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.

IMPORTANT
El conector de origen de Adobe Analytics puede tardar hasta cuatro semanas en rellenar los datos. Si ha configurado recientemente un conector, debe comprobar que el conjunto de datos tiene la longitud mínima de datos necesaria para el Attribution AI. Revise la sección datos históricos para verificar que tiene datos suficientes para calcular puntuaciones algorítmicas precisas.

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.

Columnas recomendadas
Necesario para
Campo de identidad principal
Touchpoint / Conversión
Marca de tiempo
Touchpoint / Conversión
Canal._type
Touchpoint
Channel.mediaAction
Touchpoint
Channel.mediaType
Touchpoint
Marketing.trackingCode
Touchpoint
Marketing.campaignname
Touchpoint
Marketing.campaigngroup
Touchpoint
Commerce
Conversión

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.

TIP
Si utiliza datos de Adobe Analytics en su esquema de CEE, la información del punto de contacto para Analytics se almacena generalmente en channel.typeAtSource (por ejemplo, channel.typeAtSource = 'email').

Datos históricos data-requirements

IMPORTANT
La cantidad mínima de datos necesaria para que la Attribution AI funcione es la siguiente:
  • 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

TIP
La longitud mínima de datos requerida para una aplicación con configuraciones predeterminadas es: 2 trimestres (180 días) + 56 días = 236 días.

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.

NOTE
Puede ver cualquier columna de creación de informes que desee del conjunto de datos de entrada en el conjunto de datos de salida de puntuación solo si alguna de las siguientes opciones es verdadera:
  • 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:

Nombre de columna (DataType)
Nullable
Descripción
timestamp (DateTime)
False
El momento en que se produjo un evento de conversión o una observación.
Ejemplo: 2020-06-09T00:01:51.000Z
identityMap (mapa)
True
identityMap del usuario similar al formato XDM de CEE.
eventType (String)
True
El tipo de evento principal para este registro de serie temporal.
Ejemplo: "Pedido", "Compra", "Visita"
eventMergeId (String)
True
Identificador para correlacionar o combinar varios(as) Experience Events que son, en esencia, el mismo evento o que deben combinarse. Está previsto que el productor de datos lo rellene antes de la ingesta.
Ejemplo: 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_id (cadena)
False
Un identificador único del evento de la serie temporal.
Ejemplo: 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_tenantId, objeto
False
El contenedor de objeto de nivel superior correspondiente a su ID de tienda de campaña.
Ejemplo: _atsdsnrmmsv2
your_schema_name, objeto
False
Fila de puntuación con evento de conversión: todos los eventos de punto de contacto asociados a él y sus metadatos.
Ejemplo: puntuaciones de Attribution AI - Nombre de modelo__2020
segmentation (String)
True
Segmento de conversión, como la segmentación geográfica con el que se crea el modelo. En caso de ausencia de segmentos, el segmento es el mismo que conversionName.
Ejemplo: ORDER_US
conversionName (String)
True
Nombre de la conversión que se configuró durante la configuración.
Ejemplo: pedido, posible cliente, visita
conversion, objeto
False
Columnas de metadatos de conversión.
dataSource (String)
True
Identificación global única de una fuente de datos.
Ejemplo: Adobe Analytics
eventSource (String)
True
Origen cuando se produjo el evento real.
Ejemplo: Adobe.com
eventType (String)
True
El tipo de evento principal para este registro de serie temporal.
Ejemplo: Pedido
geo (cadena)
True
Ubicación geográfica donde se entregó la conversión placeContext.geo.countryCode.
Ejemplo: EE. UU.
priceTotal (doble)
True
Ingresos obtenidos mediante la conversión
Ejemplo: 99.9
product (String)
True
El identificador de XDM del producto en sí.
Ejemplo: RX 1080 ti
productType (String)
True
El nombre para mostrar del producto tal como se presenta al usuario en esta vista de producto.
Ejemplo: Gpus
cantidad (total)
True
Cantidad comprada durante la conversión.
Ejemplo: 1 1080 ti
receivedTimestamp (DateTime)
True
Marca de tiempo recibida de la conversión.
Ejemplo: 2020-06-09T00:01:51.000Z
skuId (cadena)
True
SKU (código de referencia), el identificador único de un producto definido por el proveedor.
Ejemplo: MJ-03-XS-Black
timestamp (DateTime)
True
Marca de tiempo de la conversión.
Ejemplo: 2020-06-09T00:01:51.000Z
passThrough, objeto
True
Conjunto de datos de puntuación adicional Columnas especificadas por el usuario al configurar el modelo.
commerce_order_purchaseCity (cadena)
True
Columna del conjunto de datos de puntuación adicional.
Ejemplo: ciudad: San José
customerProfile, objeto
False
Detalles de identidad del usuario utilizado para crear el modelo.
identity, objeto
False
Contiene los detalles del usuario utilizado para generar el modelo como id y namespace.
id (cadena)
True
ID de identidad del usuario, como ID de cookie, ID de Adobe Analytics (AAID) o ID de Experience Cloud (ECID, también conocido como MCID o como ID de visitante), etc.
Ejemplo: 17348762725408656344688320891369597404
namespace (String)
True
Área de nombres de identidad utilizada para crear las rutas y, por lo tanto, el modelo.
Ejemplo: aaid
touchpointsDetail (matriz de objetos)
True
La lista de detalles del punto de contacto que llevan a la conversión ordenada por
touchpointName (String)
True
Nombre del punto de contacto que se configuró durante la configuración.
Ejemplo: PAID_SEARCH_CLICK
score, objeto
True
Contribución de punto de contacto a esta conversión como puntuación. Para obtener más información sobre las puntuaciones producidas dentro de este objeto, consulte la sección puntuaciones de atribución agregadas.
touchPoint, objeto
True
Metadatos de Touchpoint. Para obtener más información sobre las puntuaciones generadas dentro de este objeto, consulte la sección puntuaciones agregadas.

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.

Elija su esquema

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.

Elegir un esquema

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:

Puntuaciones de atribución
Descripción
Influenciado (algorítmico)
La puntuación influenciada es la fracción de la conversión de la que es responsable cada punto de contacto de marketing.
Incremental (algorítmico)
La puntuación incremental es la cantidad de impacto marginal causado directamente por un punto de contacto de marketing.
Primer contacto
Puntuación de atribución basada en reglas que asigna todos los créditos al punto de contacto inicial de una ruta de conversión.
Último toque
Puntuación de atribución basada en reglas que asigna todo el crédito al punto de contacto más cercano a la conversión.
Lineal
Puntuación de atribución basada en reglas que asigna crédito igual a cada punto de contacto en una ruta de conversión.
Forma de U
Puntuación de atribución basada en reglas que asigna el 40 % del crédito al primer punto de contacto y el 40 % del crédito al último punto de contacto, mientras que los demás puntos de contacto dividen el 20 % restante de forma equitativa.
Deterioro de tiempo
Puntuación de atribución basada en reglas en la que los puntos de contacto más cercanos a la conversión reciben más crédito que los puntos de contacto que están más lejos en el tiempo de la conversión.

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 de atribución
Columna de referencia de puntuación sin procesar
Influenciado (algorítmico)
_tenantID.your_schema_name.element.touchpoint.algorítmicoInfluencing
Incremental (algorítmico)
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.algorítmicoInfluencing
Primer contacto
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.firstTouch
Último toque
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.lastTouch
Lineal
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.linear
Forma de U
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.uShape
Deterioro de tiempo
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.decayUnits

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.

Nombre de columna
Restricción
Nullable
Descripción
customerevents_date (DateTime)
Formato fijo y definido por el usuario
False
Fecha del evento del cliente en formato AAAA-MM-DD.
Ejemplo: 02-05-2016
mediatouchpoints_date (DateTime)
Formato fijo y definido por el usuario
True
Fecha de punto de contacto de medios en formato AAAA-MM-DD
Ejemplo: 2017-04-21
segment (String)
Calculado
False
Segmento de conversión, como la segmentación geográfica con la que se crea el modelo. En caso de ausencia de segmentos, el segmento es el mismo que conversion_scope.
Ejemplo: ORDER_AMER
conversion_scope (String)
Definido por el usuario
False
Nombre de la conversión según la configuración del usuario.
Ejemplo: ORDER
touchpoint_scope (cadena)
Definido por el usuario
True
Nombre del punto de contacto configurado por el usuario
Ejemplo: PAID_SEARCH_CLICK
product (String)
Definido por el usuario
True
El identificador de XDM del producto.
Ejemplo: CC
product_type (String)
Definido por el usuario
True
El nombre para mostrar del producto tal como se presenta al usuario en esta vista de producto.
Ejemplo: gpus, portátiles
geo (cadena)
Definido por el usuario
True
Ubicación geográfica donde se entregó la conversión (placeContext.geo.countryCode)
Ejemplo: EE. UU.
event_type (String)
Definido por el usuario
True
El tipo de evento principal para este registro de serie temporal
Ejemplo: Conversión de pago
media_type (String)
ENUM
False
Describe si el tipo de medios es de pago, se posee o se obtiene.
Ejemplo: DE PAGO, DE PROPIEDAD
channel (String)
ENUM
False
La propiedad channel._type que se usa para proporcionar una clasificación aproximada de canales con propiedades similares en el XDM Consumer Experience Event.
Ejemplo: SEARCH
action (String)
ENUM
False
La propiedad mediaAction se usa para proporcionar un tipo de acción multimedia de evento de experiencia.
Ejemplo: CLIC
campaign_group (String)
Definido por el usuario
True
Nombre del grupo de campañas donde se agrupan varias campañas como 50%_DESCUENTO.
Ejemplo: COMERCIAL
campaign_name (String)
Definido por el usuario
True
Nombre de la campaña utilizada para identificar la campaña de marketing como 50%_DESCUENTO_USA o 50%_DESCUENTO_ASIA.
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.

Nombre de columna
Columna de referencia de puntuación sin procesar
customerevents_date
timestamp
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
producto
_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
canal
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.mediaChannel
acción
_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
IMPORTANT
  • 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.

recommendation-more-help
8959a20a-a58f-4057-9f82-870706c576e9