 
                  write_disposition="WRITE_TRUNCATE")

Пример готового SQL-запроса — объединим две таблицы и агрегируем данные по месяцам:

// расходы по кампаниям ВКонтакте
SELECT
   LEFT(c.day,7) AS month,
   'vk / cpc' AS utm_channel,
   c.id AS campaign_id,
   n.name AS campaign_name,
   SUM(c.impressions) AS impressions,
   SUM(c.clicks) AS clicks, 
   ROUND(SUM(c.spent),2) AS costs,
   IFNULL(SUM (c.join_rate),0) AS join_group
FROM temp_reports.vk AS c
LEFT JOIN temp_reports.vk_campaigns_list AS n ON c.id=n.id
GROUP BY month, campaign_id, campaign_name
ORDER BY month DESC, costs DESC

Загрузка данных Facebook

В предыдущей статье рассматривалась загрузка данных из Facebook в BigQuery с помощью библиотеки rfacebookstat на языке R. Сейчас разберем автоматическую загрузку данных через сервис Owox BI Pipeline Facebook Ads -> Google BigQuery.

Для настройки импорта Facebook Ads -> Google BigQuery нужен действующий поток Facebook -> Google Analytics.

1. Для настройки потока Facebook -> Google Analytics сначала необходимо создать модель данных в Google Analytics, в которую будут импортироваться расходы. Зайдите на вкладку «Администратор», выберите «Импорт данных», нажмите кнопку «Создать».

2. Необходимо выбрать тип набора данных. Выберите пункт «Данные о расходах».

3. Далее задайте название для набора данных и выберите представления, которые будут использовать данные из этого набора.

4. Следующий шаг — задайте схему набора данных. К обязательным столбцам (дата, канал, источник) добавьте следующие столбцы: кампания, ключевое слово, содержание объявления. Выберите показатели для импорта: стоимость, число кликов, число показов. Действие при импорте — «Суммирование», после этого нажмите «Сохранить».

5. Далее настройте поток Facebook -> Google Analytics в кабинете Owox. Перейдите на вкладку Pipeline и нажмите «Создать поток».

6. Предоставьте доступ к вашим аккаунтам в Facebook и Google Analytics. Далее выберите ресурс Google Analytics и схему данных, которую вы создали. Укажите дату начала импорта данных (историческая загрузка данных возможна, но есть ограничения) и выберите представление. После чего нажмите «Создать».

7. Поток Facebook -> Google Analytics настроен, и в скором времени начнется импорт данных в Google Analytics. Теперь необходимо настроить импорт в Google BigQuery.

8. Зайдите в поток и перейдите на вкладку «Импорт в Google BigQuery». Активируйте импорт с помощью чекбокса, выберите аккаунт для доступа, нажмите «Сохранить».

9. После этого в BigQuery появится датасет под названием owox-bi-pipeline. Первые данные соберутся в течении суток, а в последствии будут дополняться каждый день. Схему передаваемых данных можно посмотреть в справке Owox.

Пример SQL-запроса для работы с данным датасетом:

// расходы по кампаниям Facebook
SELECT
   LEFT(STRING(insights.data.date_start),7) AS month,
   'facebook / cpc' AS utm_channel,
   campaign.id AS campaign_id,
   campaign.name AS campaign_name,
   SUM(insights.data.impressions) AS impressions,
   SUM(insights.data.inline_link_clicks) AS clicks,
   ROUND(SUM(insights.data.spend),2) AS costs,
FROM 
   TABLE_DATE_RANGE ([owox-bi-pipeline:54abf072312482b24edfd880c1622a89.facebook_ads_insights_], TIMESTAMP ('2017-12-01'), DATE_ADD(CURRENT_TIMESTAMP(), -1, "DAY"))
WHERE
   insights.data.inline_link_clicks IS NOT NULL AND insights.data.spend IS NOT NULL AND insights.data.impressions IS NOT NULL
GROUP BY month, campaign_id, campaign_name
ORDER BY month DESC, costs DESC

Заключение

Главным преимуществом данных способов загрузки расходов по рекламным кампаниям является существенное сокращение времени на подготовку отчетности.

Использование же облачной базы данных Google BigQuery, позволяет объединять данные по расходам рекламных кампаний с данными Google Analytics (для этого мы используем сбор несэмплированных данных через Owox BI Streaming в Google BigQuery), а также с данными из наших внутренних баз MySQL и PostgreSQL.

Отчеты можно выгружать в табличном виде в Google Spreadsheets с помощью Owox BI BigQuery Reports, а для визуализации использовать Google DataStudio, Redash, Power BI или другие инструменты.