Il seguente documento illustra i diversi ingressi e uscite utilizzati in Attribution AI.
Attribution AI funziona analizzando i seguenti set di dati per calcolare i punteggi algoritmici:
Ora puoi aggiungere più set di dati da origini diverse in base al mappa identità (campo) se ciascuno dei set di dati condivide lo stesso tipo di identità (spazio dei nomi), ad esempio un ECID. Dopo aver selezionato un’identità e uno spazio dei nomi, vengono visualizzate le metriche di completezza della colonna ID che indicano il volume di dati uniti. Per ulteriori informazioni sull’aggiunta di più set di dati, consulta Guida utente di Attribution AI.
Per impostazione predefinita, le informazioni sul canale non vengono sempre mappate. In alcuni casi, se mediaChannel (campo) è vuoto, non sarà possibile "continuare" finché non si mappa un campo su mediaChannel in quanto si tratta di una colonna obbligatoria. Se il canale viene rilevato nel set di dati, viene mappato su mediaChannel per impostazione predefinita. Le altre colonne, ad esempio tipo di file multimediale e azione media sono ancora facoltativi.
Dopo aver mappato il campo del canale, continua con il passaggio "Definisci eventi" in cui puoi selezionare gli eventi di conversione e gli eventi dei punti di contatto e scegliere campi specifici dai singoli set di dati.
Il connettore di origine di Adobe Analytics può richiedere fino a quattro settimane per la retrocompilazione dei dati. Se hai impostato di recente un connettore, devi verificare che il set di dati abbia la lunghezza minima dei dati richiesta per l’Attribution AI. Rivedi il dati storici per verificare di disporre di dati sufficienti per calcolare punteggi algoritmici accurati.
Per ulteriori dettagli sulla configurazione di Consumer Experience Event (CEE), fare riferimento alla sezione Preparazione dei dati di Intelligent Services guida. Per ulteriori informazioni sulla mappatura dei dati di Adobe Analytics, visita Mappature dei campi di Analytics documentazione.
Non tutte le colonne in Consumer Experience Event (CEE) sono obbligatori per Attribution AI.
Puoi configurare i punti di contatto utilizzando qualsiasi campo consigliato di seguito nello schema o nel set di dati selezionato.
Colonne consigliate | Necessario per |
---|---|
Campo di identità primaria | Punto di contatto/conversione |
Marca temporale | Punto di contatto/conversione |
Channel._Tipo | Punto di contatto |
Channel.mediaAction | Punto di contatto |
Channel.mediaType | Punto di contatto |
Marketing.trackingCode | Punto di contatto |
Marketing.campaignname | Punto di contatto |
Marketing.campaigngroup | Punto di contatto |
Commerce | Conversione |
In genere, l’attribuzione viene eseguita su colonne di conversione come ordine, acquisti e pagamenti in “commerce”. Le colonne per “canale” e “marketing” vengono utilizzate per definire i punti di contatto per le 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 di punti 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.
I set di dati dell’evento esperienza (EE) non devono disporre esplicitamente di mixin di canale e marketing, purché le informazioni sul canale o sulla campagna rilevanti per la configurazione di un punto di contatto siano presenti in uno dei campi mixin o pass-through.
Se utilizzi i dati di Adobe Analytics nello schema CEE, le informazioni sul punto di contatto per Analytics vengono generalmente memorizzate in channel.typeAtSource
(ad esempio, channel.typeAtSource = 'email'
).
La quantità minima di dati necessaria per il funzionamento di Attribution AI è la seguente:
Attribution AI richiede dati storici come input per l’apprendimento dei modelli. La durata dei dati richiesta è determinata principalmente da due fattori chiave: l’intervallo di formazione e l’intervallo di lookback. Gli input con finestre di formazione più brevi sono più sensibili alle tendenze recenti, mentre finestre di formazione più lunghe contribuiscono a produrre modelli più stabili e precisi. È importante modellare l’obiettivo con dati storici che rappresentino al meglio i tuoi obiettivi aziendali.
Il configurazione della finestra di formazione filtra gli eventi di conversione impostati per essere inclusi nell’apprendimento del modello in base al tempo di occorrenza. Attualmente, la finestra di formazione minima è di 1 trimestre (90 giorni). Il intervallo di lookback fornisce un intervallo di tempo che indica quanti giorni prima dell’evento di conversione devono essere inclusi i punti di contatto relativi a 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 l’intervallo di formazione come i 2 trimestri (6 mesi) più recenti e l’intervallo di lookback come 56 giorni. In altre parole, il modello prenderà in considerazione 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 = intervallo di formazione + intervallo di lookback
La lunghezza minima dei dati richiesta per un'applicazione con configurazioni predefinite è: 2 trimestri (180 giorni) + 56 giorni = 236 giorni.
Esempio:
Attribution AI produce i seguenti risultati:
Esempio di schema di output:
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, consulta la sezione su visualizzazione dei percorsi di punteggio non elaborati. Per scaricare i punteggi utilizzando l’API, visita download di punteggi in Attribution AI documento.
Puoi visualizzare qualsiasi colonna di reporting desiderata dal set di dati di input nel set di dati di output del punteggio solo se si verifica una delle seguenti condizioni:
La tabella seguente illustra i campi dello schema nell’output dell’esempio di punteggi non elaborati:
Nome colonna (DataType) | Nullable | Descrizione |
---|---|---|
timestamp (DateTime) | False | Il momento in cui si è verificato un evento di conversione o un’osservazione. Esempio: 09.06.2020:01:51,000Z |
identityMap (mappa) | True | identityMap dell’utente simile al formato XDM CEE. |
eventType (String) | True | Il tipo di evento principale per questo record di serie temporali. Esempio: "Ordine", "Acquisto", "Visita" |
eventMergeId (Stringa) | True | Un ID per correlare o unire più Experience Events che sono essenzialmente lo stesso evento o che devono essere uniti. Questo deve essere compilato dal produttore dei dati prima dell’acquisizione. Esempio: 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4 |
_id (stringa) | False | Un identificatore univoco dell’evento della serie temporale. Esempio: 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4 |
_tenantId (oggetto) | False | Il contenitore oggetto di livello superiore che corrisponde all’ID tentante. Esempio: _atsdsnrmmsv2 |
your_schema_name (Oggetto) | False | Riga di punteggio con evento di conversione tutti gli eventi punto di contatto associati a esso e i relativi metadati. Esempio: Punteggi Attribution AI - Nome modello__2020 |
segmentazione (stringa) | True | Segmento di conversione come la segmentazione geografica rispetto alla quale viene generato il modello. In caso di assenza di segmenti, il segmento è uguale a conversionName. Esempio: ORDER_US |
conversionName (String) | True | Nome della conversione configurata durante la configurazione. Esempio: Ordine, lead, visita |
Conversione (oggetto) | False | Colonne di metadati di conversione. |
dataSource (String) | True | Identificazione univoca globale di un'origine dati. Esempio: Adobe Analytics |
eventSource (Stringa) | True | La sorgente in cui si è verificato l’evento effettivo. Esempio: Adobe.com |
eventType (String) | True | Il tipo di evento principale per questo record di serie temporali. Esempio: Ordine |
geo (Stringa) | True | Posizione geografica in cui è stata consegnata la conversione placeContext.geo.countryCode . Esempio: STATI UNITI |
priceTotal (Doppio) | True | Ricavi ottenuti tramite la conversione Esempio: 99,9 |
product (String) | True | L’identificatore XDM del prodotto stesso. Esempio: RX 1080ti Tel. |
productType (String) | True | Il nome visualizzato del prodotto presentato all’utente per questa visualizzazione prodotto. Esempio: Gpu |
quantità (numero intero) | True | Quantità acquistata durante la conversione. Esempio: 1 1080 t |
receivedTimestamp (DateTime) | True | Timestamp ricevuto della conversione. Esempio: 09.06.2020:01:51,000Z |
skuId (stringa) | True | Stock Keeping Unit (SKU), l’identificatore univoco di un prodotto definito dal fornitore. Esempio: MJ-03-XS-Nero |
timestamp (DateTime) | True | Timestamp della conversione. Esempio: 09.06.2020:01:51,000Z |
passThrough (oggetto) | True | Colonne aggiuntive del set di dati di punteggio specificate dall’utente durante la configurazione del modello. |
commerce_order_purchaseCity (Stringa) | True | Colonna aggiuntiva del set di dati di punteggio. Esempio: city: San Jose |
customerProfile (oggetto) | False | Dettagli di identità dell’utente utilizzato per generare il modello. |
identità (oggetto) | False | Contiene i dettagli dell’utente utilizzato per generare il modello, ad esempio id e namespace . |
id (Stringa) | True | ID identità dell’utente come ID cookie, Adobe Analytics ID (AAID) o ID Experience Cloud (ECID, noto anche come MCID o come ID visitatore) ecc. Esempio: 17348762725408656344688320891369597404 |
namespace (String) | True | Spazio dei nomi identità utilizzato per creare i percorsi e quindi il modello. Esempio: aaid |
touchpointsDetail (array di oggetti) | True | L’elenco dei dettagli del punto di contatto che conducono alla conversione ordinata da |
touchpointName (stringa) | True | Nome del punto di contatto configurato durante la configurazione. Esempio: PAID_SEARCH_CLICK |
punteggi (oggetto) | True | Contributo del punto di contatto a questa conversione come punteggio. Per ulteriori informazioni sui punteggi prodotti in questo oggetto, vedere punteggi di attribuzione aggregati sezione. |
touchPoint (oggetto) | True | Metadati punto di contatto. Per ulteriori informazioni sui punteggi prodotti in questo oggetto, vedere punteggi aggregati sezione. |
Puoi visualizzare il percorso dei punteggi non elaborati nell’interfaccia utente. Inizia selezionando Schemi nell’interfaccia utente di Platform, cerca e seleziona lo schema dei punteggi di IA per l’attribuzione dall’interno di Sfoglia scheda.
Quindi, seleziona un campo all’interno del Struttura dell'interfaccia utente, il Proprietà campo viene visualizzata la scheda. Entro Proprietà campo è il campo percorso associato ai punteggi non elaborati.
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 di marketing. Un punteggio incrementale è la quantità di impatto marginale causato direttamente dal punto di contatto di marketing. La differenza principale tra il punteggio incrementale e il punteggio influenzato è che il punteggio incrementale tiene conto dell’effetto al basale. Non presuppone che una conversione sia causata esclusivamente dai precedenti punti di contatto di marketing.
Ecco un esempio di output con schema di Attribution AI dall’interfaccia utente di Adobe Experience Platform:
Per ulteriori dettagli su ciascuno di questi punteggi di attribuzione, consulta la tabella seguente:
Punteggi di attribuzione | Descrizione |
---|---|
Influenzato (algoritmico) | Il punteggio influenzato è la frazione della conversione di cui è responsabile ogni punto di contatto di marketing. |
Incrementale (algoritmico) | Il punteggio incrementale è la quantità di impatto marginale causato direttamente da un punto di contatto di marketing. |
Primo contatto | Punteggio di attribuzione basato su regole che assegna tutti i crediti al punto di contatto iniziale in un percorso di conversione. |
Ultimo contatto | Punteggio di attribuzione basato su regole che assegna tutto il credito al punto di contatto più vicino alla conversione. |
Lineare | Punteggio di attribuzione basato su regole che assegna lo stesso credito a ciascun punto di contatto in un percorso di conversione. |
A forma di U | Punteggio di attribuzione basato su regole che assegna il 40% del credito al primo punto di contatto e il 40% del credito all’ultimo punto di contatto, con gli altri punti di contatto che dividono il restante 20% in parti uguali. |
Decadimento nel tempo | Punteggio di attribuzione basato su regole in cui i punti di contatto più vicini alla conversione ricevono più credito rispetto ai punti di contatto più lontani nel tempo dalla conversione. |
Riferimento punteggio non elaborato (punteggi di attribuzione)
La tabella seguente mappa i punteggi di attribuzione in base ai punteggi non elaborati. Se desideri scaricare i tuoi punteggi non elaborati, visita il download di punteggi in Attribution AI documentazione.
Punteggi di attribuzione | Colonna di riferimento punteggio non elaborato |
---|---|
Influenzato (algoritmico) | _tenantID.nome_schema.elemento.punto.algoritmoInfluenzato |
Incrementale (algoritmico) | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.algorithmicInfluenzato |
Primo contatto | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.firstTouch |
Ultimo contatto | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.lastTouch |
Lineare | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.linear |
A forma di U | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.uShape |
Decadimento nel tempo | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.decayUnits |
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 dettagli su ciascuna di queste colonne aggregate, consulta la tabella seguente.
Nome colonna | Vincolo | Nullable | Descrizione |
---|---|---|---|
customerevents_date (DateTime) | Definito dall'utente e formato fisso | False | Data evento cliente in formato AAAA-MM-GG. Esempio: 02/05/2016 |
mediatouchpoints_date (DateTime) | Definito dall'utente e formato fisso | True | Data del punto di contatto multimediale in formato AAAA-MM-GG Esempio: 21/04/2017 |
segmento (stringa) | Calcolato | False | Segmento di conversione, ad esempio segmentazione geografica, in base alla quale viene generato il modello. In caso di assenza di segmenti, il segmento è uguale a conversion_scope. Esempio: ORDER_AMER |
conversion_scope (Stringa) | Definito dall'utente | False | Nome della conversione configurato dall’utente. Esempio: ORDINE |
touchpoint_scope (Stringa) | Definito dall'utente | True | Nome del punto di contatto configurato dall’utente Esempio: PAID_SEARCH_CLICK |
product (String) | Definito dall'utente | True | L’identificatore XDM del prodotto. Esempio: CC |
product_type (String) | Definito dall'utente | True | Il nome visualizzato del prodotto presentato all’utente per questa visualizzazione prodotto. Esempio: gpu, notebook |
geo (Stringa) | Definito dall'utente | True | La posizione geografica in cui è stata consegnata la conversione (placeContext.geo.countryCode) Esempio: STATI UNITI |
event_type (Stringa) | Definito dall'utente | True | Tipo di evento principale per questo record di serie temporali Esempio: conversione a pagamento |
media_type (String) | ENUM | False | Descrive se il tipo di file multimediale è pagato, di proprietà o guadagnato. Esempio: A PAGAMENTO, DI PROPRIETÀ |
channel (String) | ENUM | False | Il channel._type proprietà utilizzata per fornire una classificazione approssimativa dei canali con proprietà simili in Consumer Experience Event XDM. Esempio: RICERCA |
action (String) | ENUM | False | Il mediaAction La proprietà viene utilizzata per fornire un tipo di azione multimediale evento esperienza. Esempio: FAI CLIC |
campaign_group (Stringa) | Definito dall'utente | True | Nome del gruppo di campagne in cui sono raggruppate più campagne, ad esempio "SCONTO_50%". Esempio: COMMERCIALE |
campaign_name (Stringa) | Definito dall'utente | True | Nome della campagna utilizzato per identificare la campagna di marketing, ad esempio "SCONTO_50%_USA" o "SCONTO_50%_ASIA". Esempio: Vendita del ringraziamento |
Riferimento punteggio non elaborato (aggregato)
La tabella seguente mappa i punteggi aggregati sui punteggi non elaborati. Se desideri scaricare i tuoi punteggi non elaborati, visita il download di punteggi in Attribution AI documentazione. Per visualizzare i percorsi di punteggio non elaborati dall’interfaccia utente, visita la sezione su visualizzazione dei percorsi di punteggio non elaborati in questo documento.
Nome colonna | Colonna di riferimento Punteggio non elaborato |
---|---|
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 |
ambito_punto_contatto | _tenantID.your_schema_name.touchpointsDetail.element.touchpointName |
prodotto | _tenantID.your_schema_name.conversion.product |
product_type | _tenantID.your_schema_name.conversion.product_type |
geo | _tenantID.nome_schema.conversione.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 |
nome_campagna | _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.campaignName |
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.