Eingabe und Ausgabe in Attribution AI
Im folgenden Dokument werden die verschiedenen Eingabe- und Ausgabedaten beschrieben, die in Attribution AI verwendet werden.
Attribution AI Eingabedaten
Attribution AI analysiert die folgenden Datensätze, um algorithmische Ergebnisse zu berechnen:
- Adobe Analytics-Datensätze, die den Analytics-Quell-Connector Analytics verwenden
- Allgemeine Experience Event (EE)-Datensätze aus dem Adobe Experience Platform-Schema
- Datasets für Consumer Experience Event (CEE)
Sie können jetzt mehrere Datensätze aus verschiedenen Quellen basierend auf der Identitätszuordnung (Feld) hinzufügen, wenn jeder Datensatz denselben Identitätstyp (Namespace) wie eine ECID aufweist. Nachdem Sie eine Identität und einen Namespace ausgewählt haben, werden Metriken zur Vollständigkeit der ID-Spalte angezeigt, die das Volumen der zuzuordnenden Daten angeben. Weitere Informationen zum Hinzufügen mehrerer Datensätze finden Sie im Attribution AI-Benutzerhandbuch.
Die Kanalinformationen werden nicht immer standardmäßig zugeordnet. Wenn der mediaChannel (Feld) in einigen Fällen leer ist, können Sie den Vorgang erst fortsetzen, wenn Sie ein Feld mediaChannel zuordnen, da es sich um eine erforderliche Spalte handelt. Wenn der Kanal im Datensatz erkannt wird, wird er standardmäßig mediaChannel zugeordnet. Die anderen Spalten wie Medientyp und Medienaktion sind weiterhin optional.
Nachdem Sie das Kanalfeld zugeordnet haben, fahren Sie mit dem Schritt "Ereignisse definieren"fort, in dem Sie Konversionsereignisse und Touchpoint-Ereignisse auswählen und bestimmte Felder aus einzelnen Datensätzen auswählen können.
Weitere Informationen zum Einrichten des Schemas Consumer Experience Event (CEE) finden Sie im Handbuch zur Datenvorbereitung für intelligente Dienste . Weitere Informationen zur Zuordnung von Adobe Analytics-Daten finden Sie in der Dokumentation Analytics-Feldzuordnungen .
Nicht alle Spalten im Schema Consumer Experience Event (CEE) sind für Attribution AI obligatorisch.
Sie können die Touchpoints mit allen unten empfohlenen Feldern im Schema oder im ausgewählten Datensatz konfigurieren.
In der Regel wird die Attribution für Konversionsspalten wie Bestellung, Käufe und Checkouts unter "Commerce"ausgeführt. Die Spalten für "channel"und "marketing"werden verwendet, um Touchpoints für Attribution AI zu definieren (z. B. channel._type = 'https://ns.adobe.com/xdm/channel-types/email'). Für optimale Ergebnisse und Einblicke wird dringend empfohlen, so viele Konversions- und Touchpoint-Spalten wie möglich einzuschließen. Außerdem sind Sie nicht auf die oben genannten Spalten beschränkt. Sie können alle anderen empfohlenen oder benutzerdefinierten Spalten als Konversions- oder Touchpoint-Definition einbeziehen.
Experience Event (EE)-Datensätze müssen keine Kanal- und Marketing-Mixins enthalten, solange die Kanal- oder Kampagneninformationen, die für die Konfiguration eines Touchpoints relevant sind, in einem der Mixin- oder Durchlauffelder vorhanden sind.
channel.typeAtSource (z. B. channel.typeAtSource = 'email') gespeichert.Historische Daten data-requirements
- Sie müssen Daten für mindestens 3 Monate (90 Tage) bereitstellen, um ein gutes Modell auszuführen.
- Sie benötigen mindestens 1000 Konversionen.
Attribution AI erfordert historische Daten als Eingabe für das Modelltraining. Die erforderliche Datendauer wird hauptsächlich von zwei Schlüsselfaktoren bestimmt: Trainings-Fenster und Lookback-Fenster. Die Eingabe mit kürzeren Trainings-Fenstern reagiert empfindlicher auf aktuelle Trends, während längere Schulungsfenster dazu beitragen, stabilere und präzisere Modelle zu erstellen. Es ist wichtig, das Ziel mit historischen Daten zu modellieren, die Ihre Geschäftsziele am besten repräsentieren.
Die Konfiguration des Trainings-Fensters filtert Konversionsereignisse, die für das Modell-Training auf der Grundlage der Vorkommenszeit eingestellt sind. Derzeit beträgt das Schulungsfenster mindestens 1 Quartal (90 Tage). Das Lookback-Fenster bietet einen Zeitrahmen, der angibt, wie viele Tage vor den Touchpoints des Konversionsereignisses im Zusammenhang mit diesem Konversionsereignis enthalten sein sollen. Diese beiden Konzepte bestimmen zusammen die Menge der Eingabedaten (gemessen nach Tagen), die für eine Anwendung erforderlich ist.
Standardmäßig definiert Attribution AI das Trainings-Fenster als die letzten 2 Quartale (6 Monate) und das Lookback-Fenster als 56 Tage. Mit anderen Worten: Das Modell berücksichtigt alle definierten Konversionsereignisse, die in den letzten zwei Quartalen aufgetreten sind, und sucht nach allen Touchpoints, die innerhalb von 56 Tagen vor den zugehörigen Konversionsereignissen aufgetreten sind.
Formel:
Mindestlänge der erforderlichen Daten = Schulungsfenster + Lookback-Fenster
Beispiel:
- Sie möchten Konversionsereignisse zuordnen, die innerhalb der letzten 90 Tage (3 Monate) stattgefunden haben, und alle Touchpoints verfolgen, die innerhalb von 4 Wochen vor dem Konversionsereignis aufgetreten sind. Die Dauer der Eingabedaten sollte sich über die letzten 90 Tage + 28 Tage (4 Wochen) erstrecken. Das Schulungsfenster beträgt 90 Tage, das Lookback-Fenster 28 Tage und insgesamt 118 Tage.
Attribution AI der Ausgabedaten
Attribution AI gibt Folgendes aus:
Beispiel für ein Ausgabeschema:
Rohe granulare Punktzahl raw-granular-scores
Attribution AI gibt Attributionsbewertungen auf der detailliertesten Ebene aus, sodass Sie die Bewertungen nach jeder Bewertungsspalte austeilen und würfen können. Um diese Bewertungen in der Benutzeroberfläche anzuzeigen, lesen Sie den Abschnitt unter Anzeigen von Rohwertpfaden. Um die Bewertungen mit der API herunterzuladen, rufen Sie das Dokument Herunterladen von Bewertungen in Attribution AI auf.
- Die Berichtsspalte ist auf der Konfigurationsseite entweder als Teil der Touchpoint- oder Konversionsdefinitionskonfiguration enthalten.
- Die Berichtsspalte ist in zusätzliche Score-Datensatzspalten enthalten.
In der folgenden Tabelle sind die Schemafelder in der Beispielausgabe für Rohbewertungen aufgeführt:
Beispiel: 2020-06-09T00:01:51.000Z
Beispiel: "Bestellung", "Kauf", "Besuch"
Beispiel: 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
Beispiel: 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
Beispiel: _atsdsnrmsv2
Beispiel: Attribution AI Scores - Modellname__2020
Beispiel: ORDER_US
Beispiel: Bestellung, Lead, Besuch
Beispiel: Adobe Analytics
Beispiel: Adobe.com
Beispiel: Bestellung
placeContext.geo.countryCode. Beispiel: US
Beispiel: 99.9
Beispiel: RX 1080 ti
Beispiel: Gpus
Beispiel: 1 1080 ti
Beispiel: 2020-06-09T00:01:51.000Z
Beispiel: MJ-03-XS-Black
Beispiel: 2020-06-09T00:01:51.000Z
Beispiel: Stadt: San Jose
id und namespace.Beispiel: 17348762725408656344688320891369597404
Beispiel: aaid
Beispiel: PAID_SEARCH_CLICK
Anzeigen von Rohbewertungspfaden (Benutzeroberfläche) raw-score-path
Sie können den Pfad zu Ihren Rohbewertungen in der Benutzeroberfläche anzeigen. Wählen Sie zunächst Schemas in der Platform-Benutzeroberfläche aus und suchen Sie dann auf der Registerkarte Durchsuchen nach Ihrem Attributions-AI-Punktschema und wählen Sie es aus.
Wählen Sie anschließend ein Feld im Fenster Struktur der Benutzeroberfläche aus. Die Registerkarte Feldeigenschaften wird geöffnet. Innerhalb von Feldeigenschaften ist das Pfadfeld, das Ihren Rohwerten zugeordnet ist.
Aggregierte Attributionswerte aggregated-attribution-scores
Aggregierte Bewertungen können über die Platform-Benutzeroberfläche im CSV-Format heruntergeladen werden, wenn der Datumsbereich weniger als 30 Tage beträgt.
Attribution AI unterstützt zwei Kategorien von Attributionsbewertungen: algorithmische und regelbasierte Bewertungen.
Attribution AI erzeugt zwei verschiedene Arten algorithmischer Punktzahlen, inkrementell und beeinflusst. Ein beeinflusst Ergebnis ist der Anteil der Konversion, für den jeder Marketing-Touchpoint verantwortlich ist. Ein inkrementelles Ergebnis ist der Betrag der direkt durch den Marketing-Touchpoint verursachten marginalen Auswirkungen. Der Hauptunterschied zwischen dem inkrementellen Ergebnis und dem beeinflussten Ergebnis besteht darin, dass das inkrementelle Ergebnis den Basiseffekt berücksichtigt. Es wird nicht davon ausgegangen, dass eine Konversion ausschließlich durch die vorherigen Marketing-Touchpoints verursacht wird.
Im Folgenden finden Sie ein Beispiel für die Ausgabe eines Attribution AI-Schemas über die Adobe Experience Platform-Benutzeroberfläche:
Weitere Informationen zu den einzelnen Attributionsbewertungen finden Sie in der folgenden Tabelle:
Rohbewertungs-Referenz (Attributionswerte)
Die nachstehende Tabelle ordnet die Attributionsbewertungen den Rohbewertungen zu. Wenn Sie Ihre Rohbewertungen herunterladen möchten, besuchen Sie die Dokumentation zum Herunterladen von Bewertungen in Attribution AI .
Aggregierte Werte aggregated-scores
Aggregierte Bewertungen können über die Platform-Benutzeroberfläche im CSV-Format heruntergeladen werden, wenn der Datumsbereich weniger als 30 Tage beträgt. Weitere Informationen zu den einzelnen Aggregat-Spalten finden Sie in der unten stehenden Tabelle.
Beispiel: 2016-05-02
Beispiel: 2017-04-21
Beispiel: ORDER_AMER
Beispiel: BESTELLUNG
konfiguriert Beispiel: PAID_SEARCH_CLICK
Beispiel: CC
Beispiel: Gpus, Laptops
Beispiel: US
Beispiel: Gebührenpflichtige Konversion
Beispiel: PAID, BESITZT
channel._type -Eigenschaft, die verwendet wird, um eine grobe Klassifizierung von Kanälen mit ähnlichen Eigenschaften in Consumer Experience Event XDMbereitzustellen. Beispiel: SUARCH
mediaAction wird verwendet, um einen Typ von Erlebnisereignis-Medienaktion bereitzustellen.Beispiel: KLICKEN
Beispiel: COMMERCIAL
Beispiel: Erntedankverkauf
Roh-Score-Referenz (aggregiert)
Die nachstehende Tabelle ordnet die aggregierten Werte den Rohbewertungen zu. Wenn Sie Ihre Rohbewertungen herunterladen möchten, besuchen Sie die Dokumentation zum Herunterladen von Bewertungen in Attribution AI . Um die Rohwertpfade aus der Benutzeroberfläche anzuzeigen, besuchen Sie den Abschnitt über das Anzeigen von Rohwertpfaden🔗 in diesem Dokument.
- Attribution AI verwendet nur aktualisierte Daten für Weiterbildung und Scoring. Ebenso unterlässt Customer AI die Verwendung gelöschter Daten, wenn Sie das Löschen von Daten anfordern.
- Die Attributions-KI nutzt Platform-Datensätze. Um Anfragen zu Verbraucherrechten zu unterstützen, die eine Marke erhalten kann, sollten Marken den Privacy Service von Platform nutzen, damit Privatkundinnen und -kunden Anfragen zum Zugriff und zur Löschung ihrer Daten über den Data Lake, den Identity Service und das Echtzeit-Kundenprofil stellen können.
- Alle Datensätze, die wir für die Eingabe/Ausgabe von Modellen verwenden, folgen den Platform-Richtlinien. Die Platform-Datenverschlüsselung gilt für Daten in Ruhezeit und während der Übertragung. Weitere Informationen zur Datenverschlüsselung finden Sie in der Dokumentation .
Nächste Schritte next-steps
Nachdem Sie Ihre Daten vorbereitet haben und alle Ihre Anmeldedaten und Schemas vorhanden sind, folgen Sie dem Attribution AI-Benutzerhandbuch. Dieses Handbuch führt Sie durch die Erstellung einer Instanz für Attribution AI.