Entrada y salida en Attribution AI
En el siguiente documento se describen los diferentes insumos y productos utilizados en Attribution AI.
Attribution AI datos de entrada
Attribution AI funciona analizando los siguientes conjuntos de datos para calcular puntuaciones algorítmicas:
- Los conjuntos de datos de Adobe Analytics que usan la variable Conector de origen de Analytics
- Conjunto de datos de Evento de experiencia (EE)
- Conjunto de datos de Evento de experiencia del consumidor (CEE)
Puede agregar varios conjuntos de datos de diferentes fuentes si cada uno de los conjuntos de datos comparte el mismo tipo de identidad (área de nombres), como un ECID. Para obtener más información sobre la adición de varios conjuntos de datos, visite Guía del usuario del Attribution AI.
El conector de origen de Adobe Analytics puede tardar hasta cuatro semanas en rellenar los datos. Si ha configurado recientemente un conector, debe comprobar que el conjunto de datos tiene la longitud mínima de datos necesaria para la Attribution AI. Revise el datos históricos para comprobar que tiene datos suficientes para calcular puntuaciones algorítmicas precisas.
Para obtener más información sobre la configuración de la variable Consumer Experience Event esquema (CEE), consulte la Preparación de datos de Servicios inteligentes guía. Para obtener más información sobre la asignación de datos de Adobe Analytics, visite Asignaciones de campos de Analytics documentación.
No todas las columnas de la Consumer Experience Event El esquema (CEE) es obligatorio para la Attribution AI.
Las 9 columnas siguientes son obligatorias, las columnas adicionales son opcionales, pero se recomiendan o necesitan si desea utilizar los mismos datos para otras soluciones de Adobe como Customer AI y Journey AI.
| Columnas obligatorias | Necesario para |
|---|---|
| Campo de identidad principal | Punto de contacto/Conversión |
| Marca de tiempo | Punto de contacto/Conversión |
| Canal._type | Touchpoint |
| Channel.mediaAction | Touchpoint |
| Channel.mediaType | Touchpoint |
| Marketing.trackingCode | Touchpoint |
| Marketing.campaignname | Touchpoint |
| Marketing.campaigngroup | Touchpoint |
| Commerce | Conversión |
Normalmente, la atribución se ejecuta en columnas de conversión como pedidos, compras y cierres de compra en “comercio”. Las columnas para “canal” y “marketing” se utilizan para definir puntos de contacto para la Attribution AI (por ejemplo, channel._type = 'https://ns.adobe.com/xdm/channel-types/email'). Para obtener resultados y perspectivas óptimos, se recomienda incluir tantas columnas de conversión y punto de contacto como sea posible. Además, no se limita solo a las columnas anteriores. Puede incluir cualquier otra columna recomendada o personalizada como conversión o definición de punto de contacto.
Si utiliza datos de Adobe Analytics en el esquema de CEE, la información de los puntos de contacto de Analytics se almacena normalmente en channel.typeAtSource (por ejemplo, channel.typeAtSource = 'email').
Las columnas siguientes no son obligatorias, pero se recomienda incluirlas en el esquema CEE si tiene la información disponible.
Columnas recomendadas adicionales:
- web.webReferer
- web.webInteraction
- web.webPageDetails
- xdm:productListItems
Datos históricos
La cantidad mínima de datos necesaria para que la Attribution AI funcione es la siguiente:
- Debe proporcionar al menos 3 meses (90 días) de datos para ejecutar un buen modelo.
- Necesita al menos 1000 conversiones.
La Attribution AI requiere datos históricos como entrada para la formación de modelos. La duración de los datos requerida viene determinada principalmente por dos factores clave: ventana de formación y ventana retroactiva. Las entradas con ventanas de capacitación más cortas son más sensibles a las tendencias recientes, mientras que las ventanas de capacitación más largas ayudan a producir modelos más estables y precisos. Es importante modelar el objetivo con datos históricos que representen mejor sus objetivos comerciales.
La variable configuración de la ventana de formación filtra los eventos de conversión configurados para incluirse en la formación del modelo en función del tiempo de incidencia. Actualmente, el período mínimo de capacitación es de 1 trimestre (90 días). La variable ventana retroactiva proporciona un lapso de tiempo que indica cuántos días antes de que se incluyan los puntos de contacto del evento de conversión relacionados con este evento de conversión. Estos dos conceptos juntos determinan la cantidad de datos de entrada (medidos por días) necesarios para una aplicación.
De forma predeterminada, Attribution AI define la ventana de formación como los últimos 2 trimestres (6 meses) y la ventana retrospectiva como 56 días. En otras palabras, el modelo tendrá en cuenta todos los eventos de conversión definidos que se hayan producido en los últimos 2 trimestres y buscará todos los puntos de contacto que se hayan producido en los 56 días anteriores a los eventos de conversión asociados.
Fórmula:
Longitud mínima de los datos requerida = ventana de formación + ventana retrospectiva
La longitud mínima de datos necesaria para una aplicación con configuraciones predeterminadas es: 2 trimestres (180 días) + 56 días = 236 días.
Ejemplo :
- Desea atribuir eventos de conversión que se hayan producido en los últimos 90 días (3 meses) y rastrear todos los puntos de contacto que se hayan producido en las 4 semanas anteriores al evento de conversión. La duración de los datos de entrada debe abarcar los últimos 90 días + 28 días (4 semanas). La ventana de capacitación es de 90 días y la ventana retrospectiva es de 28 días, con un total de 118 días.
datos de salida de Attribution AI
La Attribution AI genera lo siguiente:
Ejemplo de esquema de salida:
Puntuaciones granulares sin procesar
La Attribution AI genera puntuaciones de atribución en el nivel más granular posible para que pueda cortar y fragmentar las puntuaciones en cualquier columna de puntuación. Para ver estas puntuaciones en la interfaz de usuario, lea la sección de visualización de rutas de puntuación sin procesar. Para descargar las puntuaciones con la API, visite la descarga de puntuaciones en Attribution AI documento.
Puede ver cualquier columna de informe deseada del conjunto de datos de entrada en el conjunto de datos de salida de puntuación solo si se cumple una de las siguientes condiciones:
- La columna de informes se incluye en la página de configuración como parte de la configuración de punto de contacto o de definición de conversión.
- La columna de informes se incluye en columnas de conjuntos de datos de puntuación adicionales.
La siguiente tabla describe los campos de esquema de la salida de ejemplo de las puntuaciones sin procesar:
| Nombre de columna (DataType) | Rellenable | Descripción |
|---|---|---|
| timestamp (DateTime) | False | Hora a la que se produjo un evento de conversión o una observación. Ejemplo: 2020-06-09T00:01:51,000Z |
| identityMap (Map) | True | identityMap del usuario similar al formato CEE XDM. |
| eventType (String) | True | El tipo de evento principal para este registro de serie temporal. Ejemplo: "Pedido", "Compra", "Visita" |
| eventMergeId (cadena) | True | Un ID para correlacionar o combinar varias Experience Events juntos que son esencialmente el mismo evento o deben fusionarse. El productor de datos debe rellenarlo antes de su incorporación. Ejemplo: 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4 |
| _id (cadena) | False | Identificador único del evento de serie temporal. Ejemplo: 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4 |
| _tenantId (objeto) | False | El contenedor de objeto de nivel superior correspondiente a su ID de tentante. Ejemplo: _atsdsnrmmsv2 |
| your_schema_name (objeto) | False | Puntee la fila con el evento de conversión en todos los eventos de punto de contacto asociados con él y sus metadatos. Ejemplo: Puntuaciones de Attribution AI - Nombre de modelo__2020 |
| segmentación (cadena) | True | Segmento de conversión, como la segmentación geográfica con la que se basa el modelo. En caso de ausencia de segmentos, el segmento es el mismo que conversionName. Ejemplo: ORDER_US |
| conversionName (String) | True | Nombre de la conversión que se configuró durante la configuración. Ejemplo: Pedido, posible cliente, visita |
| conversión (objeto) | False | Columnas de metadatos de conversión. |
| dataSource (String) | True | Identificación única global de una fuente de datos. Ejemplo: Adobe Analytics |
| eventSource (String) | True | La fuente cuando se produjo el evento real. Ejemplo: Adobe.com |
| eventType (String) | True | El tipo de evento principal para este registro de serie temporal. Ejemplo: Pedido |
| geo (cadena) | True | Ubicación geográfica en la que se entregó la conversión placeContext.geo.countryCode. Ejemplo: US |
| priceTotal (Double) | True | Ingresos obtenidos a través de la conversión Ejemplo: 99,9 |
| product (String) | True | Identificador XDM del propio producto. Ejemplo: RX 1080 ti |
| productType (String) | True | Nombre para mostrar del producto tal como se presenta al usuario para esta vista de producto. Ejemplo: Gpus |
| cantidad (total) | True | Cantidad comprada durante la conversión. Ejemplo: 1 1080 ti |
| receivedTimestamp (DateTime) | True | Se ha recibido la marca de tiempo de la conversión. Ejemplo: 2020-06-09T00:01:51,000Z |
| skuId (cadena) | True | Unidad de mantenimiento de existencias (SKU), el identificador único de un producto definido por el proveedor. Ejemplo: MJ-03-XS-Black |
| timestamp (DateTime) | True | Marca de tiempo de la conversión. Ejemplo: 2020-06-09T00:01:51,000Z |
| passThrough (objeto) | True | Columnas de conjuntos de datos de puntuación adicionales especificadas por el usuario al configurar el modelo. |
| commerce_order_purchaseCity (cadena) | True | Columna del conjunto de datos de puntuación adicional. Ejemplo: ciudad : San José |
| customerProfile (objeto) | False | Detalles de identidad del usuario utilizado para crear el modelo. |
| identity (objeto) | False | Contiene los detalles del usuario utilizado para crear el modelo, como id y namespace. |
| id (cadena) | True | ID de identidad del usuario, como ID de cookie, AAID o MCID, etc. Ejemplo: 17348762725408656344688320891369597404 |
| namespace (String) | True | Área de nombres de identidad utilizada para crear las rutas y, por lo tanto, el modelo. Ejemplo: aaid |
| touchpointsDetail (matriz de objetos) | True | La lista de detalles de puntos de contacto que llevan a la conversión solicitada por |
| touchpointName (cadena) | True | Nombre del punto de contacto que se configuró durante la configuración. Ejemplo: PAID_SEARCH_CLICK |
| partituras (objeto) | True | Contribución de Touchpoint a esta conversión como puntuación. Para obtener más información sobre las puntuaciones producidas dentro de este objeto, consulte la puntuaciones de atribución agregadas para obtener más información. |
| touchPoint (objeto) | True | Metadatos de Touchpoint. Para obtener más información sobre las puntuaciones producidas dentro de este objeto, consulte la puntuaciones agregadas para obtener más información. |
Visualización de rutas de puntuación sin procesar (IU)
Puede ver la ruta a sus puntuaciones sin procesar en la interfaz de usuario de . Comience por seleccionar Esquemas en la interfaz de usuario de Platform , busque y seleccione el esquema de puntuaciones de AI de atribución desde el Examinar pestaña .
A continuación, seleccione un campo dentro de la variable Estructura de la interfaz de usuario, la variable Propiedades del campo se abre. Within Propiedades del campo es el campo de ruta que se asigna a las puntuaciones sin procesar.
Puntuaciones de atribución agregadas
Las puntuaciones agregadas se pueden descargar en formato CSV desde la interfaz de usuario de Platform si el intervalo de fechas es inferior a 30 días.
Attribution AI admite dos categorías de puntuaciones de atribución, las puntuaciones algorítmicas y las basadas en reglas.
Attribution AI produce dos tipos diferentes de puntuaciones algorítmicas, incrementales e influenciadas. Una puntuación con influencia es la fracción de conversión de la que es responsable cada punto de contacto de marketing. Una puntuación incremental es la cantidad de impacto marginal causado directamente por el punto de contacto de marketing. La principal diferencia entre la puntuación incremental y la puntuación influida es que la puntuación incremental tiene en cuenta el efecto basal. No supone que una conversión se deba exclusivamente a los puntos de contacto de marketing anteriores.
A continuación, se muestra un ejemplo de salida de esquema de Attribution AI de la interfaz de usuario de Adobe Experience Platform:
Consulte la siguiente tabla para obtener más información sobre cada una de estas puntuaciones de atribución:
| Puntuaciones de atribución | Descripción |
|---|---|
| Influenciado (algorítmico) | La puntuación influida es la fracción de conversión de la que es responsable cada punto de contacto de marketing. |
| Incremental (algorítmico) | La puntuación incremental es la cantidad de impacto marginal causado directamente por un punto de contacto de marketing. |
| Primer contacto | Puntuación de atribución basada en reglas que asigna todos los créditos al punto de contacto inicial en una ruta de conversión. |
| Último contacto | Puntuación de atribución basada en reglas que asigna todo el crédito al punto de contacto más cercano a la conversión. |
| Lineal | Puntuación de atribución basada en reglas que asigna el mismo crédito a cada punto de contacto de una ruta de conversión. |
| Forma de U | La puntuación de atribución basada en reglas que asigna el 40 % del crédito al primer punto de contacto y el 40 % del crédito al último punto de contacto, mientras que los demás puntos de contacto dividen el 20 % restante de forma equitativa. |
| Deterioro de tiempo | La puntuación de atribución basada en reglas donde los puntos de contacto más cercanos a la conversión reciben más crédito que los puntos de contacto que están más lejos en el tiempo de la conversión. |
Referencia de puntuación sin procesar (puntuaciones de atribución)
La siguiente tabla asigna las puntuaciones de atribución a las puntuaciones sin procesar. Si desea descargar las puntuaciones sin procesar, visite la descarga de puntuaciones en Attribution AI documentación.
| Puntuaciones de atribución | Columna de referencia de puntuación sin procesar |
|---|---|
| Influenciado (algorítmico) | _tenantID.your_schema_name.element.touchpoint.algorithmInfluenciado |
| Incremental (algorítmico) | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.algorithmInfluenciado |
| Primer contacto | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.firstTouch |
| Último contacto | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.lastTouch |
| Lineal | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.linear |
| Forma de U | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.uShape |
| Deterioro de tiempo | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.decayUnits |
Puntuaciones agregadas
Las puntuaciones agregadas se pueden descargar en formato CSV desde la interfaz de usuario de Platform si el intervalo de fechas es inferior a 30 días. Consulte la siguiente tabla para obtener más información sobre cada una de estas columnas de agregado.
| Nombre de columna | Restricción | Rellenable | Descripción |
|---|---|---|---|
| customerevents_date (DateTime) | Formato definido por el usuario y fijo | False | Fecha de Evento del Cliente en formato AAAA-MM-DD. Ejemplo: 2016-05-02 |
| mediatouchpoints_date (DateTime) | Formato definido por el usuario y fijo | True | Fecha de punto de contacto de medios en formato AAAA-MM-DD Ejemplo: 21-04-2017 |
| segment (String) | Calculado | False | Segmento de conversión como la segmentación geográfica con la que se ha creado el modelo. En caso de ausencia de segmentos, el segmento es el mismo que conversion_scope. Ejemplo: ORDER_AMER |
| conversion_scope (cadena) | Definido por el usuario | False | Nombre de la conversión según la configuración del usuario. Ejemplo: ORDEN |
| touchpoint_scope (cadena) | Definido por el usuario | True | Nombre del punto de contacto configurado por el usuario Ejemplo: PAID_SEARCH_CLICK |
| product (String) | Definido por el usuario | True | Identificador XDM del producto. Ejemplo: CC |
| product_type (String) | Definido por el usuario | True | Nombre para mostrar del producto tal como se presenta al usuario para esta vista de producto. Ejemplo: gpus, portátiles |
| geo (cadena) | Definido por el usuario | True | Ubicación geográfica en la que se entregó la conversión (placeContext.geo.countryCode) Ejemplo: US |
| event_type (String) | Definido por el usuario | True | El tipo de evento principal para este registro de serie temporal Ejemplo: Conversión de pago |
| media_type (String) | ENUM | False | Describe si el tipo de medio es de pago, propio o ganado. Ejemplo: PAGO, PROPIEDAD |
| channel (String) | ENUM | False | La variable channel._type propiedad que se utiliza para proporcionar una clasificación aproximada de canales con propiedades similares en Consumer Experience Event XDM. Ejemplo: BUSCAR |
| action (String) | ENUM | False | La variable mediaAction se utiliza para proporcionar un tipo de acción de medio de evento de experiencia. Ejemplo: HAGA CLIC EN |
| campaign_group (String) | Definido por el usuario | True | Nombre del grupo de campañas en el que se agrupan varias campañas como "50%_DISCOUNT". Ejemplo: COMERCIAL |
| campaign_name (String) | Definido por el usuario | True | Nombre de la campaña utilizada para identificar la campaña de marketing como "50%_DISCOUNT_USA" o "50%_DISCOUNT_ASIA". Ejemplo: Venta de Acción de Gracias |
Referencia de puntuación sin procesar (agregado)
La tabla siguiente asigna las puntuaciones agregadas a las puntuaciones sin procesar. Si desea descargar las puntuaciones sin procesar, visite la descarga de puntuaciones en Attribution AI documentación. Para ver las rutas de puntuación sin procesar desde la interfaz de usuario, visite la sección de visualización de rutas de puntuación sin procesar dentro de este documento.
| Nombre de columna | Columna de referencia de la puntuación sin procesar |
|---|---|
| customerevents_date | timestamp |
| mediatouchpoints_date | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.timestamp |
| segmento | _tenantID.your_schema_name.segmentation |
| conversion_scope | _tenantID.your_schema_name.conversion.conversionName |
| touchpoint_scope | _tenantID.your_schema_name.touchpointsDetail.element.touchpointName |
| producto | _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 |
| canal | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.mediaChannel |
| acción | _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 |
Pasos siguientes
Una vez que haya preparado los datos y haya establecido todas sus credenciales y esquemas, comience por seguir la Guía del usuario del Attribution AI. Esta guía lo acompaña durante la creación de una instancia para Attribution AI.
Recursos en adobe.com
Recursos
Cuenta de Adobe
