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 os seguintes conjuntos de dados para calcular pontuações algorítmicas:

  • Conjuntos de dados do Adobe Analytics usando o Conector de origem do Analytics
  • Conjuntos de dados do Evento de experiência (EE) em geral do esquema Adobe Experience Platform
  • Conjuntos de dados CEE (Consumer Experience Event)

Agora é possível adicionar vários conjuntos de dados de diferentes fontes com base na variável mapa de identidade (campo) se cada um dos conjuntos de dados compartilhar o mesmo tipo de identidade (namespace), como uma ECID. Após selecionar uma identidade e um namespace, as métricas de integridade da coluna de ID são exibidas, indicando o volume de dados que estão sendo compilados. Para saber mais sobre como adicionar vários conjuntos de dados, visite o Guia do usuário do Attribution AI.

As informações do canal nem sempre são mapeadas por padrão. Em alguns casos, se mediaChannel (campo) estiver em branco, você não poderá "continuar" até mapear um campo para mediaChannel, pois é uma coluna obrigatória. Se o canal for detectado no conjunto de dados, ele será mapeado para mediaChannel por padrão. As outras colunas, como tipo de mídia e ação de mídia ainda são opcionais.

Depois de mapear o campo de canal, continue para a etapa "Definir eventos", onde é possível selecionar eventos de conversão, eventos de ponto de contato e escolher campos específicos em conjuntos de dados individuais.

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 o dados históricos para verificar se há dados suficientes para calcular pontuações algorítmicas precisas.

Para obter mais detalhes sobre a configuração da variável Consumer Experience Event (CEE), consulte o Preparação de dados dos Serviços inteligentes guia. Para obter mais informações sobre o mapeamento de dados do Adobe Analytics, visite o Mapeamentos de campo do Analytics documentação.

Nem todas as colunas na Consumer Experience Event (CEE) são obrigatórios para o Attribution AI.

Você pode configurar os pontos de contato usando qualquer campo recomendado abaixo no esquema ou no conjunto de dados selecionado.

Colunas recomendadas Necessário para
Campo de identidade primária Ponto de contato / Conversão
Carimbo de data e hora Ponto de contato / Conversão
Canal._Tipo 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
Commerce 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.

Os conjuntos de dados de eventos de experiência (EE) não precisam ter combinações de canal e marketing explicitamente, desde que as informações de canal ou campanha relevantes para configurar um ponto de contato estejam presentes em um dos campos mixin ou pass through .

DICA

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

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.

O configuração da janela de treinamento filtros 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). O janela de retrospectiva 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 mais recentes (6 meses) 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 sobre como visualizar caminhos de pontuação brutos. Para baixar as pontuações usando a API, acesse a download de pontuações no Attribution AI documento.

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 várias Experience Events juntos que são essencialmente o mesmo evento ou devem ser mesclados. 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, Cliente Potencial, 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: US
priceTotal (Double) Verdadeiro Receitas provenientes 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, Adobe Analytics ID (AAID) ou Experience Cloud ID (ECID, também conhecida como MCID ou como ID de visitante) 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 pontuações de atribuição agregada seção.
touchPoint (objeto) Verdadeiro Metadados de ponto de contato. Para obter mais informações sobre as pontuações produzidas nesse objeto, consulte a pontuações agregadas seção.

Visualização de caminhos de pontuação bruta (UI)

Você pode visualizar o caminho para suas pontuações brutas na interface do usuário do . Comece selecionando Esquemas na interface do usuário da plataforma , procure e selecione o esquema de pontuações do AI de atribuição no Procurar guia .

Escolha seu esquema

Em seguida, selecione um campo dentro da variável Estrutura da interface do usuário, a Propriedades do campo será aberta. Within 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 quiser baixar suas pontuações brutas, visite a download de pontuações no Attribution AI documentação.

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 O channel._type propriedade que é usada para fornecer uma classificação aproximada de canais com propriedades semelhantes no Consumer Experience Event XDM.
Exemplo: PESQUISA
action (String) ENUM Falso O 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 quiser baixar suas pontuações brutas, visite a download de pontuações no Attribution AI documentação. Para visualizar os caminhos de pontuação bruta na interface do usuário, visite a seção em como visualizar caminhos de pontuação brutos 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
channel _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
IMPORTANTE
  • O Attribution AI usa apenas dados atualizados para treinamento e pontuação adicionais. Da mesma forma, quando você solicita a exclusão de dados, o Customer AI se abstém de usar os dados excluídos.
  • O Attribution AI usa conjuntos de dados da plataforma. Para dar suporte às solicitações de direitos do consumidor que uma marca pode receber, as marcas devem usar o Platform Privacy Service para enviar solicitações de acesso e exclusão do consumidor, a fim de remover seus dados no lago de dados, no Serviço de identidade e no Perfil do cliente em tempo real.
  • Todos os conjuntos de dados que usamos para entrada/saída de modelos seguirão as diretrizes da plataforma. A Criptografia de dados da plataforma se aplica aos dados em repouso e em trânsito. Consulte a documentação para saber mais sobre criptografia de dados

Próximas etapas

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

Nesta página