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.

IMPORTANT
Der Adobe Analytics-Quell-Connector kann bis zu vier Wochen dauern, bis Daten aufgestockt werden. Wenn Sie kürzlich einen Connector eingerichtet haben, sollten Sie sicherstellen, dass der Datensatz die für Attribution AI erforderliche Mindestlänge von Daten aufweist. Lesen Sie den Abschnitt historische Daten , um sicherzustellen, dass Sie über genügend Daten verfügen, um genaue algorithmische Werte zu berechnen.

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.

Empfohlene Spalten
Benötigt für
Primäres Identitätsfeld
Touchpoint/Konversion
Zeitstempel
Touchpoint/Konversion
Kanal._type
Touchpoint
Channel.mediaAction
Touchpoint
Channel.mediaType
Touchpoint
Marketing.trackingCode
Touchpoint
Marketing.campaignname
Touchpoint
Marketing.campaigngroup
Touchpoint
Commerce
Konversion

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.

TIP
Wenn Sie Adobe Analytics-Daten in Ihrem CEE-Schema verwenden, werden die Touchpoint-Informationen für Analytics in der Regel in channel.typeAtSource (z. B. channel.typeAtSource = 'email') gespeichert.

Historische Daten data-requirements

IMPORTANT
Die für die Funktion von Attribution AI erforderliche Datenmenge lautet wie folgt:
  • 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

TIP
Die Mindestlänge der Daten, die für eine Anwendung mit Standardkonfigurationen erforderlich sind, beträgt: 2 Quartale (180 Tage) + 56 Tage = 236 Tage.

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.

NOTE
Sie können jede gewünschte Berichtsspalte aus dem Eingabedatensatz im Ergebnisausgabedatensatz nur dann anzeigen, wenn eine der folgenden Bedingungen erfüllt ist:
  • 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:

Spaltenname (DataType)
NULL
Beschreibung
timestamp (DateTime)
False
Der Zeitpunkt, zu dem ein Konversionsereignis oder eine Beobachtung aufgetreten ist.
Beispiel: 2020-06-09T00:01:51.000Z
identityMap (Map)
True
identityMap des Benutzers ähnlich dem CEE XDM-Format.
eventType (String)
True
Der primäre Ereignistyp für diesen Zeitreihensatz.
Beispiel: "Bestellung", "Kauf", "Besuch"
eventMergeId (String)
True
Eine ID, die mehrere Experience Events miteinander korreliert oder zusammenführt, die im Wesentlichen dasselbe Ereignis sind oder zusammengeführt werden sollen. Dieser sollte vor der Aufnahme vom Datenproduzenten ausgefüllt werden.
Beispiel: 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_id (String)
False
Eine eindeutige Kennung für das Zeitreihenereignis.
Beispiel: 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_tenantId (Object)
False
Der oberste Objektcontainer, der Ihrer zehnten ID entspricht.
Beispiel: _atsdsnrmsv2
your_schema_name (Objekt)
False
Ergebniszeile mit Konversionsereignis alle damit verknüpften Touchpoint-Ereignisse und deren Metadaten.
Beispiel: Attribution AI Scores - Modellname__2020
Segmentierung (Zeichenfolge)
True
Konversionssegment, z. B. Geo-Segmentierung, für die das Modell erstellt wird. Wenn keine Segmente vorhanden sind, ist das Segment mit conversionName identisch.
Beispiel: ORDER_US
conversionName (String)
True
Name der Konversion, die während der Einrichtung konfiguriert wurde.
Beispiel: Bestellung, Lead, Besuch
conversion (Object)
False
Konversionsmetadaten-Spalten.
dataSource (String)
True
Globale eindeutige Identifizierung einer Datenquelle.
Beispiel: Adobe Analytics
eventSource (String)
True
Die Quelle, an der das tatsächliche Ereignis aufgetreten ist.
Beispiel: Adobe.com
eventType (String)
True
Der primäre Ereignistyp für diesen Zeitreihensatz.
Beispiel: Bestellung
geo (String)
True
Der geografische Ort, an dem die Konversion bereitgestellt wurde placeContext.geo.countryCode
. Beispiel: US
priceTotal (Double)
True
Durch die Konversion erzielter Umsatz
Beispiel: 99.9
product (String)
True
Die XDM-Kennung des Produkts selbst.
Beispiel: RX 1080 ti
productType (String)
True
Der Anzeigename für das Produkt, wie er dem Benutzer für diese Produktansicht angezeigt wird.
Beispiel: Gpus
quantity (Integer)
True
Während der Konvertierung gekaufte Menge.
Beispiel: 1 1080 ti
receivedTimestamp (DateTime)
True
Zeitstempel der Konvertierung erhalten.
Beispiel: 2020-06-09T00:01:51.000Z
skuId (String)
True
Bestandseinheit (Stock Keeping Unit, SKU), die eindeutige Kennung eines vom Anbieter definierten Produkts.
Beispiel: MJ-03-XS-Black
timestamp (DateTime)
True
Zeitstempel der Konvertierung.
Beispiel: 2020-06-09T00:01:51.000Z
passThrough (Object)
True
Zusätzliche Score-Datensatzspalten, die vom Benutzer beim Konfigurieren des Modells angegeben werden.
commerce_order_purchaseCity (String)
True
Zusätzliche Spalte für Datensatz mit Punktzahl .
Beispiel: Stadt: San Jose
customerProfile (Object)
False
Identitätsdetails des Benutzers, der zum Erstellen des Modells verwendet wird.
identity (Object)
False
Enthält die Details des Benutzers, der zum Erstellen des Modells verwendet wird, z. B. id und namespace.
id (String)
True
Identitäts-ID des Benutzers wie Cookie-ID, Adobe Analytics ID (AAID) oder Experience Cloud-ID (ECID, auch als MCID oder Besucher-ID bezeichnet) usw.
Beispiel: 17348762725408656344688320891369597404
namespace (String)
True
Identitäts-Namespace, der zum Erstellen der Pfade und damit des Modells verwendet wird.
Beispiel: aaid
touchpointsDetail (Object Array)
True
Die Liste der Touchpoint-Details, die zur Konvertierung führen, die nach
touchpointName (String)
True
Name des Touchpoints, der beim Einrichten konfiguriert wurde.
Beispiel: PAID_SEARCH_CLICK
scores (Object)
True
Touchpoint-Beitrag zu dieser Konversion als Ergebnis. Weitere Informationen zu den in diesem Objekt erzeugten Werten finden Sie im Abschnitt aggregierte Attributionsbewertungen .
touchPoint (Object)
True
Touchpoint-Metadaten. Weitere Informationen zu den in diesem Objekt erzeugten Werten finden Sie im Abschnitt aggregierte Werte .

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.

Schema auswählen

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.

Schema auswählen

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:

Attributionsbewertungen
Beschreibung
Beeinflusst (algorithmisch)
Beeinflusstes Ergebnis ist der Anteil der Konversion, für den jeder Marketing-Touchpoint verantwortlich ist.
Inkrementell (algorithmisch)
Das inkrementelle Ergebnis ist der Betrag der direkt durch einen Marketing-Touchpoint verursachten marginalen Auswirkungen.
Erstkontakt
Regelbasierte Attributionsbewertung, die alle Gutschriften dem ursprünglichen Touchpoint auf einem Konversionspfad zuweist.
Letztkontakt
Regelbasierte Attributionsbewertung, die die gesamte Gutschrift dem Touchpoint zuweist, der der Konversion am nächsten ist.
Linear
Regelbasierte Attributionsbewertung, die jedem Touchpoint auf einem Konversionspfad die gleiche Gewichtung zuweist.
U-förmig
Regelbasierte Attributionsbewertung, die 40 % des Guthabens dem ersten Touchpoint und 40 % des Guthabens dem letzten Touchpoint zuweist, während die anderen Touchpoints die verbleibenden 20 % gleichmäßig aufteilen.
Zeitverfall
Regelbasierte Attributionsbewertung, bei der Touchpoints, die näher an der Konversion liegen, mehr Gewichtung erhalten als Touchpoints, die zeitlich weit von der Konversion entfernt sind.

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 .

Attributionsbewertungen
Rohwertverweisspalte
Beeinflusst (algorithmisch)
_tenantID.your_schema_name.element.touchpoint.algorithmicInfluapped
Inkrementell (algorithmisch)
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.algorithmicInfluapped
Erstkontakt
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.firstTouch
Letztkontakt
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.lastTouch
Linear
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.linear
U-förmig
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.uShape
Zeitverfall
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.decayUnits

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.

Spaltenname
Beschränkung
NULL
Beschreibung
customerevents_date (DateTime)
Benutzerdefiniertes und festes Format
False
Kundenereignisdatum im Format JJJJ-MM-TT.
Beispiel: 2016-05-02
mediatouchpoints_date (DateTime)
Benutzerdefiniertes und festes Format
True
Medien-Touchpoint-Datum im Format JJJ-MM-TT
Beispiel: 2017-04-21
Segment (String)
Berechnet
False
Konversionssegment, z. B. Geo-Segmentierung, für die das Modell erstellt wird. Wenn keine Segmente vorhanden sind, ist das Segment mit conversion_scope identisch.
Beispiel: ORDER_AMER
conversion_scope (String)
Benutzerdefiniert
False
Name der vom Benutzer konfigurierten Konvertierung.
Beispiel: BESTELLUNG
Touchpoint_scope (String)
Benutzerdefiniert
True
Name des Touchpoints, wie vom Benutzer
konfiguriert Beispiel: PAID_SEARCH_CLICK
product (String)
Benutzerdefiniert
True
Die XDM-Kennung des Produkts.
Beispiel: CC
product_type (String)
Benutzerdefiniert
True
Der Anzeigename für das Produkt, wie er dem Benutzer für diese Produktansicht angezeigt wird.
Beispiel: Gpus, Laptops
geo (String)
Benutzerdefiniert
True
Der geografische Ort, an dem die Konvertierung bereitgestellt wurde (placeContext.geo.countryCode)
Beispiel: US
event_type (String)
Benutzerdefiniert
True
Der primäre Ereignistyp für diesen Zeitreiheneintrag
Beispiel: Gebührenpflichtige Konversion
media_type (String)
ENUM
False
Beschreibt, ob der Medientyp gebührenpflichtig, besessen oder verdient ist.
Beispiel: PAID, BESITZT
channel (String)
ENUM
False
Die channel._type -Eigenschaft, die verwendet wird, um eine grobe Klassifizierung von Kanälen mit ähnlichen Eigenschaften in Consumer Experience Event XDM
bereitzustellen. Beispiel: SUARCH
action (String)
ENUM
False
Die Eigenschaft mediaAction wird verwendet, um einen Typ von Erlebnisereignis-Medienaktion bereitzustellen.
Beispiel: KLICKEN
campaign_group (String)
Benutzerdefiniert
True
Name der Kampagnengruppe, in der mehrere Kampagnen gruppiert sind, z. B. '50%_DISCOUNT'.
Beispiel: COMMERCIAL
campaign_name (String)
Benutzerdefiniert
True
Name der Kampagne, die zur Identifizierung der Marketing-Kampagne verwendet wird, z. B. '50%_DISCOUNT_USA' oder '50%_DISCOUNT_ASIA'.
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.

Spaltenname
Rohbewertungs-Referenzspalte
customerevents_date
Zeitstempel
mediatouchpoints_date
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.timestamp
Segment
_tenantID.your_schema_name.segmentation
conversion_scope
_tenantID.your_schema_name.conversion.conversionName
Touchpoint_scope
_tenantID.your_schema_name.touchpointsDetail.element.touchpointName
product
_tenantID.your_schema_name.conversion.product
product_type
_tenantID.your_schema_name.conversion.product_type
geo
_tenantID.your_schema_name.conversion.geo
event_type
eventType
media_type
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.mediaType
channel
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.mediaChannel
Aktion
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.mediaAction
campaign_group
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.campaignGroup
campaign_name
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.campaignName
IMPORTANT
  • 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.

recommendation-more-help
8959a20a-a58f-4057-9f82-870706c576e9