Im folgenden Dokument werden die verschiedenen Ein- und Ausgänge erläutert, die in Attribution AIverwendet werden.
Attribution AI verwendet Consumer Experience Event Daten, um algorithmische Ergebnisse zu berechnen. Weitere Informationen zu Consumer Experience Eventfinden Sie in der Dokumentation zu Intelligent Services unterVorbereiten von Daten für die Verwendung.
Nicht alle Spalten im Schema Consumer Experience Event (CEE) sind für Attribution AIS obligatorisch.
Die folgenden 9 Spalten sind obligatorisch, zusätzliche Spalten sind optional, werden aber empfohlen/erforderlich, wenn Sie dieselben Daten für andere Adoben wie Customer AI und Journey AIverwenden möchten.
Obligatorische Spalten | Benötigt für |
---|---|
Primär-Identitätsfeld | Touchpoint/Umrechnung |
Zeitstempel | Touchpoint/Umrechnung |
Channel._type | Touchpoint |
Channel.mediaAction | Touchpoint |
Channel.mediaType | Touchpoint |
Marketing.trackingCode | Touchpoint |
Marketing.campaignname | Touchpoint |
Marketing.campaigngroup | Touchpoint |
Handel | Konversion |
Normalerweise wird die Zuordnung auf Konvertierungsspalten wie Bestellung, Einkäufe und Kassengänge unter "commerce"ausgeführt. Die Spalten "Kanal"und "Marketing"werden dringend empfohlen, Touchpoints für gute Einblicke zu definieren. Sie können jedoch jede weitere Spalte zusammen mit den oben genannten Spalten einschließen, um sie als Konversions- oder Touchpoint-Definition zu konfigurieren.
Die folgenden Spalten sind nicht erforderlich, es wird jedoch empfohlen, sie in Ihr CEE-Schema einzubeziehen, wenn die verfügbaren Informationen vorliegen.
Zusätzliche empfohlene Spalten:
Die Mindestdatenmenge, die erforderlich ist, damit Attribution AI funktionieren kann, lautet wie folgt:
Attribution AI erfordert historische Daten als Eingabe für Modellschulungen. Die erforderliche Datendauer wird hauptsächlich von zwei Hauptfaktoren bestimmt: Schulungsfenster und Lookback-Fenster. Die Eingabe mit kürzeren Schulungsfenstern ist anfälliger für aktuelle Trends, während längere Schulungsfenster stabilere und genauere Modelle erzeugen. Es ist wichtig, das Ziel mit historischen Daten zu modellieren, die Ihre Geschäftsziele am besten widerspiegeln.
In der Konfiguration des Schulungsfensters werden Ereignis zur Konvertierung für Modellschulungen basierend auf der Häufigkeit des Auftretens Filter. Derzeit beträgt das Schulungsfenster mindestens 1 Quartal (90 Tage). Das Lookback-Fenster bietet einen Zeitraum, der angibt, wie viele Tage vor dem Konversions-Ereignis-Touchpoints im Zusammenhang mit diesem Konversions-Ereignis eingeschlossen werden sollten. Diese beiden Konzepte bestimmen zusammen die Menge der Eingabedaten (gemessen nach Tagen), die für eine Anwendung erforderlich sind.
Standardmäßig definiert Attribution AI das Schulungsfenster als die letzten 2 Quartale (6 Monate) und das Lookback-Fenster als 56 Tage. Anders ausgedrückt, berücksichtigt das Modell alle definierten Konvertierungsmodelle, die in den letzten zwei Quartalen aufgetreten sind, und sucht nach allen Touchpoints, die innerhalb von 56 Tagen vor dem/den zugehörigen Konversions-Ereignissen aufgetreten sind.
Formel:
Erforderliche Mindestlänge der Daten = Schulungsfenster + Lookback-Fenster
Die Mindestdatenlänge, die für eine Anwendung mit Standardkonfigurationen erforderlich ist, ist: 2 Quartale (180 Tage) + 56 Tage = 236 Tage.
Beispiel :
Attribution AI gibt Folgendes aus:
Schema der Ausgabe:
Attribution AI gibt Zuordnungswerte auf möglichst granularer Ebene aus, sodass Sie die Ergebnisse nach jeder beliebigen Ergebnisspalte ausschneiden und würfeln können. Um diese Ergebnisse in der Benutzeroberfläche Ansicht, lesen Sie den Abschnitt zum Anzeigen von Rohwertpfaden. Um die Punktzahlen mit der API herunterzuladen, besuchen Sie die Download-Punktzahlen im Attribution AI Dokument.
Sie können alle gewünschten Berichte-Spalten aus dem Eingabedataset im Ergebnisausgabe-Datensatz nur dann anzeigen, wenn einer der folgenden Werte wahr ist:
Die folgende Tabelle zeigt die Schema-Felder in der Rohwertbeispiel-Ausgabe:
Spaltenname (DataType) | Nullable | Beschreibung |
---|---|---|
timestamp (DateTime) | False | Der Zeitpunkt, zu dem ein Konversions-Ereignis 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 | The primary event type for this time-series record. Beispiel: "Bestellung", "Kauf", "Besuch" |
eventMergeId (String) | True | Eine ID zum Korrelieren oder Zusammenführen mehrerer Experience Events Elemente, die im Wesentlichen dasselbe Ereignis sind oder zusammengeführt werden sollten. Dieser soll vor der Aufnahme vom Datenhersteller ausgefüllt werden. Beispiel: 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4 |
_id (Zeichenfolge) | False | Eine eindeutige Kennung für das Ereignis der Zeitreihen. Beispiel: 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4 |
_tenantId (Objekt) | False | Der Container des Objekts auf oberster Ebene, der Ihrer Tent-ID entspricht. Beispiel: _atsdsnrmmsv2 |
your_Schema_name (Objekt) | False | Ergebniszeile mit Konversions-Ereignis mit allen damit verknüpften Touchpoint-Ereignissen und deren Metadaten. Beispiel: Attribution AI Scores - Modellname__2020 |
segmentation (Zeichenfolge) | True | Konversionssegment wie die Geo-Segmentierung, auf dem das Modell basiert. Wenn keine Segmente vorhanden sind, ist das Segment mit dem von convertName identisch. Beispiel: ORDER_US |
convertName (String) | True | Name der Konvertierung, die während der Einrichtung konfiguriert wurde. Beispiel: Bestellung, Interessent, Besuch |
Konversion (Objekt) | False | Konvertierungsmetadatenspalten. |
dataSource (String) | True | Globale eindeutige Identifizierung einer Datenquelle. Beispiel: Adobe Analytics |
eventSource (String) | True | Die Quelle, an der das eigentliche Ereignis aufgetreten ist. Beispiel: Adobe.com |
eventType (String) | True | The primary event type for this time-series record. Beispiel: Bestellung |
geo (Zeichenfolge) | True | The geographic location where the conversion was delivered placeContext.geo.countryCode . Beispiel: US |
priceTotal (Dublette) | True | Durch die Umrechnung erzielte Einnahmen Beispiel: 99,9 |
product (Zeichenfolge) | True | Die XDM-ID des Produkts. Beispiel: RX 1080 ti |
productType (Zeichenfolge) | True | Der Anzeigename für das Produkt, der dem Benutzer für diese Ansicht angezeigt wird. Beispiel: Gpus |
quantity (Integer) | True | Während der Konvertierung gekaufte Menge Beispiel: 1 1080 ti |
receiveTimestamp (DateTime) | True | Zeitstempel der Konvertierung erhalten. Beispiel: 2020-06-09T00:01:51.000Z |
skuId (Zeichenfolge) | True | Stock keeping unit (SKU), the unique identifier for a product defined by the vendor. Beispiel: MJ-03-XS-Black |
timestamp (DateTime) | True | Zeitstempel der Konversion. Beispiel: 2020-06-09T00:01:51.000Z |
passThrough (Objekt) | True | Zusätzliche Score-Datenset-Spalten, die vom Benutzer beim Konfigurieren des Modells angegeben werden. |
commerce_order_purchaseCity (Zeichenfolge) | True | Zusätzliche Datensatzspalte für die Punktzahl. Beispiel: Ort: San Jose |
customerProfile (Objekt) | False | Identitätsdetails des Benutzers, der zum Erstellen des Modells verwendet wird. |
identity (Objekt) | False | Enthält die Details des Benutzers, der zum Erstellen des Modells verwendet wird, z. B. id und namespace . |
id (Zeichenfolge) | True | Identitäts-ID des Benutzers, z. B. Cookie-ID oder AAID oder MCID usw. Beispiel: 17348762725408656344688320891369597404 |
namensraum (Zeichenfolge) | True | Identitäts-Namensraum, der zum Erstellen der Pfade und damit des Modells verwendet wird. Beispiel: aaid |
touchpointsDetail (Object-Array) | True | Die Liste der Touchpoint-Details, die zur nach Touchpoint-Vorkommen oder Zeitstempel sortierten Konvertierung führen. |
touchpointName (Zeichenfolge) | True | Name des Touchpoints, der während der Einrichtung konfiguriert wurde. Beispiel: PAID_SEARCH_CLICK |
scores (Objekt) | True | Touchpoint-Beitrag zu dieser Konversion als Ergebnis. Weitere Informationen zu den in diesem Objekt erzeugten Ergebnissen finden Sie im Abschnitt Aggregierte Zuordnungswerte . |
touchPoint (Objekt) | True | Touchpoint-Metadaten. Weitere Informationen zu den in diesem Objekt erzeugten Ergebnissen finden Sie im Abschnitt zu aggregierten Ergebnissen . |
Sie können den Pfad zu Ihren Rohwerten in der Benutzeroberfläche Ansicht haben. Beginn durch Auswahl von Schemas in der Benutzeroberfläche "Plattform"suchen und wählen Sie dann auf der Registerkarte " Durchsuchen "das Schema für die Zuordnungs-AI-Bewertungen aus.
Wählen Sie anschließend im Fenster " Struktur "der Benutzeroberfläche ein Feld aus. Die Registerkarte " Feldeigenschaften "wird geöffnet. Innerhalb der Feldeigenschaften ist das Pfadfeld, das Ihren Rohwerten zugeordnet ist.
Aggregierte Punktzahlen können im CSV-Format von der Plattform-Benutzeroberfläche heruntergeladen werden, wenn der Datumsbereich weniger als 30 Tage beträgt.
Attribution AI unterstützt zwei Kategorien von Zuordnungswerten, algorithmische und regelbasierte Werte.
Attribution AI produziert zwei verschiedene Arten von algorithmischen Ergebnissen, inkrementell und beeinflusst. Ein beeinflusster Wert ist der Anteil der Konversion, für die 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 in der Adobe Experience Platform-Benutzeroberfläche:
Die nachstehende Tabelle enthält weitere Details zu den einzelnen Zuordnungswerten:
Zuordnungswerte | Beschreibung |
---|---|
Beeinflusst (algorithmisch) | Einflussreiches Ergebnis ist der Anteil der Konversion, für den jeder Marketing-Touchpoint verantwortlich ist. |
Inkrementell (algorithmisch) | Inkrementelles Ergebnis ist die Höhe des Grenzeffekts, der direkt durch einen Marketing-Touchpoint verursacht wird. |
Erstkontakt | Regelbasiertes Zuordnungsergebnis, das dem ursprünglichen Touchpoint auf einem Konversionspfad alle Gutschriften zuweist. |
Letztkontakt | Regelbasierter Zuordnungswert, der dem Touchpoint die Gutschrift zuweist, der der Konversion am nächsten kommt. |
Linear | Regelbasiertes Zuordnungsergebnis, das jedem Touchpoint auf einem Konversionspfad die gleiche Gutschrift zuweist. |
U-förmig | Regelbasiertes Zuordnungsergebnis, bei dem 40 % der Gutschrift dem ersten Touchpoint und 40 % der Gutschrift dem letzten Touchpoint zugeordnet werden, während die übrigen 20 % gleichmäßig auf die anderen Touchpoints aufgeteilt werden. |
Zeitverfall | Regelbasierter Zuordnungswert, bei dem Touchpoints, die näher an der Konversion liegen, mehr gutgeschrieben werden als Touchpoints, die zeitlich weiter von der Konversion entfernt sind. |
Referenz zur Rohbewertung (Zuordnungswerte)
Die nachstehende Tabelle ordnet die Zuordnungswerte den Rohwerten zu. Wenn Sie Ihre Rohwerte herunterladen möchten, finden Sie entsprechende Downloads in der Attribution AI Dokumentation.
Zuordnungswerte | Referenzspalte für Rohwerte |
---|---|
Beeinflusst (algorithmisch) | _tenantID.your_Schema_name.element.touchpoint.algorithmicInfluced |
Inkrementell (algorithmisch) | _tenantID.your_Schema_name.touchpointsDetail.element.touchpoint.algorithmicInfluced |
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.uForm |
Zeitverfall | _tenantID.your_Schema_name.touchpointsDetail.element.touchpoint.decayUnits |
Aggregierte Punktzahlen können im CSV-Format von der Plattform-Benutzeroberfläche heruntergeladen werden, wenn der Datumsbereich weniger als 30 Tage beträgt. Die nachstehende Tabelle enthält weitere Informationen zu den einzelnen Aggregat-Spalten.
Spaltenname | Constraint | Nullable | Beschreibung |
---|---|---|---|
customerevents_date (DateTime) | Benutzerdefiniertes und festes Format | False | Ereignis des Kunden im Format JJJJ-MM-TT. Beispiel: 2016-05-02 |
mediatouchpoints_date (DateTime) | Benutzerdefiniertes und festes Format | True | Media Touchpoint Date im Format JJJJ-MM-TT Beispiel: 2017-04-21 |
segment (String) | Berechnet | False | Konversionssegment, z. B. Geo-Segmentierung, auf dem das Modell basiert. Wenn keine Segmente vorhanden sind, ist das Segment identisch mit dem Wert "conversion_scope". Beispiel: ORDER_AMER |
convert_scope (Zeichenfolge) | Benutzerdefiniert | False | Name der vom Benutzer konfigurierten Konvertierung. Beispiel: BESTELLUNG |
touchpoint_scope (Zeichenfolge) | Benutzerdefiniert | True | Name des vom Benutzer konfigurierten Touchpoints Beispiel: PAID_SEARCH_CLICK |
product (Zeichenfolge) | Benutzerdefiniert | True | The XDM identifier of the product. Beispiel: CC |
product_type (Zeichenfolge) | Benutzerdefiniert | True | Der Anzeigename für das Produkt, der dem Benutzer für diese Ansicht angezeigt wird. Beispiel: Gpus, Laptops |
geo (Zeichenfolge) | Benutzerdefiniert | True | The geographic location where the conversion was delivered (placeContext.geo.countryCode) Beispiel: US |
ereignis_type (Zeichenfolge) | Benutzerdefiniert | True | The primary event type for this time-series record Beispiel: Gebührenpflichtige Konversion |
media_type (Zeichenfolge) | ENUM | False | Beschreibt, ob der Medientyp bezahlt, im Besitz oder verdient ist. Beispiel: BEZAHLTE, EIGENTÜMER |
kanal (Zeichenfolge) | 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: SUCHE |
action (Zeichenfolge) | ENUM | False | Die mediaAction Eigenschaft wird verwendet, um eine Art Erlebnis-Ereignis-Medienaktion bereitzustellen. Beispiel: KLICKEN |
kampagne_Gruppe (Zeichenfolge) | Benutzerdefiniert | True | Name der Kampagne, in der mehrere Kampagnen gruppiert sind, z. B. "50%_DISCOUNT". Beispiel: KOMMERZIELL |
kampagne_name (Zeichenfolge) | Benutzerdefiniert | True | Name der Kampagne, die zur Identifizierung der Marketing-Kampagne verwendet wird, z. B. '50%_DISCOUNT_USA' oder '50%_DISCOUNT_ASIA'. Beispiel: Erntedankverkauf |
Referenz zur Rohbewertung (aggregiert)
Die nachstehende Tabelle ordnet die aggregierten Ergebnisse den Rohwerten zu. Wenn Sie Ihre Rohwerte herunterladen möchten, finden Sie entsprechende Downloads in der Attribution AI Dokumentation. Um die Rohwertpfade in der Benutzeroberfläche Ansicht, besuchen Sie den Abschnitt zum Anzeigen von Rohwertpfaden in diesem Dokument.
Spaltenname | Referenzspalte "Rohdaten" |
---|---|
customerevents_date | timestamp |
mediatouchpoints_date | _tenantID.your_Schema_name.touchpointsDetail.element.touchpoint.timestamp |
Segment | _tenantID.your_Schema_name.segmentation |
conversion_scope | _tenantID.your_Schema_name.convertions.conversionName |
touchpoint_scope | _tenantID.your_Schema_name.touchpointsDetail.element.touchpointName |
product | _tenantID.your_Schema_name.version.product |
product_type | _tenantID.your_Schema_name.version.product_type |
geo | _tenantID.your_Schema_name.conversion.geo |
ereignis_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 |
kampagne_group | _tenantID.your_Schema_name.touchpointsDetail.element.touchpoint.campaignGroup |
kampagne_name | _tenantID.your_Schema_name.touchpointsDetail.element.touchpoint.campaignName |
Once you have prepared your data and have all your credentials and schemas in place, start by following the Attribution AI user guide. Dieser Leitfaden führt Sie durch das Erstellen einer Instanz für Attribution AI.