Entrada y salida en Attribution AI
El siguiente documento describe las diferentes entradas y salidas utilizadas en Attribution AI.
Attribution AI datos de entrada
Attribution AI funciona analizando los siguientes conjuntos de datos para calcular puntuaciones algorítmicas:
- Conjuntos de datos de Adobe Analytics que usan el conector de origen de Analytics
- Conjuntos de datos de Evento de experiencia (EE) en general desde el esquema de Adobe Experience Platform
- Conjuntos de datos de Evento de experiencia del consumidor (CEE)
Ahora puede agregar varios conjuntos de datos de diferentes fuentes en función del mapa de identidad (campo) si cada uno de los conjuntos de datos comparte el mismo tipo de identidad (área de nombres), como un ECID. Después de seleccionar una identidad y un área de nombres, aparecen las métricas de integridad de la columna de ID que indican el volumen de datos que se están vinculando. Para obtener más información sobre cómo agregar varios conjuntos de datos, visite la guía de usuario de Attribution AI.
La información del canal no siempre está asignada de forma predeterminada. En algunos casos, si mediaChannel (campo) está en blanco, no podrá "continuar" hasta que asigne un campo a mediaChannel, ya que es una columna obligatoria. Si el canal se detecta en el conjunto de datos, se asigna a mediaChannel de forma predeterminada. Las otras columnas, como tipo de medios y acción de medios, siguen siendo opcionales.
Después de asignar el campo de canal, continúe con el paso Definir eventos, donde puede seleccionar los eventos de conversión, los eventos de punto de contacto y elegir campos específicos de conjuntos de datos individuales.
Para obtener más información sobre la configuración del esquema Consumer Experience Event (CEE), consulte la guía de preparación de datos de servicios inteligentes. Para obtener más información sobre la asignación de datos de Adobe Analytics, visite la documentación de asignaciones de campos de Analytics.
No todas las columnas del esquema Consumer Experience Event (CEE) son obligatorias para la Attribution AI.
Puede configurar los puntos de contacto mediante cualquier campo recomendado a continuación en el esquema o el conjunto de datos seleccionado.
Normalmente, la atribución se ejecuta en columnas de conversión como pedidos, compras y cierres de compra en comercio. Las columnas "canal" y "marketing" se utilizan para definir puntos de contacto para la Attribution AI (por ejemplo, channel._type = 'https://ns.adobe.com/xdm/channel-types/email'). Para obtener resultados y perspectivas óptimos, se recomienda incluir tantas columnas de conversión y punto de contacto como sea posible. Además, no está limitado solo a las columnas anteriores. Puede incluir cualquier otra columna recomendada o personalizada como conversión o definición de punto de contacto.
Los conjuntos de datos de evento de experiencia (EE) no necesitan tener explícitamente mezclas de canal y marketing, siempre que la información de canal o campaña relevante para configurar un punto de contacto esté presente en uno de los campos de mezcla o paso a través.
channel.typeAtSource (por ejemplo, channel.typeAtSource = 'email').Datos históricos data-requirements
- Debe proporcionar datos durante al menos 3 meses (90 días) para ejecutar un buen modelo.
- Necesita al menos 1000 conversiones.
El Attribution AI requiere datos históricos como entrada para la formación del modelo. La duración de los datos requerida viene determinada principalmente por dos factores clave: ventana de formación y ventana retrospectiva. La entrada con ventanas de formación más cortas es más sensible a las tendencias recientes, mientras que las ventanas de formación más largas ayudan a producir modelos más estables y precisos. Es importante modelar el objetivo con datos históricos que mejor representen los objetivos de su negocio.
La configuración de la ventana de aprendizaje filtra los eventos de conversión establecidos para que se incluyan en la formación de modelos en función del tiempo de ocurrencia. Actualmente, la ventana de formación mínima es de 1 trimestre (90 días). La ventana retrospectiva proporciona un intervalo de tiempo que indica cuántos días antes del evento de conversión se deben incluir los puntos de contacto relacionados con este evento de conversión. Estos dos conceptos determinan juntos la cantidad de datos de entrada (medidos por días) necesarios para una aplicación.
De forma predeterminada, Attribution AI define la ventana de formación como los dos trimestres (6 meses) más recientes y la ventana retrospectiva como 56 días. En otras palabras, el modelo tendrá en cuenta todos los eventos de conversión definidos que se han producido en los últimos 2 trimestres y buscará todos los puntos de contacto que se han producido en los 56 días anteriores a los eventos de conversión asociados.
fórmula:
Longitud mínima de datos necesaria = ventana de formación + ventana retrospectiva
Por ejemplo:
- Desea atribuir eventos de conversión que se hayan producido en los últimos 90 días (3 meses) y rastrear todos los puntos de contacto que se han producido en las 4 semanas anteriores al evento de conversión. La duración de los datos de entrada debe ser de 90 días + 28 días (4 semanas). La ventana de formación es de 90 días y la ventana retrospectiva es de 28 días, con un total de 118 días.
datos de salida de Attribution AI
Attribution AI genera lo siguiente:
Ejemplo de esquema de salida:
Puntuaciones granulares sin procesar raw-granular-scores
Attribution AI genera puntuaciones de atribución en el nivel más granular posible, para que pueda cortar y fragmentar las puntuaciones por cualquier columna de puntuación. Para ver estas puntuaciones en la interfaz de usuario, lea la sección de visualización de las rutas de puntuación sin procesar. Para descargar las puntuaciones mediante la API, visite el documento descargar puntuaciones en Attribution AI.
- La columna de creación de informes se incluye en la página de configuración como parte de la configuración de punto de contacto o de definición de conversión.
- La columna de creación de informes se incluye en columnas de conjuntos de datos de puntuación adicionales.
La siguiente tabla describe los campos de esquema en la salida de ejemplo de puntuaciones sin procesar:
Ejemplo: 2020-06-09T00:01:51.000Z
Ejemplo: "Pedido", "Compra", "Visita"
Ejemplo: 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
Ejemplo: 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
Ejemplo: _atsdsnrmmsv2
Ejemplo: puntuaciones de Attribution AI - Nombre de modelo__2020
Ejemplo: ORDER_US
Ejemplo: pedido, posible cliente, visita
Ejemplo: Adobe Analytics
Ejemplo: Adobe.com
Ejemplo: Pedido
placeContext.geo.countryCode.Ejemplo: EE. UU.
Ejemplo: 99.9
Ejemplo: RX 1080 ti
Ejemplo: Gpus
Ejemplo: 1 1080 ti
Ejemplo: 2020-06-09T00:01:51.000Z
Ejemplo: MJ-03-XS-Black
Ejemplo: 2020-06-09T00:01:51.000Z
Ejemplo: ciudad: San José
id y namespace.Ejemplo: 17348762725408656344688320891369597404
Ejemplo: aaid
Ejemplo: PAID_SEARCH_CLICK
Visualización de rutas de puntuación sin procesar (IU) raw-score-path
Puede ver la ruta a las puntuaciones sin procesar en la interfaz de usuario. Comience por seleccionar Esquemas en la interfaz de usuario de Platform y luego busque y seleccione su esquema de puntuaciones de inteligencia artificial aplicada a la atribución en la pestaña Examinar.
A continuación, seleccione un campo en la ventana Structure de la interfaz de usuario, y se abrirá la pestaña Field properties. Dentro de Propiedades del campo está el campo de ruta que se asigna a las puntuaciones sin procesar.
Puntuaciones de atribución agregadas aggregated-attribution-scores
Las puntuaciones agregadas se pueden descargar en formato CSV desde la interfaz de usuario de Platform si el intervalo de fecha es inferior a 30 días.
Attribution AI admite dos categorías de puntuaciones de atribución, puntuaciones algorítmicas y basadas en reglas.
Attribution AI produce dos tipos diferentes de puntuaciones algorítmicas, incrementales e influenciadas. Una puntuación influenciada es la fracción de la conversión de la que es responsable cada punto de contacto de marketing. Una puntuación incremental es la cantidad de impacto marginal causado directamente por el punto de contacto de marketing. La principal diferencia entre la puntuación incremental y la puntuación influenciada es que la puntuación incremental tiene en cuenta el efecto de línea de base. No supone que una conversión se deba únicamente a los puntos de contacto de marketing anteriores.
A continuación, se muestra un ejemplo de salida de esquema de Attribution AI desde la interfaz de usuario de Adobe Experience Platform:
Consulte la tabla siguiente para obtener más detalles sobre cada una de estas puntuaciones de atribución:
Referencia de puntuación sin procesar (puntuaciones de atribución)
La siguiente tabla asigna las puntuaciones de atribución a las puntuaciones sin procesar. Si desea descargar sus puntuaciones sin procesar, visite la documentación de descarga de puntuaciones en Attribution AI.
Puntuaciones agregadas aggregated-scores
Las puntuaciones agregadas se pueden descargar en formato CSV desde la interfaz de usuario de Platform si el intervalo de fecha es inferior a 30 días. Consulte la tabla siguiente para obtener más detalles sobre cada una de estas columnas agregadas.
Ejemplo: 02-05-2016
Ejemplo: 2017-04-21
Ejemplo: ORDER_AMER
Ejemplo: ORDER
Ejemplo: PAID_SEARCH_CLICK
Ejemplo: CC
Ejemplo: gpus, portátiles
Ejemplo: EE. UU.
Ejemplo: Conversión de pago
Ejemplo: DE PAGO, DE PROPIEDAD
channel._type que se usa para proporcionar una clasificación aproximada de canales con propiedades similares en el XDM Consumer Experience Event.Ejemplo: SEARCH
mediaAction se usa para proporcionar un tipo de acción multimedia de evento de experiencia.Ejemplo: CLIC
Ejemplo: COMERCIAL
Ejemplo: Venta de Acción de Gracias
Referencia de puntuación sin procesar (agregada)
La siguiente tabla asigna las puntuaciones agregadas a las puntuaciones sin procesar. Si desea descargar sus puntuaciones sin procesar, visite la documentación de descarga de puntuaciones en Attribution AI. Para ver las rutas de puntuación sin procesar desde la interfaz de usuario, visite la sección de visualización de rutas de puntuación sin procesar dentro de este documento.
- Attribution AI solo utiliza datos actualizados para la formación y la puntuación posteriores. Del mismo modo, cuando solicita eliminar datos, la inteligencia artificial aplicada al cliente se abstiene de utilizar los datos eliminados.
- Attribution AI aprovecha los conjuntos de datos de Platform. Para admitir solicitudes de derechos de consumidor que una marca pueda recibir, las marcas deben utilizar Platform Privacy Service para enviar solicitudes de acceso y eliminación de consumidores con el fin de eliminar sus datos en el lago de datos, el servicio de identidad y el perfil del cliente en tiempo real.
- Todos los conjuntos de datos que utilizamos para la entrada/salida de modelos seguirán las directrices de Platform. El cifrado de datos de Platform se aplica a los datos en reposo y en tránsito. Consulte la documentación para obtener más información sobre el cifrado de datos
Pasos siguientes next-steps
Una vez que haya preparado los datos y haya establecido todas sus credenciales y esquemas, comience por seguir la guía de usuario de Attribution AI. Esta guía lo acompaña durante la creación de una instancia de para Attribution AI.