Entrada e saída em Attribution AI

O documento a seguir descreve as diferentes entradas e saídas utilizadas em Attribution AI.

Attribution AI dados de entrada

O Attribution AI funciona analisando um dos seguintes conjuntos de dados para calcular pontuações algorítmicas:

IMPORTANTE

O conector de origem do Adobe Analytics pode levar até quatro semanas para preencher dados. Se você configurar um conector recentemente, deve verificar se o conjunto de dados tem o comprimento mínimo de dados necessário para o Attribution AI. Revise a seção history data para verificar se você tem dados suficientes para calcular pontuações algorítmicas precisas.

Para obter mais detalhes sobre como configurar o esquema Consumer Experience Event (CEE), consulte o guia Preparação de dados dos Serviços inteligentes . Para obter mais informações sobre como mapear dados do Adobe Analytics, visite a documentação Mapeamentos de campo do Analytics .

Nem todas as colunas no esquema Consumer Experience Event (CEE) são obrigatórias para o Attribution AI.

OBSERVAÇÃO

As 9 colunas a seguir são obrigatórias, as colunas adicionais são opcionais, mas recomendadas/necessárias, se você quiser usar os mesmos dados para outras soluções do Adobe, como Customer AI e Journey AI.

Colunas obrigatórias Necessário para
Campo de identidade primária Ponto de contato / Conversão
Carimbo de data e hora Ponto de contato / Conversão
Canal._type Ponto de contato
Channel.mediaAction Ponto de contato
Channel.mediaType Ponto de contato
Marketing.trackingCode Ponto de contato
Marketing.campaignname Ponto de contato
Marketing.campaigngroup Ponto de contato
Comércio Conversão

Normalmente, a atribuição é executada em colunas de conversão, como pedido, compras e check-outs em “comércio”. As colunas para “canal” e “marketing” são usadas para definir pontos de contato para o Attribution AI (por exemplo, channel._type = 'https://ns.adobe.com/xdm/channel-types/email'). Para obter resultados e insights ideais, é altamente recomendável incluir o máximo possível de colunas de conversão e ponto de contato. Além disso, você não está limitado apenas às colunas acima. Você pode incluir qualquer outra coluna recomendada ou personalizada como conversão ou definição de ponto de contato.

DICA

Se você estiver usando dados do Adobe Analytics no esquema CEE, as informações do ponto de contato do Analytics normalmente são armazenadas em channel.typeAtSource (por exemplo, channel.typeAtSource = 'email').

As colunas abaixo não são necessárias, mas é recomendável incluí-las no esquema CEE se você tiver as informações disponíveis.

Colunas recomendadas adicionais:

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

Dados históricos

IMPORTANTE

A quantidade mínima de dados necessária para o Attribution AI funcionar é a seguinte:

  • Você precisa fornecer pelo menos 3 meses (90 dias) de dados para executar um bom modelo.
  • Você precisa de pelo menos 1000 conversões.

O Attribution AI requer dados históricos como entrada para treinamento de modelo. A duração exigida dos dados é determinada principalmente por dois fatores principais: janela de treinamento e janela de retrospectiva. Os dados com janelas de treinamento mais curtas são mais sensíveis às tendências recentes, enquanto janelas de treinamento mais longas ajudam a produzir modelos mais estáveis e precisos. É importante modelar o objetivo com dados históricos que melhor representem suas metas de negócios.

A configuração da janela de treinamento filtra eventos de conversão definidos para serem incluídos no treinamento do modelo com base no tempo de ocorrência. Atualmente, a janela mínima de treinamento é de 1 trimestre (90 dias). A janela de lookback fornece um período que indica quantos dias antes dos pontos de contato do evento de conversão relacionados a esse evento de conversão devem ser incluídos. Juntos, esses dois conceitos determinam a quantidade de dados de entrada (medidos por dias) necessária para um aplicativo.

Por padrão, o Attribution AI define a janela de treinamento como os 2 trimestres (6 meses) mais recentes e a janela de lookback como 56 dias. Em outras palavras, o modelo levará em consideração todos os eventos de conversão definidos que ocorreram nos últimos 2 trimestres e procurará todos os pontos de contato que ocorreram nos 56 dias anteriores ao(s) evento(s) de conversão associado(s).

Fórmula:

Comprimento mínimo dos dados necessários = janela de treinamento + janela de lookback

DICA

O comprimento mínimo de dados necessário para um aplicativo com configurações padrão é: 2 trimestres (180 dias) + 56 dias = 236 dias.

Exemplo :

  • Você deseja atribuir os eventos de conversão que ocorreram nos últimos 90 dias (3 meses) e rastrear todos os pontos de contato que ocorreram dentro de 4 semanas antes do evento de conversão. A duração dos dados de entrada deve abranger os últimos 90 dias + 28 dias (4 semanas). A janela de treinamento é de 90 dias e a janela de lookback é de 28 dias, totalizando 118 dias.

Dados de saída do Attribution AI

O Attribution AI gera o seguinte:

Exemplo de schema de saída:

Pontuações granulares brutas

O Attribution AI gera pontuações de atribuição no nível mais granular possível, para que você possa dividir e dividir as pontuações por qualquer coluna de pontuação. Para exibir essas pontuações na interface do usuário, leia a seção em visualizar caminhos de pontuação brutos. Para baixar as pontuações usando a API, visite o documento downloading scores in Attribution AI.

OBSERVAÇÃO

Você pode ver qualquer coluna de relatório desejada do conjunto de dados de entrada no conjunto de dados de saída da pontuação somente se um dos seguintes for verdadeiro:

  • A coluna de relatório é incluída na página de configuração como parte do ponto de contato ou da configuração de definição de conversão.
  • A coluna de relatório é incluída em colunas adicionais de conjunto de dados de pontuação.

A tabela a seguir descreve os campos de esquema na saída de exemplo de pontuações brutas:

Nome da coluna (DataType) Nulável Descrição
timestamp (DateTime) Falso A hora em que ocorreu um evento de conversão ou observação.
Exemplo: 2020-06-09T00:01:51.000Z
identityMap (Map) Verdadeiro identityMap do usuário semelhante ao formato CEE XDM.
eventType (String) Verdadeiro O tipo de evento principal para este registro de série de tempo.
Exemplo: "Pedido", "Compra", "Visita"
eventMergeId (Cadeia de caracteres) Verdadeiro Uma ID para correlacionar ou mesclar vários Experience Events juntos que são essencialmente o mesmo evento ou que deve ser mesclada. Isso deve ser preenchido pelo produtor de dados antes da ingestão.
Exemplo: 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_id (Cadeia de caracteres) Falso Um identificador exclusivo para o evento da série de tempo.
Exemplo: 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_tenantId (Objeto) Falso O contêiner de objeto de nível superior correspondente à ID do tentante.
Exemplo: _atsdsnrmsv2
nome_do_esquema (Objeto) Falso Pontuar a linha com o evento de conversão com todos os eventos de ponto de contato associados a ela e seus metadados.
Exemplo: Pontuações do Attribution AI - Nome do Modelo__2020
segmentação (cadeia de caracteres) Verdadeiro Segmento de conversão, como segmentação geográfica, contra a qual o modelo foi criado. No caso de ausência de segmentos, o segmento é o mesmo que conversionName.
Exemplo: ORDER_US
conversionName (String) Verdadeiro Nome da conversão configurada durante a configuração.
Exemplo: Pedido, Lead, Visita
conversão (Objeto) Falso Colunas de metadados de conversão.
dataSource (String) Verdadeiro Identificação global exclusiva de uma fonte de dados.
Exemplo: Adobe Analytics
eventSource (String) Verdadeiro A fonte quando o evento real aconteceu.
Exemplo: Adobe.com
eventType (String) Verdadeiro O tipo de evento principal para este registro de série de tempo.
Exemplo: Pedido
geo (cadeia de caracteres) Verdadeiro A localização geográfica onde a conversão foi entregue placeContext.geo.countryCode.
Exemplo: EUA
priceTotal (Double) Verdadeiro Receita obtida através da conversão
Exemplo: 99.9
produto (cadeia de caracteres) Verdadeiro O identificador XDM do próprio produto.
Exemplo: RX 1080 ti
productType (String) Verdadeiro O nome de exibição do produto, conforme apresentado ao usuário para esta exibição de produto.
Exemplo: Gpus
quantidade (número inteiro) Verdadeiro Quantidade comprada durante a conversão.
Exemplo: 1 1080 ti
receiveTimestamp (DateTime) Verdadeiro Carimbo de data e hora da conversão recebido.
Exemplo: 2020-06-09T00:01:51.000Z
skuId (cadeia de caracteres) Verdadeiro Unidade de manutenção de estoque (SKU), o identificador exclusivo de um produto definido pelo fornecedor.
Exemplo: MJ-03-XS-Black
timestamp (DateTime) Verdadeiro Carimbo de data e hora da conversão.
Exemplo: 2020-06-09T00:01:51.000Z
passThrough (Objeto) Verdadeiro Colunas Adicionais do Conjunto de Dados de Pontuação especificadas pelo usuário ao configurar o modelo.
commerce_order_purchaseCity (String) Verdadeiro Coluna adicional do conjunto de dados da pontuação.
Exemplo: cidade : San Jose
customerProfile (Objeto) Falso Detalhes de identidade do usuário usado para criar o modelo.
identidade (Objeto) Falso Contém os detalhes do usuário usado para criar o modelo, como id e namespace.
id (cadeia de caracteres) Verdadeiro ID de identidade do usuário, como ID de cookie ou AAID ou MCID etc.
Exemplo: 17348762725408656344688320891369597404
namespace (cadeia de caracteres) Verdadeiro Namespace de identidade usado para criar os caminhos e, portanto, o modelo.
Exemplo: aaid
touchpointsDetail (Matriz de objetos) Verdadeiro A lista de detalhes do ponto de contato que levam à conversão solicitada por
touchpointName (String) Verdadeiro Nome do ponto de contato que foi configurado durante a configuração.
Exemplo: PAID_SEARCH_CLICK
pontuações (Objeto) Verdadeiro Contribuição do ponto de contato para essa conversão como pontuação. Para obter mais informações sobre as pontuações produzidas nesse objeto, consulte a seção pontuações de atribuição agregada .
touchPoint (objeto) Verdadeiro Metadados de ponto de contato. Para obter mais informações sobre as pontuações produzidas nesse objeto, consulte a seção pontuações agregadas .

Visualização de caminhos de pontuação bruta (UI)

Você pode visualizar o caminho para suas pontuações brutas na interface do usuário do . Comece selecionando Schemas na interface do usuário da plataforma e pesquise e selecione o esquema de pontuações do AI de atribuição na guia Browse.

Escolha seu esquema

Em seguida, selecione um campo na janela Structure da interface do usuário, a guia Field properties será aberta. Dentro de Propriedades do campo é o campo de caminho que mapeia suas pontuações brutas.

Escolha um esquema

Pontuações de atribuição agregadas

As pontuações agregadas podem ser baixadas no formato CSV da interface do usuário da plataforma se o intervalo de datas for inferior a 30 dias.

O Attribution AI suporta duas categorias de pontuações de atribuição, pontuações algorítmicas e baseadas em regras.

O Attribution AI produz dois tipos diferentes de pontuações algorítmicas, incrementais e influenciáveis. Uma pontuação influenciada é a fração da conversão pela qual cada ponto de contato de marketing é responsável. Uma pontuação incremental é a quantidade de impacto marginal causado diretamente pelo ponto de contato de marketing. A principal diferença entre a pontuação incremental e a pontuação influenciada é que a pontuação incremental leva o efeito da linha de base em consideração. Não é considerado que uma conversão seja causada apenas pelos pontos de contato de marketing anteriores.

Este é um exemplo rápido de saída de schema de Attribution AI da interface do usuário do Adobe Experience Platform:

Consulte a tabela abaixo para obter mais detalhes sobre cada uma dessas pontuações de atribuição:

Pontuações de atribuição Descrição
Influenciado (algorítmico) A pontuação influenciada é a fração da conversão pela qual cada ponto de contato de marketing é responsável.
Incremental (algorítmico) A pontuação incremental é a quantidade de impacto marginal causado diretamente por um ponto de contato de marketing.
Primeiro contato A pontuação de atribuição baseada em regras que atribui todos os créditos ao ponto de contato inicial em um caminho de conversão.
Último contato A pontuação de atribuição baseada em regras que atribui todo o crédito ao ponto de contato mais próximo da conversão.
Linear Pontuação de atribuição baseada em regras que atribui crédito igual a cada ponto de contato em um caminho de conversão.
Forma de U Pontuação de atribuição baseada em regras que atribui 40% do crédito ao primeiro ponto de contato e 40% do crédito ao último ponto de contato, com os outros pontos de contato dividindo os 20% restantes igualmente.
Declínio de tempo A pontuação de atribuição baseada em regras na qual os pontos de contato mais próximos da conversão recebem mais crédito do que os pontos de contato mais distantes no tempo da conversão.

Referência de pontuação bruta (pontuações de atribuição)

A tabela abaixo mapeia as pontuações de atribuição para as pontuações brutas. Se desejar baixar suas pontuações brutas, visite a documentação de downloading scores em Attribution AI.

Pontuações de atribuição Coluna de referência de pontuação bruta
Influenciado (algorítmico) _tenantID.your_schema_name.element.touchpoint.algorithmicInfluenced
Incremental (algorítmico) _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.algorithmicInfluenced
Primeiro contato _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.firstTouch
Último contato _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.lastTouch
Linear _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.linear
Forma de U _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.Shape
Declínio de tempo _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.decayUnits

Pontuações agregadas

As pontuações agregadas podem ser baixadas no formato CSV da interface do usuário da plataforma se o intervalo de datas for inferior a 30 dias. Consulte a tabela abaixo para obter mais detalhes sobre cada uma dessas colunas agregadas.

Nome da coluna Restrição Nulável Descrição
customerevents_date (DateTime) Formato definido pelo usuário e fixo Falso Data do evento do cliente no formato AAAA-MM-DD.
Exemplo: 2016-05-02
mediatouchpoints_date (DateTime) Formato definido pelo usuário e fixo Verdadeiro Data do ponto de contato da mídia no formato AAAA-MM-DD
Exemplo: 2017-04-21
segment (cadeia de caracteres) Calculado Falso Segmento de conversão, como segmentação geográfica, contra a qual o modelo é criado. No caso de ausência de segmentos, o segmento é igual a conversion_scope.
Exemplo: ORDER_AMER
conversion_scope (String) Definido pelo usuário Falso Nome da Conversão conforme configurado pelo usuário.
Exemplo: ORDEM
touchpoint_scope (String) Definido pelo usuário Verdadeiro Nome do ponto de contato como configurado pelo usuário
Exemplo: PAID_SEARCH_CLICK
produto (cadeia de caracteres) Definido pelo usuário Verdadeiro O identificador XDM do produto.
Exemplo: CC
product_type (cadeia de caracteres) Definido pelo usuário Verdadeiro O nome de exibição do produto, conforme apresentado ao usuário para esta exibição de produto.
Exemplo: gpus, laptops
geo (cadeia de caracteres) Definido pelo usuário Verdadeiro A localização geográfica onde a conversão foi entregue (placeContext.geo.countryCode)
Exemplo: US
event_type (String) Definido pelo usuário Verdadeiro O tipo de evento principal para este registro de série de tempo
Exemplo: Conversão paga
media_type (String) ENUM Falso Descreve se o tipo de mídia é pago, de propriedade ou ganho.
Exemplo: PAGO, PROPRIETÁRIO
channel (String) ENUM Falso A propriedade channel._type que é usada para fornecer uma classificação aproximada de canais com propriedades semelhantes em Consumer Experience Event XDM.
Exemplo: PESQUISA
action (String) ENUM Falso A propriedade mediaAction é usada para fornecer um tipo de ação de mídia de evento de experiência.
Exemplo: CLIQUE EM
campaign_group (String) Definido pelo usuário Verdadeiro Nome do grupo de campanha no qual várias campanhas são agrupadas como '50%_DISCOUNT'.
Exemplo: COMERCIAL
campaign_name (String) Definido pelo usuário Verdadeiro Nome da campanha usada para identificar a campanha de marketing como '50%_DISCOUNT_USA' ou '50%_DISCOUNT_ASIA'.
Exemplo: Venda de Ação de Graças

Referência de pontuação bruta (agregada)

A tabela abaixo mapeia as pontuações agregadas para as pontuações brutas. Se desejar baixar suas pontuações brutas, visite a documentação de downloading scores em Attribution AI. Para visualizar os caminhos de pontuação bruta na interface do usuário, visite a seção em visualizar caminhos de pontuação bruta neste documento.

Nome da coluna Coluna de referência da pontuação bruta
customerevents_date carimbo de data e hora
mediatouchpoints_date _tenantID.your_schema_name.touchpointsDetail.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
produto _tenantID.your_schema_name.conversion.product
product_type _tenantID.your_schema_name.conversion.product_type
geografia _tenantID.your_schema_name.conversion.geo
event_type eventType
media_type _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.mediaType
canal _tenantID.your_schema_name.touchpointsDetail.element.touchpoint.mediaChannel
ação _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

Próximas etapas

Depois de preparar seus dados e ter todas as credenciais e esquemas em vigor, comece seguindo o guia do usuário do Attribution AI. Este guia aborda a criação de uma instância para o Attribution AI.

Nesta página