Ingresso e uscita in Attribution AI

Il documento seguente illustra i diversi input e output utilizzati in Attribution AI.

Attribution AI dati di input

Attribution AI funziona analizzando uno dei set di dati seguenti per calcolare i punteggi algoritmici:

• Set di dati di Consumer Experience Event (CEE)
• Set di dati Adobe Analytics utilizzando il connettore di origine Analytics

Per ulteriori informazioni sulla configurazione dello schema Consumer Experience Event (CEE), fare riferimento alla guida Preparazione dei dati di Intelligent Services . Per ulteriori informazioni sulla mappatura dei dati di Adobe Analytics, visita la documentazione Mappature dei campi di Analytics .

Non tutte le colonne dello schema Consumer Experience Event (CEE) sono obbligatorie per Attribution AI.

In genere, l’attribuzione viene eseguita su colonne di conversione quali ordine, acquisti e checkout in “commerce”. Le colonne per “canale” e “marketing” vengono utilizzate per definire i punti di contatto per Attribution AI (ad esempio, channel._type = 'https://ns.adobe.com/xdm/channel-types/email'). Per risultati e informazioni ottimali, si consiglia vivamente di includere il maggior numero possibile di colonne di conversione e punto di contatto. Inoltre, non sei limitato alle sole colonne di cui sopra. Puoi includere qualsiasi altra colonna consigliata o personalizzata come definizione di conversione o punto di contatto.

Le colonne riportate di seguito non sono obbligatorie, ma è consigliabile includerle nello schema CEE se sono disponibili le informazioni.

Colonne consigliate aggiuntive:

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

Dati storici

Attribution AI richiede dati storici come input per l'addestramento dei modelli. La durata dei dati richiesti è determinata principalmente da due fattori chiave: finestra di formazione e finestra di look-back. Gli input con finestre di formazione più brevi sono più sensibili alle tendenze recenti, mentre le finestre di formazione più lunghe aiutano a produrre modelli più stabili e precisi. È importante modellare l'obiettivo con dati storici che meglio rappresentano i tuoi obiettivi aziendali.

La configurazione della finestra di formazione filtra gli eventi di conversione impostati per essere inclusi nella formazione del modello in base al tempo di occorrenza. Attualmente, il periodo minimo di addestramento è di 1 trimestre (90 giorni). L’ intervallo di lookback fornisce un intervallo di tempo che indica quanti giorni prima dei punti di contatto dell’evento di conversione devono essere inclusi in questo evento di conversione. Questi due concetti determinano insieme la quantità di dati di input (misurati in giorni) necessari per un'applicazione.

Per impostazione predefinita, Attribution AI definisce la finestra di formazione come l’ultimo periodo di 2 trimestri (6 mesi) e l’intervallo di lookback come 56 giorni. In altre parole, il modello terrà conto di tutti gli eventi di conversione definiti che si sono verificati negli ultimi 2 trimestri e cercherà tutti i punti di contatto che si sono verificati entro 56 giorni prima degli eventi di conversione associati.

Formula:

Lunghezza minima dei dati richiesti = finestra di formazione + intervallo di lookback

Esempio :

• Vuoi attribuire gli eventi di conversione che si sono verificati negli ultimi 90 giorni (3 mesi) e tenere traccia di tutti i punti di contatto che si sono verificati entro 4 settimane prima dell’evento di conversione. La durata dei dati di input dovrebbe estendersi negli ultimi 90 giorni + 28 giorni (4 settimane). La finestra di addestramento è di 90 giorni e l'intervallo di lookback è di 28 giorni per un totale di 118 giorni.

Attribution AI dati di output

Le uscite di Attribution AI sono le seguenti:

• Punteggi granulari grezzi
• Punteggi aggregati

Esempio di schema di output:

Punteggi granulari grezzi

Attribution AI restituisce i punteggi di attribuzione nel livello più granulare possibile, in modo da poter suddividere i punteggi in base a qualsiasi colonna di punteggio. Per visualizzare questi punteggi nell'interfaccia utente, leggi la sezione relativa alla visualizzazione dei percorsi dei punteggi non elaborati. Per scaricare i punteggi utilizzando l'API visita il documento download dei punteggi in Attribution AI .

La tabella seguente delinea i campi dello schema nell’output di esempio di punteggio non elaborato:

Visualizzazione dei percorsi dei punti non elaborati (interfaccia utente)

Puoi visualizzare il percorso dei punteggi non elaborati nell’interfaccia utente. Inizia selezionando Schemi nell’interfaccia utente di Platform, quindi cerca e seleziona lo schema dei punteggi di attribuzione AI dalla scheda Sfoglia .

Quindi, seleziona un campo all'interno della finestra Struttura dell'interfaccia utente; viene visualizzata la scheda Proprietà campo . All'interno di Proprietà campo è il campo percorso che viene mappato sui punteggi non elaborati.

Punteggi di attribuzione aggregati

I punteggi aggregati possono essere scaricati in formato CSV dall’interfaccia utente di Platform se l’intervallo di date è inferiore a 30 giorni.

Attribution AI supporta due categorie di punteggi di attribuzione, algoritmici e basati su regole.

Attribution AI produce due diversi tipi di punteggi algoritmici, incrementali e influenzati. Un punteggio influenzato è la frazione della conversione di cui è responsabile ogni punto di contatto marketing. Un punteggio incrementale è la quantità di impatto marginale direttamente causato dal punto di contatto marketing. La differenza principale tra il punteggio incrementale e il punteggio influenzato è che il punteggio incrementale tiene conto dell'effetto previsto. Non presuppone che una conversione sia causata esclusivamente dai punti di contatto marketing precedenti.

Di seguito è riportato un rapido esempio di output dello schema Attribution AI dall’interfaccia utente Adobe Experience Platform:

Vedi la tabella seguente per maggiori dettagli su ciascuno di questi punteggi di attribuzione:

Riferimento Punteggio non elaborato (punteggi di attribuzione)

La tabella seguente mappa i punteggi di attribuzione ai punteggi non elaborati. Se desideri scaricare i punteggi non elaborati, visita la documentazione download dei punteggi nella documentazione di Attribution AI.

Punteggi aggregati

I punteggi aggregati possono essere scaricati in formato CSV dall’interfaccia utente di Platform se l’intervallo di date è inferiore a 30 giorni. Per ulteriori informazioni su ciascuna di queste colonne di aggregazione, consulta la tabella seguente.

Riferimento Punteggio grezzo (aggregato)

La tabella seguente mappa i punteggi aggregati ai punteggi non elaborati. Se desideri scaricare i punteggi non elaborati, visita la documentazione download dei punteggi nella documentazione di Attribution AI. Per visualizzare i percorsi dei punti non elaborati dall'interno dell'interfaccia utente, visita la sezione relativa alla visualizzazione dei percorsi dei punti non elaborati all'interno di questo documento.

Passaggi successivi

Dopo aver preparato i dati e aver impostato tutte le credenziali e gli schemi, inizia seguendo la Guida utente di Attribution AI. Questa guida illustra come creare un’istanza per Attribution AI.