Entrée et sortie dans Attribution AI

Le document suivant décrit les différentes entrées et sorties utilisées dans Attribution AI.

Attribution AI données d’entrée

Attribution AI analyse l’un des jeux de données suivants pour calculer les scores algorithmiques :

  • Jeu de données d’événements d’expérience client (CEE)
  • Jeux de données Adobe Analytics utilisant le connecteur source Analytics
IMPORTANT

Le connecteur source Adobe Analytics peut prendre jusqu’à quatre semaines pour renvoyer les données. Si vous avez récemment configuré un connecteur, vous devez vérifier que le jeu de données possède la longueur minimale de données requise pour Attribution AI. Consultez la section données historiques pour vérifier que vous disposez de suffisamment de données pour calculer des scores algorithmiques exacts.

Pour plus d’informations sur la configuration du schéma Consumer Experience Event (CEE), reportez-vous au guide Préparation de données des services intelligents . Pour plus d’informations sur le mappage des données Adobe Analytics, consultez la documentation Mappages de champs Analytics .

Toutes les colonnes du schéma Consumer Experience Event (CEE) ne sont pas obligatoires pour Attribution AI.

REMARQUE

Les 9 colonnes suivantes sont obligatoires, les colonnes supplémentaires sont facultatives, mais recommandées/nécessaires si vous souhaitez utiliser les mêmes données pour d’autres solutions d’Adobe telles que Customer AI et Journey AI.

Colonnes obligatoires Nécessaire pour
Champ d’identité Principal Point de contact/Conversion
Horodatage Point de contact/Conversion
Canal._type Point de contact
Channel.mediaAction Point de contact
Channel.mediaType Point de contact
Marketing.trackingCode Point de contact
Marketing.campaignname Point de contact
Marketing.campaigngroup Point de contact
Commerce Conversion

En règle générale, l’attribution est exécutée sur des colonnes de conversion telles que la commande, les achats et les passages en caisse sous “commerce”. Les colonnes “channel” et “marketing” servent à définir des points de contact pour Attribution AI (par exemple, channel._type = 'https://ns.adobe.com/xdm/channel-types/email'). Pour des résultats et des informations optimaux, il est vivement recommandé d’inclure autant de colonnes de conversion et de points de contact que possible. De plus, vous n’êtes pas limité aux colonnes ci-dessus. Vous pouvez inclure toute autre colonne recommandée ou personnalisée comme définition de conversion ou de point de contact.

CONSEIL

Si vous utilisez des données Adobe Analytics dans votre schéma CEE, les informations de point de contact pour Analytics sont généralement stockées dans channel.typeAtSource (par exemple, channel.typeAtSource = 'email').

Les colonnes ci-dessous ne sont pas obligatoires, mais il est recommandé de les inclure dans votre schéma CEE si les informations sont disponibles.

Colonnes recommandées supplémentaires :

  • web.webReferer
  • web.webInteraction
  • web.webPageDetails
  • xdm:productListItems

Données historiques

IMPORTANT

La quantité minimale de données nécessaire au fonctionnement d’Attribution AI est la suivante :

  • Vous devez fournir au moins 3 mois (90 jours) de données pour exécuter un bon modèle.
  • Vous avez besoin d’au moins 1 000 conversions.

Attribution AI nécessite des données historiques comme entrée pour la formation des modèles. La durée des données requises est principalement déterminée par deux facteurs clés : période de formation et intervalle de recherche en amont. Les entrées avec des fenêtres de formation plus courtes sont plus sensibles aux tendances récentes, tandis que des fenêtres de formation plus longues permettent de produire des modèles plus stables et précis. Il est important de modéliser l’objectif avec des données historiques qui représentent le mieux vos objectifs commerciaux.

La configuration de la fenêtre de formation filtre les événements de conversion définis pour être inclus pour la formation de modèle en fonction de l’heure d’occurrence. Actuellement, la période de formation minimale est de 1 trimestre (90 jours). La période de recherche arrière fournit une période indiquant le nombre de jours avant l’inclusion des points de contact d’événement de conversion liés à cet événement de conversion. Ces deux concepts déterminent ensemble la quantité de données d’entrée (mesurées en jours) requise pour une application.

Par défaut, Attribution AI définit le créneau de formation comme les deux derniers trimestres (6 mois) et le créneau de recherche arrière comme étant de 56 jours. En d’autres termes, le modèle prend en compte tous les événements de conversion définis qui se sont produits au cours des 2 derniers trimestres et recherche tous les points de contact qui se sont produits dans les 56 jours précédant le ou les événements de conversion associés.

Formule:

Longueur minimale des données requises = période de formation + période de recherche arrière

CONSEIL

La longueur minimale de données requise pour une application avec des configurations par défaut est la suivante : 2 trimestres (180 jours) + 56 jours = 236 jours.

Exemple :

  • Vous souhaitez attribuer des événements de conversion qui se sont produits au cours des 90 derniers jours (3 mois) et effectuer le suivi de tous les points de contact qui se sont produits dans les 4 semaines précédant l’événement de conversion. La durée des données d’entrée doit s’étendre sur les 90 derniers jours + 28 jours (4 semaines). La période de formation est de 90 jours et la période de recherche arrière est de 28 jours au total de 118 jours.

Données de sortie Attribution AI

Attribution AI génère les résultats suivants :

Exemple de schéma de sortie :

Scores granulaires bruts

Attribution AI génère des scores d’attribution au niveau le plus granulaire possible afin que vous puissiez les découper en fonction de n’importe quelle colonne de score. Pour afficher ces scores dans l’interface utilisateur, lisez la section Affichage des chemins de score brut. Pour télécharger les scores à l’aide de l’API, consultez le document téléchargement des scores dans Attribution AI .

REMARQUE

Vous ne pouvez voir une colonne de création de rapports de votre choix à partir du jeu de données d’entrée dans le jeu de données de sortie de score que si l’une des conditions suivantes est vraie :

  • La colonne de création de rapports est incluse dans la page de configuration dans le cadre de la configuration du point de contact ou de la définition de conversion.
  • La colonne de création de rapports est incluse dans les colonnes de jeux de données de score supplémentaires.

Le tableau suivant décrit les champs de schéma dans l’exemple de sortie de scores bruts :

Nom de colonne (DataType) Nullable Description
horodatage (DateTime) False Heure à laquelle un événement ou une observation de conversion s’est produit.
Exemple : 2020-06-09T00:01:51.000Z
identityMap (Map) True identityMap de l’utilisateur au format CEE XDM.
eventType (chaîne) True Type d’événement Principal pour cet enregistrement de série temporelle.
Exemple : "Commande", "Achat", "Visite"
eventMergeId (chaîne) True Identifiant pour corréler ou fusionner plusieurs Experience Events qui sont essentiellement le même événement ou doivent être fusionnés. Il est destiné à être renseigné par le producteur de données avant l’ingestion.
Exemple : 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_id (String) False Identifiant unique de l’événement de série temporelle.
Exemple : 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_tenantId (objet) False Conteneur d’objets de niveau supérieur correspondant à votre ID de tentant.
Exemple : _atsdsnmsv2
your_schema_name (Object) False Notation de la ligne avec l’événement de conversion de tous les événements de point de contact qui lui sont associés et de leurs métadonnées.
Exemple : Scores Attribution AI - Nom du modèle__2020
segmentation (chaîne) True Segment de conversion tel que la géosegmentation sur lequel le modèle est construit. En cas d’absence de segments, le segment est identique à conversionName.
Exemple : ORDER_US
conversionName (String) True Nom de la conversion qui a été configurée lors de la configuration.
Exemple : Ordre, Piste, Visite
conversion (objet) False Colonnes de métadonnées de conversion.
dataSource (String) True Identification globale unique d’une source de données.
Exemple : Adobe Analytics
eventSource (String) True Source de l’événement réel.
Exemple : Adobe.com
eventType (chaîne) True Type d’événement Principal pour cet enregistrement de série temporelle.
Exemple : Ordre
geo (String) True Emplacement géographique où la conversion a été effectuée placeContext.geo.countryCode.
Exemple : États-Unis
priceTotal (Double) True Recettes obtenues par le biais de la conversion
Exemple : 99.9
product (String) True Identifiant XDM du produit lui-même.
Exemple : RX 1080 ti
productType (String) True Nom d’affichage du produit tel qu’il est présenté à l’utilisateur pour cette consultation de produit.
Exemple : Gpus
quantity (Integer) True Quantité achetée lors de la conversion.
Exemple : 1 1080 ti
receivedTimestamp (DateTime) True Date et heure de réception de la conversion.
Exemple : 2020-06-09T00:01:51.000Z
skuId (chaîne) True Unité de gestion des stocks (SKU), l’identifiant unique d’un produit défini par le fournisseur.
Exemple : MJ-03-XS-Black
horodatage (DateTime) True Horodatage de la conversion.
Exemple : 2020-06-09T00:01:51.000Z
passThrough (Object) True Jeu de données Score supplémentaire colonnes spécifiées par l’utilisateur lors de la configuration du modèle.
commerce_order_purchaseCity (chaîne) True Colonne de jeu de données Score supplémentaire.
Exemple : city : San Jose
customerProfile (Object) False Détails d’identité de l’utilisateur utilisé pour créer le modèle.
identity (Object) False Contient les détails de l’utilisateur utilisé pour créer le modèle, tels que id et namespace.
id (String) True Identifiant de l’utilisateur, tel que l’identifiant de cookie ou AAID ou MCID etc.
Exemple : 17348762725408656344688320891369597404
namespace (chaîne) True Espace de noms d’identité utilisé pour créer les chemins d’accès et, par conséquent, le modèle.
Exemple : aaid
touchpointsDetail (tableau d’objets) True La liste des détails du point de contact qui mènent à la conversion ordonnée par
touchpointName (chaîne) True Nom du point de contact qui a été configuré lors de la configuration.
Exemple : PAID_SEARCH_CLICK
scores (objet) True Contribution des points de contact à cette conversion en tant que score. Pour plus d’informations sur les scores générés dans cet objet, voir la section scores d’attribution agrégés .
touchPoint (objet) True Métadonnées de point de contact. Pour plus d’informations sur les scores générés dans cet objet, voir la section scores agrégés .

Affichage des chemins d’accès aux scores bruts (interface utilisateur)

Vous pouvez afficher le chemin d’accès à vos scores bruts dans l’interface utilisateur. Sélectionnez tout d’abord Schémas dans l’interface utilisateur de Platform, puis recherchez et sélectionnez votre schéma de scores d’attribution AI dans l’onglet Parcourir.

Sélectionner votre schéma

Sélectionnez ensuite un champ dans la fenêtre Structure de l’interface utilisateur, l’onglet Propriétés du champ s’affiche. Les propriétés du champ sont le champ de chemin qui correspond à vos scores bruts.

Sélection d’un schéma

Scores d’attribution agrégés

Les scores agrégés peuvent être téléchargés au format CSV depuis l’interface utilisateur de Platform si la période est inférieure à 30 jours.

Attribution AI prend en charge deux catégories de scores d’attribution : les scores algorithmiques et les scores basés sur des règles.

Attribution AI produit deux types différents de scores algorithmiques : les scores incrémentiels et les scores influencés. Un score influencé représente la fraction de la conversion dont chaque point de contact marketing est à l’origine. Un score incrémentiel représente le degré d’impact marginal directement causé par le point de contact marketing. La principale différence entre le score incrémentiel et le score influencé est que le score incrémentiel prend en compte l’effet de base. Il ne présume pas qu’une conversion est provoquée uniquement par les points de contact marketing précédents.

Voici un aperçu rapide d’un exemple de sortie de schéma Attribution AI à partir de l’interface utilisateur de Adobe Experience Platform :

Consultez le tableau ci-dessous pour plus de détails sur chacun de ces scores d’attribution :

Scores d’attribution Description
Influencé (algorithmique) Le score influencé représente la fraction de la conversion dont chaque point de contact marketing est à l’origine.
Incrémentiel (algorithmique) Le score incrémentiel représente le degré d’impact marginal directement causé par un point de contact marketing.
Première touche Score d’attribution basé sur des règles qui attribue tous les crédits au point de contact initial d’un chemin de conversion.
Dernière touche Score d’attribution basé sur des règles qui attribue tous les crédits au point de contact le plus proche de la conversion.
Linéaire Score d’attribution basé sur des règles qui répartit de manière égale les crédits entre chaque point de contact d’un chemin de conversion.
En forme de U Score d’attribution basé sur des règles qui attribue 40 % des crédits au premier point de contact et 40 % des crédits au dernier point de contact. Les autres points de contact se partagent de manière égale les 20 % restants.
Décroissance temporelle Score d’attribution basé sur des règles qui attribue plus de crédits aux points de contact les plus proches de la conversion par rapport aux points de contact plus éloignés dans le temps de la conversion.

Référence du score brut (scores d’attribution)

Le tableau ci-dessous associe les scores d’attribution aux scores bruts. Si vous souhaitez télécharger vos scores bruts, consultez la documentation Téléchargement des scores dans Attribution AI .

Scores d’attribution Colonne de référence de score brut
Influencé (algorithmique) _tenantID.your_schema_name.element.touchpoint.algorithmiqueInfluencé
Incrémentiel (algorithmique) _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.algorithmiqueInfluencé
Première touche _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.firstTouch
Dernière touche _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.lastTouch
Linéaire _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.linear
En forme de U _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.uShape
Décroissance temporelle _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.decayUnits

Scores agrégés

Les scores agrégés peuvent être téléchargés au format CSV depuis l’interface utilisateur de Platform si la période est inférieure à 30 jours. Consultez le tableau ci-dessous pour plus de détails sur chacune de ces colonnes agrégées.

Nom de la colonne Contrainte Nullable Description
customerevents_date (DateTime) Format défini par l’utilisateur et fixe False Date de l’événement client au format AAAA-MM-JJ.
Exemple : 2016-05-02
mediatouchpoints_date (DateTime) Format défini par l’utilisateur et fixe True Date du point de contact du média au format AAAA-MM-JJ
Exemple : 2017-04-21
segment (chaîne) Calculé False Segment de conversion tel que la géosegmentation sur lequel le modèle est construit. En cas d’absence de segments, le segment est identique à conversion_scope.
Exemple : ORDER_AMER
conversion_scope (chaîne) Utilisateur défini False Nom de la conversion tel que configuré par l’utilisateur.
Exemple : ORDER
touchpoint_scope (chaîne) Utilisateur défini True Nom du point de contact tel que configuré par l’utilisateur
Exemple : PAID_SEARCH_CLICK
product (String) Utilisateur défini True Identifiant XDM du produit.
Exemple : CC
product_type (String) Utilisateur défini True Nom d’affichage du produit tel qu’il est présenté à l’utilisateur pour cette consultation de produit.
Exemple : gpus, ordinateurs portables
geo (String) Utilisateur défini True Emplacement géographique où la conversion a été diffusée (placeContext.geo.countryCode)
Exemple : US
event_type (chaîne) Utilisateur défini True Type d’événement Principal pour cet enregistrement de série temporelle
Exemple : Conversion payante
media_type (chaîne) ENUM False Indique si le type de média est payé, détenu ou gagné.
Exemple : PAYÉ, DÉTENU
channel (String) ENUM False La propriété channel._type utilisée pour fournir une classification approximative des canaux avec des propriétés similaires dans Consumer Experience Event XDM.
Exemple : RECHERCHE
action (String) ENUM False La propriété mediaAction est utilisée pour fournir un type d’action média d’événement d’expérience.
Exemple : CLIQUEZ
campaign_group (chaîne) Utilisateur défini True Nom du groupe de campagnes dans lequel plusieurs campagnes sont regroupées, par exemple '50%_DISCOUNT'.
Exemple : COMMERCIAL
campaign_name (String) Utilisateur défini True Nom de la campagne utilisée pour identifier la campagne marketing telle que '50%_DISCOUNT_USA' ou '50%_DISCOUNT_ASIA'.
Exemple : Salaire Thanksgiving

Référence du score brut (agrégé)

Le tableau ci-dessous associe les scores agrégés aux scores bruts. Si vous souhaitez télécharger vos scores bruts, consultez la documentation Téléchargement des scores dans Attribution AI . Pour afficher les chemins de score brut dans l’interface utilisateur, consultez la section Affichage des chemins de score brut dans ce document.

Nom de la colonne Colonne de référence Score brut
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.conversion.conversionName
touchpoint_scope _tenantID.your_schema_name.touchpointsDetail.element.touchpointName
product _tenantID.your_schema_name.conversion.product
product_type _tenantID.your_nom_schéma.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
action _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

Étapes suivantes

Une fois vos données préparées et vos informations d’identification et schémas en place, commencez par suivre le guide de l’utilisateur Attribution AI. Ce guide vous guide tout au long de la création d’une instance pour Attribution AI.

Sur cette page