Ce hub cartographie le pipeline LinkedIn Ads depuis l’accès API jusqu’à la transformation dbt. LinkedIn nécessite une revue manuelle de l’API, dispose de tokens OAuth qui expirent à l’échelle humaine, et d’un endpoint analytics avec plusieurs contraintes structurelles. Les pivots démographiques professionnels (entreprise, séniorité, fonction, secteur) sont uniques à LinkedIn parmi les grandes plateformes publicitaires.
Obtenir l’accès
Le processus de revue manuelle est l’élément avec le plus long délai dans le pipeline.
- Accès à l’API LinkedIn Ads — Configuration de l’application développeur, le processus de revue manuelle, ce qu’inclure dans votre candidature, la gestion des rejets, et les couches d’accès supplémentaires (Lead Sync API, APIs privées, Company Intelligence API).
Authentification et gestion des tokens
La préoccupation opérationnelle continue une fois approuvé.
- Gestion des tokens OAuth LinkedIn Ads — Expiration des tokens d’accès de 60 jours, expiration des tokens de refresh de 365 jours, pourquoi il n’y a pas d’alternative de compte de service, et comment construire des processus opérationnels autour de la ré-authentification annuelle forcée.
L’endpoint analytics
C’est là que vit la complexité d’extraction.
- Endpoint analytics LinkedIn Ads — Pas de pagination, la limite de 15 000 éléments, la limite de 20 métriques par requête, le tunneling de requêtes pour les URLs longues, la migration vers la pagination par curseur de janvier 2024, le versioning mensuel de l’API, et les contraintes de données démographiques.
À quoi servent réellement les données
Le cas B2B pour construire ce pipeline malgré les frictions.
- Valeur des données B2B LinkedIn Ads — Pivots démographiques professionnels (MEMBER_COMPANY, MEMBER_SENIORITY, MEMBER_JOB_TITLE), la corrélation négative CTR-vers-pipeline, l’attribution des impressions au niveau de l’entreprise via la Company Intelligence API, et la fenêtre d’attribution de 90 jours.
Modélisation dans dbt
Comment structurer la couche de transformation.
- Modélisation dbt LinkedIn Ads — Le renommage de la hiérarchie de campagnes (Campaign Group → Campaign, Campaign → Ad Group, Creative → Ad), la normalisation des métriques (définitions des clics, dépenses, conversions), l’intégration du package dbt_ad_reporting, la stratégie incrémentale pour un lookback de 90 jours, et comment séparer les modèles spécifiques à la plateforme de la couche cross-plateforme unifiée.
Notes de jardin connexes
- Paysage des API de plateformes publicitaires — Comment LinkedIn se compare à Google, Meta et d’autres plateformes au niveau API.
- Outils d’extraction de données publicitaires — Fivetran, Airbyte, dlt et Supermetrics comparés pour les capacités spécifiques à LinkedIn (support des formulaires lead, gestion des données démographiques, historique SCD2).
- Défis d’ingénierie des pipelines publicitaires — Limites de débit, changements de schéma, normalisation d’attribution et conformité vie privée sur toutes les plateformes publicitaires.
- Divergence des métriques des plateformes publicitaires — Pourquoi les impressions, clics et conversions LinkedIn ne sont pas directement comparables à Google ou Meta, incluant le tableau de hiérarchie des campagnes.
- Patterns de reporting publicitaire dbt — Le contexte de modélisation dbt cross-plateforme plus large dans lequel LinkedIn s’intègre.
Article source
linkedin-ads-pipeline-guide — “Why LinkedIn Ads data is the hardest to get right”