Attribution AI ingresso e uscita

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

Attribution AI dati di input

Attribution AI utilizza Consumer Experience Event i dati per calcolare i punteggi algoritmici. Per ulteriori informazioni su Consumer Experience Event, consulta la sezione Preparare i dati per l'utilizzo nella documentazionedei servizi intelligenti.

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

Nota

Le seguenti 9 colonne sono obbligatorie. Le colonne aggiuntive sono facoltative ma consigliate/necessarie se si desidera utilizzare gli stessi dati per altre soluzioni di Adobe come Customer AI e Journey AI.

Colonne obbligatorie Necessario per
Campo identità principale Punto di contatto / Conversione
Timestamp Punto di contatto / Conversione
Channel._type 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
Commercio Conversione

In genere, l'attribuzione viene eseguita su colonne di conversione quali ordine, acquisti e pagamenti in "commerce". Le colonne "canale" e "marketing" sono consigliate per definire punti di contatto per una buona conoscenza. Tuttavia, puoi includere qualsiasi altra colonna aggiuntiva insieme alle colonne precedenti da configurare come definizione di conversione o punto di contatto.

Le colonne riportate di seguito non sono obbligatorie, ma si consiglia di includerle nello schema CEE se si dispone delle informazioni disponibili.

Altre colonne consigliate:

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

Dati storici

IMPORTANTE

La quantità minima di dati necessaria per il funzionamento Attribution AI è la seguente:

  • È necessario fornire almeno 3 mesi (90 giorni) di dati per eseguire un buon modello.
  • Hai bisogno di almeno 1000 conversioni.

Attribution AI richiede dati storici come input per la formazione dei modelli. La durata dei dati richiesti è determinata principalmente da due fattori chiave: finestra di formazione e finestra di look-back. L'input con finestre di formazione più brevi è più sensibile alle tendenze recenti, mentre le finestre di formazione più lunghe consentono di produrre modelli più stabili e precisi. È importante modellare l'obiettivo con dati storici che meglio rappresentano gli 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, la finestra di formazione minima è di 1 quarto (90 giorni). La finestra di lookback fornisce un intervallo di tempo che indica quanti giorni prima dei punti di contatto dell'evento di conversione relativi a questo evento di conversione devono essere inclusi. Questi due concetti insieme determinano la quantità di dati di input (misurati in giorni) necessaria per un'applicazione.

Per impostazione predefinita, Attribution AI definisce la finestra di formazione come l’ultima finestra di 2 trimestri (6 mesi) e la finestra 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 + finestra di lookback

SUGGERIMENTO

La lunghezza minima dei dati richiesti per un'applicazione con configurazioni predefinite è: 2 trimestri (180 giorni) + 56 giorni = 236 giorni.

Esempio :

  • Si desidera 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 formazione è di 90 giorni e la finestra di lookback è di 28 giorni per un totale di 118 giorni.

Dati di output Attribution AI

Attribution AI produce i seguenti output:

Esempio di schema di output:

Punteggi granulari grezzi

Attribution AI produce i punteggi di attribuzione nel livello più granulare possibile, in modo che sia possibile suddividere i punteggi e renderli più dadi per qualsiasi colonna di punteggio. Per visualizzare questi punteggi nell’interfaccia utente, leggi la sezione sulla visualizzazione dei percorsidi valutazione non elaborati. Per scaricare i punteggi utilizzando l'API, visita i punteggi di download nel documento Attribution AI .

Nota

Potete visualizzare qualsiasi colonna di reporting desiderata dal dataset di input nel dataset di output del punteggio solo se una delle seguenti colonne è vera:

  • La colonna del rapporto 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 di set di dati con punteggio aggiuntive.

Nella tabella seguente sono delineati i campi dello schema nell’esempio di output dei punteggi non elaborati:

Nome colonna (DataType) Nullable Descrizione
timestamp (DateTime) False L'ora in cui si è verificato un evento o un'osservazione di conversione.
Esempio: 2020-06-09T00:01:51.000Z
identityMap (Map) True identityMap dell'utente simile al formato CEE XDM.
eventType (String) True Il tipo di evento principale per il record della serie temporale.
Esempio: "Order", "Purchase", "Visit"
eventMergeId (String) True Un ID per correlare o unire più Experience Events elementi che sono sostanzialmente lo stesso evento o che devono essere uniti. Questo è destinato a essere compilato dal produttore di dati prima dell’assimilazione.
Esempio: 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_id (String) False Un identificatore univoco per l'evento delle serie temporali.
Esempio: 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_tenantId (oggetto) False Il contenitore di oggetti di livello superiore che viene associato all'ID tentante.
Esempio: _atsdsnrmsv2
your_schema_name (Object) False Riga di punteggio con evento di conversione tutti gli eventi dei punti di contatto ad esso associati e i relativi metadati.
Esempio: Punteggi Attribution AI - Nome Modello__2020
segmentazione (String) True Segmento di conversione, ad esempio la segmentazione geografica rispetto alla quale il modello è costruito. In caso di assenza di segmenti, il segmento è uguale a conversionName.
Esempio: ORDER_US
conversionName (String) True Nome della conversione configurata durante l'installazione.
Esempio: Ordine, Lead, Visita
conversion (oggetto) False Conversione delle colonne di metadati.
dataSource (String) True Identificazione univoca globale di un'origine dati.
Esempio: Adobe Analytics
eventSource (String) True L'origine dell'evento effettivo.
Esempio: Adobe.com
eventType (String) True Il tipo di evento principale per il record della serie temporale.
Esempio: Ordine
geo (String) True Posizione geografica in cui è stata consegnata la conversione placeContext.geo.countryCode.
Esempio: US
priceTotal (Double) True Entrate ottenute mediante la conversione
Esempio: 99,9
product (String) True Identificatore XDM del prodotto stesso.
Esempio: RX 1080 ti
productType (String) True Nome visualizzato per il prodotto presentato all'utente per la visualizzazione del prodotto.
Esempio: Gpus
quantità (numero intero) True Quantità acquistata durante la conversione.
Esempio: 1 1080 ti
ReceivedTimestamp (DateTime) True È stata ricevuta la marca temporale della conversione.
Esempio: 2020-06-09T00:01:51.000Z
skuId (String) True Unità di conservazione delle scorte (SKU), identificatore univoco per un prodotto definito dal fornitore.
Esempio: MJ-03-XS-Black
timestamp (DateTime) True Timestamp della conversione.
Esempio: 2020-06-09T00:01:51.000Z
passThrough (oggetto) True Colonne di set di dati di punteggio aggiuntive specificate dall'utente durante la configurazione del modello.
commerce_order_purchaseCity (String) True Colonna dataset Punteggio Aggiuntiva.
Esempio: città : San Jose
customerProfile (Oggetto) False Dettagli identità dell'utente utilizzato per creare il modello.
identity (Object) False Contiene i dettagli dell'utente utilizzato per creare il modello, ad esempio id e namespace.
id (String) True ID identità dell’utente, ad esempio ID cookie o AAID o MCID ecc.
Esempio: 1734876272540865634468320891369597404
namespace (String) True Spazio dei nomi identità utilizzato per creare i percorsi e quindi il modello.
Esempio: aid
touchpointsDetail (array di oggetti) True Elenco dei dettagli dei punti di contatto che determinano la conversione ordinata dall'occorrenza del punto di contatto o dalla marca temporale.
touchPointName (String) True Nome del punto di contatto configurato durante l’installazione.
Esempio: PAID_SEARCH_CLICK
scores (oggetto) True Contributo punto di contatto a questa conversione come punteggio. Per ulteriori informazioni sui punteggi prodotti all'interno di questo oggetto, vedere la sezione punteggi di attribuzione aggregati.
touchPoint (oggetto) True Metadati punto di contatto. Per ulteriori informazioni sui punteggi prodotti all'interno di questo oggetto, vedere la sezione punteggi aggregati.

Visualizzazione di percorsi di valutazione non elaborati (interfaccia utente)

Puoi visualizzare il percorso dei punteggi non elaborati nell’interfaccia utente. Per iniziare, seleziona Schemas nell’interfaccia utente della piattaforma, quindi cerca e seleziona il tuo schema di valutazione AI dell’attribuzione dall’interno della Browse scheda.

Scegli lo schema

Quindi, selezionate un campo all’interno della Structure finestra dell’interfaccia utente, si apre la Field properties scheda. All'interno Field properties è il campo percorso associato ai punteggi non elaborati.

Selezione di uno schema

Punteggi di attribuzione aggregati

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

Attribution AI supporta due categorie di punteggi di attribuzione, algoritmi 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 l'importo dell'impatto marginale direttamente causato dal punto di contatto di marketing. La differenza principale tra il punteggio incrementale e il punteggio influenzato è che il punteggio incrementale prende in considerazione l'effetto previsto. Non presuppone che una conversione sia causata esclusivamente dai punti di contatto di marketing precedenti.

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

Per ulteriori informazioni su ciascuno di questi punteggi di attribuzione, consulta la tabella seguente:

Punti di attribuzione Descrizione
Influenzato (algoritmico) Il punteggio influenzato è la frazione della conversione di cui è responsabile ogni punto di contatto marketing.
Incremental (algoritmico) Il punteggio incrementale è la quantità di impatto marginale direttamente causato 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 di un percorso di conversione.
Ultimo contatto Punteggio di attribuzione basato su regole che assegna tutti i crediti al punto di contatto più vicino alla conversione.
Lineare Punteggio di attribuzione basato su regole che assegna lo stesso credito a ogni punto di contatto di 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 modo uniforme.
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 distanti nel tempo dalla conversione.

Riferimento Punteggio non elaborato (punteggi di attribuzione)

La tabella seguente mappa i punteggi di attribuzione ai punteggi non elaborati. Se desiderate scaricare i punteggi grezzi, visitate i punteggi di download nella documentazione Attribution AI .

Punti di attribuzione Colonna di riferimento per la valutazione non elaborata
Influenzato (algoritmico) _tenantID.your_schema_name.element.touchPoint.algorithmInfluencing
Incremental (algoritmico) _tenantID.your_schema_name.touchDetail.element.touchPoint.algorithmInfluenzated
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.touchDetail.element.touchPoint.linear
A forma di U _tenantID.your_schema_name.touchpointsDetail.element.touchPoint.uShape
Decadimento nel tempo _tenantID.your_schema_name.touchDetail.element.touchPoint.decayUnits

Punteggi aggregati

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

Nome colonna Vincolo Nullable Descrizione
customerevents_date (DateTime) Formato definito dall'utente e fisso False Data evento cliente in formato AAAA-MM-GG.
Esempio: 2016-05-02
mediatouchpoints_date (DateTime) Formato definito dall'utente e fisso True Media Touchpoint Date in formato AAAA-MM-GG
Esempio: 21/04/2017
segment (String) Calcolato False Segmento di conversione, ad esempio la segmentazione geografica rispetto alla quale il modello è costruito. In caso di assenza di segmenti, il segmento è uguale a conversion_scope.
Esempio: ORDER_AMER
conversion_scope (String) Definito dall'utente False Nome della conversione configurata dall'utente.
Esempio: ORDINE
touchpoint_scope (String) Definito dall'utente True Nome del punto di contatto configurato dall’utente
Esempio: PAID_SEARCH_CLICK
product (String) Definito dall'utente True Identificatore XDM del prodotto.
Esempio: CC
product_type (String) Definito dall'utente True Nome visualizzato per il prodotto presentato all'utente per la visualizzazione del prodotto.
Esempio: gpus, laptop
geo (String) Definito dall'utente True Posizione geografica in cui è stata distribuita la conversione (placeContext.geo.countryCode)
Esempio: US
event_type (String) Definito dall'utente True Il tipo di evento principale per questo record della serie temporale
Esempio: Conversione a pagamento
media_type (String) ENUM False Descrive se il tipo di supporto è pagato, posseduto o ottenuto.
Esempio: PAGATO, PROPRIETARIO
channel (String) ENUM False La channel._type proprietà utilizzata per fornire una classificazione approssimativa dei canali con proprietà simili in Consumer Experience Event XDM.
Esempio: CERCA
action (String) ENUM False La mediaAction proprietà viene utilizzata per fornire un tipo di azione multimediale evento esperienza.
Esempio: FATE CLIC
campaign_group (String) Definito dall'utente True Nome del gruppo di campagne in cui più campagne sono raggruppate come '50%_DISCOUNT'.
Esempio: COMMERCIALE
campaign_name (String) Definito dall'utente True Nome della campagna utilizzata per identificare la campagna di marketing come '50%_DISCOUNT_USA' o '50%_DISCOUNT_ASIA'.
Esempio: Vendita ringraziamento

Riferimento Raw Score (aggregato)

La tabella seguente mappa i punteggi aggregati sulle valutazioni non elaborate. Se desiderate scaricare i punteggi grezzi, visitate i punteggi di download nella documentazione Attribution AI . Per visualizzare i percorsi di valutazione non elaborati dall'interfaccia utente, visita la sezione sulla visualizzazione dei percorsi di valutazione non elaborati all'interno di questo documento.

Nome colonna Colonna di riferimento Punteggio non elaborato
customerevents_date timestamp
mediatouchpoints_date _tenantID.your_schema_name.touchDetail.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
product _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
channel _tenantID.your_schema_name.touchpointsDetail.element.touchPoint.mediaChannel
action _tenantID.your_schema_name.touchpointsDetail.element.touchPoint.mediaAction
campaign_group _tenantID.your_schema_name.touchDetail.element.touchPoint.campaignGroup
campaign_name _tenantID.your_schema_name.touchDetail.element.touchPoint.campaignName

Passaggi successivi

Dopo aver preparato i dati e aver inserito tutte le credenziali e gli schemi, iniziare seguendo la guida utenteAttribution AI. Questa guida illustra come creare un’istanza per Attribution AI.

In questa pagina