Ingresso e uscita in Attribution AI
Il seguente documento illustra i diversi ingressi e uscite utilizzati in Attribution AI.
Attribution AI dati di input
Attribution AI funziona analizzando i seguenti set di dati per calcolare i punteggi algoritmici:
- Set di dati di Adobe Analytics che utilizzano Connettore di origine di Analytics
- Set di dati di Experience Event (EE) in generale dallo schema di Adobe Experience Platform
- Set di dati di Consumer Experience Event (CEE)
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.
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.
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.
channel.typeAtSource
(ad esempio, channel.typeAtSource = 'email'
).Dati storici data-requirements
- Devi fornire almeno 3 mesi (90 giorni) di dati per eseguire un buon modello.
- Sono necessarie almeno 1000 conversioni.
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
Esempio:
- Desideri 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 nelle 4 settimane precedenti l’evento di conversione. La durata dei dati di input deve essere compresa negli ultimi 90 giorni + 28 giorni (4 settimane). L’intervallo di formazione è di 90 giorni e l’intervallo di lookback è di 28 giorni, per un totale di 118 giorni.
Attribution AI dati di output
Attribution AI produce i seguenti risultati:
Esempio di schema di output:
Punteggi granulari non elaborati raw-granular-scores
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.
- La colonna per la generazione di rapporti è inclusa nella pagina di configurazione come parte della configurazione del punto di contatto o della definizione di conversione.
- La colonna di reporting è inclusa in colonne aggiuntive di set di dati di punteggio.
La tabella seguente illustra i campi dello schema nell’output dell’esempio di punteggi non elaborati:
Esempio: 09.06.2020:01:51,000Z
Esempio: "Ordine", "Acquisto", "Visita"
Esempio: 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
Esempio: 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
Esempio: _atsdsnrmmsv2
Esempio: Punteggi Attribution AI - Nome modello__2020
Esempio: ORDER_US
Esempio: Ordine, lead, visita
Esempio: Adobe Analytics
Esempio: Adobe.com
Esempio: Ordine
placeContext.geo.countryCode
.Esempio: STATI UNITI
Esempio: 99,9
Esempio: RX 1080ti Tel.
Esempio: Gpu
Esempio: 1 1080 t
Esempio: 09.06.2020:01:51,000Z
Esempio: MJ-03-XS-Nero
Esempio: 09.06.2020:01:51,000Z
Esempio: city: San Jose
id
e namespace
.Esempio: 17348762725408656344688320891369597404
Esempio: aaid
Esempio: PAID_SEARCH_CLICK
Visualizzazione dei percorsi di punteggio non elaborati (UI) raw-score-path
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.
Punteggi di attribuzione aggregati aggregated-attribution-scores
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:
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 aggregati aggregated-scores
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.
Esempio: 02/05/2016
Esempio: 21/04/2017
Esempio: ORDER_AMER
Esempio: ORDINE
Esempio: PAID_SEARCH_CLICK
Esempio: CC
Esempio: gpu, notebook
Esempio: STATI UNITI
Esempio: conversione a pagamento
Esempio: A PAGAMENTO, DI PROPRIETÀ
channel._type
proprietà utilizzata per fornire una classificazione approssimativa dei canali con proprietà simili in Consumer Experience Event XDM.Esempio: RICERCA
mediaAction
La proprietà viene utilizzata per fornire un tipo di azione multimediale evento esperienza.Esempio: FAI CLIC
Esempio: COMMERCIALE
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.
- Attribution AI utilizza solo dati aggiornati per l’ulteriore formazione e il punteggio. Allo stesso modo, quando richiedi di eliminare i dati, IA per l’analisi dei clienti si astiene dall’utilizzare i dati eliminati.
- Attribution AI sfrutta i set di dati di Platform. Per supportare le richieste di diritti dei consumatori che un brand può ricevere, i brand devono utilizzare Platform Privacy Service per inviare ai consumatori le richieste di accesso e cancellazione per rimuovere i propri dati attraverso il data lake, il servizio Identity e il profilo cliente in tempo reale.
- Tutti i set di dati utilizzati per l’input/output dei modelli seguiranno le linee guida di Platform. Platform Data Encryption si applica ai dati in transito e a riposo. Per ulteriori informazioni, consulta la documentazione di crittografia dei dati
Passaggi successivi next-steps
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.