Entrée et sortie dans Attribution AI

Le document suivant décrit les différentes entrées et sorties utilisées dans Attribution AI.

Attribution AI données d’entrée

Attribution AI analyse les jeux de données suivants pour calculer les scores algorithmiques :

Vous pouvez désormais ajouter plusieurs jeux de données provenant de différentes sources en fonction de la carte d’identité (champ) si chacun des jeux de données partage le même type d’identité (espace de noms), tel un ECID. Une fois que vous avez sélectionné une identité et un espace de noms, des mesures d’exhaustivité des colonnes d’identifiants s’affichent, indiquant le volume de données assemblées. Pour en savoir plus sur l’ajout de plusieurs jeux de données, consultez le guide de l’utilisateur Attribution AI.

Les informations du canal ne sont pas toujours mappées par défaut. Dans certains cas, si mediaChannel (champ) est vide, vous ne pourrez pas "continuer" tant que vous n’aurez pas mappé un champ à mediaChannel, car il s’agit d’une colonne obligatoire. Si le canal est détecté dans le jeu de données, il est mappé sur mediaChannel par défaut. Les autres colonnes telles que media type et media action sont toujours facultatives.

Une fois que vous avez mappé le champ de canal, passez à l’étape "Définir les événements" où vous pouvez sélectionner les événements de conversion, les événements de point de contact et sélectionner des champs spécifiques de jeux de données individuels.

Pour plus d’informations sur la configuration du schéma Consumer Experience Event (CEE), reportez-vous au guide de préparation des données Intelligent Services. Pour plus d’informations sur le mappage des données Adobe Analytics, consultez la documentation Mappings de champ Analytics .

Toutes les colonnes du schéma Consumer Experience Event (CEE) ne sont pas obligatoires pour Attribution AI.

Vous pouvez configurer les points de contact à l’aide des champs recommandés ci-dessous dans le schéma ou le jeu de données sélectionné.

En règle générale, l’attribution est exécutée sur des colonnes de conversion telles que la commande, les achats et les passages en caisse sous "commerce". Les colonnes "channel" et "marketing" servent à définir des points de contact pour Attribution AI (par exemple, channel._type = 'https://ns.adobe.com/xdm/channel-types/email'). Pour des résultats et des informations optimaux, il est vivement recommandé d’inclure autant de colonnes de conversion et de points de contact que possible. De plus, vous n’êtes pas limité aux colonnes ci-dessus. Vous pouvez inclure toute autre colonne recommandée ou personnalisée comme définition de conversion ou de point de contact.

Les jeux de données d’événement d’expérience (EE) n’ont pas besoin de disposer explicitement de mixins Canal et Marketing tant que les informations de canal ou de campagne relatives à la configuration d’un point de contact sont présentes dans l’un des mixins ou traversent les champs.

Données historiques data-requirements

Attribution AI nécessite des données historiques comme entrée pour la formation des modèles. La durée des données requises est principalement déterminée par deux facteurs clés : la période de formation et la période d’analyse. Les entrées avec des fenêtres de formation plus courtes sont plus sensibles aux tendances récentes, tandis que des fenêtres de formation plus longues permettent de produire des modèles plus stables et précis. Il est important de modéliser l’objectif avec des données historiques qui représentent le mieux vos objectifs commerciaux.

La configuration de la fenêtre de formation filtre les événements de conversion définis pour être inclus pour la formation de modèle en fonction de l’heure d’occurrence. Actuellement, la période de formation minimale est de 1 trimestre (90 jours). La période de recherche arrière fournit une période indiquant le nombre de jours avant l’inclusion des points de contact d’événement de conversion liés à cet événement de conversion. Ces deux concepts déterminent ensemble la quantité de données d’entrée (mesurées en jours) requise pour une application.

Par défaut, Attribution AI définit le créneau de formation comme les deux derniers trimestres (6 mois) et le créneau de recherche arrière comme étant de 56 jours. En d’autres termes, le modèle prend en compte tous les événements de conversion définis qui se sont produits au cours des 2 derniers trimestres et recherche tous les points de contact qui se sont produits dans les 56 jours précédant le ou les événements de conversion associés.

Formule  :

Longueur minimale des données requises = période de formation + période de recherche arrière

Exemple :

Données de sortie Attribution AI

Attribution AI génère les résultats suivants :

Exemple de schéma de sortie :

Scores granulaires bruts raw-granular-scores

Attribution AI génère des scores d’attribution au niveau le plus granulaire possible afin que vous puissiez les découper en fonction de n’importe quelle colonne de score. Pour afficher ces scores dans l’interface utilisateur, lisez la section Affichage des chemins de score brut. Pour télécharger les scores à l’aide de l’API, consultez le document téléchargement des scores dans Attribution AI .

Le tableau suivant décrit les champs de schéma dans l’exemple de sortie de scores bruts :

Affichage des chemins de score brut (interface utilisateur) raw-score-path

Vous pouvez afficher le chemin d’accès à vos scores bruts dans l’interface utilisateur. Sélectionnez tout d’abord Schémas dans l’interface utilisateur de Platform, puis recherchez et sélectionnez votre schéma de scores d’attribution AI dans l’onglet Parcourir .

Ensuite, sélectionnez un champ dans la fenêtre Structure de l’interface utilisateur, l’onglet Propriétés du champ s’ouvre. Dans Propriétés du champ se trouve le champ de chemin d’accès qui correspond à vos scores bruts.

Scores d’attribution agrégés aggregated-attribution-scores

Les scores agrégés peuvent être téléchargés au format CSV depuis l’interface utilisateur de Platform si la période est inférieure à 30 jours.

Attribution AI prend en charge deux catégories de scores d’attribution : les scores algorithmiques et les scores basés sur des règles.

Attribution AI produit deux types différents de scores algorithmiques : les scores incrémentiels et les scores influencés. Un score influencé représente la fraction de la conversion dont chaque point de contact marketing est à l’origine. Un score incrémentiel représente le degré d’impact marginal directement causé par le point de contact marketing. La principale différence entre le score incrémentiel et le score influencé est que le score incrémentiel prend en compte l’effet de base. Il ne présume pas qu’une conversion est provoquée uniquement par les points de contact marketing précédents.

Voici un aperçu rapide d’un exemple de sortie de schéma Attribution AI à partir de l’interface utilisateur de Adobe Experience Platform :

Consultez le tableau ci-dessous pour plus de détails sur chacun de ces scores d’attribution :

Référence du score brut (scores d’attribution)

Le tableau ci-dessous associe les scores d’attribution aux scores bruts. Si vous souhaitez télécharger vos scores bruts, consultez la documentation Téléchargement des scores dans Attribution AI .

Scores agrégés aggregated-scores

Les scores agrégés peuvent être téléchargés au format CSV depuis l’interface utilisateur de Platform si la période est inférieure à 30 jours. Consultez le tableau ci-dessous pour plus de détails sur chacune de ces colonnes agrégées.

Référence du score brut (agrégé)

Le tableau ci-dessous associe les scores agrégés aux scores bruts. Si vous souhaitez télécharger vos scores bruts, consultez la documentation Téléchargement des scores dans Attribution AI . Pour afficher les chemins d’accès aux scores bruts dans l’interface utilisateur, consultez la section sur l’ affichage des chemins d’accès aux scores bruts dans ce document.

Étapes suivantes next-steps

Une fois vos données préparées et vos identifiants et schémas en place, commencez par suivre le guide d’utilisation Attribution AI. Ce guide vous guide tout au long de la création d’une instance pour Attribution AI.