Entrée et sortie en Attribution AI

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

Attribution AI des données d’entrée

L’IA dédiée à l’attribution analyse les jeux de données suivants pour calculer les scores algorithmiques :

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

Les informations du canal ne sont pas toujours mappées par défaut. Dans certains cas, si le 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 à mediaChannel par défaut. Les autres colonnes telles que type de média et action de média sont toujours facultatives.

Après avoir mappé le champ de canal, passez à l’étape « Définir des événements » où vous pouvez sélectionner les événements de conversion et les événements de point de contact, puis choisir des champs spécifiques à partir de jeux de données individuels.

Pour plus d’informations sur la configuration du schéma Consumer Experience Event (CEE), reportez-vous au guide Préparation des données des services intelligents. Pour plus d’informations sur le mappage des données d’Adobe Analytics, consultez la documentation Mappages de champs d’Analytics.

Toutes les colonnes du schéma Consumer Experience Event (CEE) ne sont pas obligatoires pour l’IA dédiée à l’attribution.

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 les colonnes de conversion telles que les commandes, les achats et les passages en caisse sous « commerce ». Les colonnes « canal » et « marketing » sont utilisées pour définir les points de contact d’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 n’importe quelle 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 pertinentes pour configurer un point de contact sont présentes dans l’un des champs de mixin ou de transmission.

Données historiques data-requirements

L’IA dédiée à l’attribution nécessite des données historiques comme entrée pour l’entraînement du modèle. La durée des données requises est principalement déterminée par deux facteurs clés : le créneau d’entraînement et le créneau de recherche en amont. Les entrées avec des fenêtres d’entraînement plus courtes sont plus sensibles aux tendances récentes, tandis que des fenêtres d’entraînement plus longues permettent de produire des modèles plus stables et plus précis. Il est important de modéliser l’objectif avec des données historiques qui représentent le mieux les objectifs de votre entreprise.

La configuration de la fenêtre de formation filtre les événements de conversion définis à inclure pour la formation du modèle en fonction du temps d’occurrence. Actuellement, la fenêtre de formation minimale est de 1 trimestre (90 jours). L’intervalle de recherche en amont fournit une période indiquant le nombre de jours avant l’inclusion des points de contact de l’événement de conversion liés à cet événement de conversion. L’ensemble de ces deux concepts détermine la quantité de données d’entrée (mesurée en jours) requise pour une application.

Par défaut, l’IA dédiée à l’attribution définit la fenêtre de formation comme les 2 derniers trimestres (6 mois) et la fenêtre de recherche en amont comme 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 au cours des 56 jours précédant le ou les événements de conversion associés.

Formule  :

Longueur minimale des données requises = créneau de formation + créneau de recherche en amont

Exemple :

Données de sortie de l’IA dédiée à l’attribution

L’IA dédiée à l’attribution génère les éléments suivants :

Exemple de schéma de sortie :

Scores granulaires bruts raw-granular-scores

L’IA dédiée à l’attribution génère les scores d’attribution au niveau le plus granulaire possible afin que vous puissiez découper les scores selon n’importe quelle colonne de score. Pour afficher ces scores dans l’interface utilisateur, lisez la section sur l’affichage des chemins des scores bruts. Pour télécharger les scores à l’aide de l’API, consultez le document téléchargement des scores dans l’IA dédiée à l’attribution.

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. Commencez par sélectionner Schémas dans l’interface utilisateur d’Experience Platform, puis recherchez et sélectionnez votre schéma de scores de l’IA dédiée à l’attribution dans l’onglet Parcourir.

Sélectionnez ensuite 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 qui correspond à vos scores bruts.

Notes d’attribution agrégées aggregated-attribution-scores

Les scores agrégés peuvent être téléchargés au format CSV à partir de l’interface utilisateur d’Experience 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 IA dédiée à l’attribution provenant 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 de score brut (scores d’attribution)

Le tableau ci-dessous mappe les scores d’attribution aux scores bruts. Si vous souhaitez télécharger vos scores bruts, consultez la documentation téléchargement des scores dans l’IA dédiée à l’attribution.

Scores agrégés aggregated-scores

Les scores agrégés peuvent être téléchargés au format CSV à partir de l’interface utilisateur d’Experience Platform si la période est inférieure à 30 jours. Pour plus d’informations sur chacune de ces colonnes agrégées, consultez le tableau ci-dessous.

Référence de score brut (agrégée)

Le tableau ci-dessous mappe les scores agrégés aux scores bruts. Si vous souhaitez télécharger vos scores bruts, consultez la documentation téléchargement des scores dans l’IA dédiée à l’attribution. Pour afficher les chemins d’accès aux notes brutes depuis l’interface utilisateur, consultez la section sur l’affichage des chemins d’accès aux notes brutes dans ce document.

Étapes suivantes next-steps

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