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 :

  • Jeux de données Adobe Analytics utilisant le connecteur source Analytics
  • Jeux de données d’événements d’expérience (EE) en général à partir d’un schéma Adobe Experience Platform
  • Jeux de données d’événements d’expérience client (CEE)

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.

IMPORTANT
Le connecteur source Adobe Analytics peut prendre jusqu’à quatre semaines pour renvoyer les données. Si vous avez récemment configuré un connecteur, vous devez vérifier que le jeu de données contient la longueur minimale de données requise pour l’IA dédiée à l’attribution. Veuillez consulter la section données historiques pour vérifier que vous disposez de suffisamment de données pour calculer des scores algorithmiques précis.

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.

Colonnes recommandées
Nécessaire pour
Champ d’identité du Principal
Point de contact/conversion
Date et heure
Point de contact/conversion
Canal._type
Point de contact
Channel.mediaAction
Point de contact
Channel.mediaType
Point de contact
Marketing.trackingCode
Point de contact
Marketing.campaignname
Point de contact
Marketing.campaigngroup
Point de contact
Commerce
Conversion

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.

TIP
Si vous utilisez des données Adobe Analytics dans votre schéma CEE, les informations de point de contact pour Analytics sont généralement stockées dans channel.typeAtSource (par exemple, channel.typeAtSource = 'email').

Données historiques data-requirements

IMPORTANT
La quantité minimale de données nécessaire au fonctionnement de l’IA dédiée à l’attribution est la suivante :
  • Vous devez fournir au moins 3 mois (90 jours) de données pour exécuter un modèle correct.
  • Vous avez besoin d’au moins 1 000 conversions.

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

TIP
La longueur minimale de données requise pour une application avec des configurations par défaut est de : 2 trimestres (180 jours) + 56 jours = 236 jours.

Exemple :

  • Vous devez attribuer les événements de conversion qui se sont produits au cours des 90 derniers jours (3 mois) et suivre tous les points de contact qui se sont produits au cours des 4 semaines précédant l’événement de conversion. La durée des données d’entrée doit s’étendre sur les 90 derniers jours + 28 derniers jours (4 semaines). L’intervalle de formation est de 90 jours et l’intervalle de recherche en amont de 28 jours, soit un total de 118 jours.

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.

NOTE
Vous pouvez afficher n’importe quelle colonne de création de rapports souhaitée à partir du jeu de données d’entrée dans le jeu de données de sortie de score uniquement si l’une des conditions suivantes est vraie :
  • La colonne de création de rapports est incluse dans la page de configuration dans le cadre de la configuration des points de contact ou des définitions de conversion.
  • La colonne de rapport est incluse dans les colonnes supplémentaires du jeu de données de note.

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

Nom de la colonne (DataType)
Nul
Description
timestamp (DateTime)
False
Heure à laquelle un événement de conversion ou une observation s’est produit.
Exemple : 2020-06-09T00:01:51.000Z
identityMap (carte)
True
identityMap de l’utilisateur similaire au format XDM CEE.
eventType (chaîne)
True
Type d’événement principal pour cet enregistrement de série temporelle.
Exemple : « Commande », « Achat », « Visite »
eventMergeId (chaîne)
True
Identifiant à mettre en corrélation ou à fusionner plusieurs Experience Events qui constituent essentiellement le même événement ou qui doivent être fusionnés. Ce champ est destiné à être renseigné par le producteur de données avant l’ingestion.
Exemple : 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_id (chaîne)
False
Identifiant unique de l’événement de série temporelle.
Exemple : 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_tenantId (objet)
False
Conteneur d'objets de niveau supérieur correspondant à votre ID de client.
Exemple : _atsdsnrmsv2
your_schema_name (objet)
False
Noter la ligne avec l’événement de conversion, tous les événements de point de contact qui y sont associés et leurs métadonnées.
Exemple : scores de l’IA dédiée à l’attribution - Nom du modèle __2020
segmentation (chaîne)
True
Segment de conversion tel que la segmentation géographique en fonction de laquelle le modèle est créé. En cas d’absence de segments, segment est identique à conversionName.
Exemple: ORDER_US
conversionName (chaîne)
True
Nom de la conversion qui a été configurée lors de la configuration.
Exemple : Commande, Lead, Visite
conversion (objet)
False
Colonnes de métadonnées de conversion.
dataSource (chaîne)
True
Identification unique globale d’une source de données.
Exemple : Adobe Analytics
eventSource (chaîne)
True
Source au moment où l’événement réel s’est produit.
Exemple: Adobe.com
eventType (chaîne)
True
Type d’événement principal pour cet enregistrement de série temporelle.
Exemple : Order
geo (chaîne)
True
Emplacement géographique où la conversion a été diffusée placeContext.geo.countryCode.
Exemple : US
priceTotal (Double)
True
Chiffre d’affaires généré par le
de conversion Exemple : 99.9
product (chaîne)
True
Identifiant XDM du produit lui-même.
Exemple : RX 1080 ti
productType (chaîne)
True
Nom d’affichage du produit tel qu’il est présenté à l’utilisateur pour cette vue de produit.
Exemple : Gpu
quantity (entier)
True
Quantité achetée lors de la conversion.
Exemple : 1 1080 ti
receivedTimestamp (DateTime)
True
Date et heure de réception de la conversion.
Exemple : 2020-06-09T00:01:51.000Z
skuId (chaîne)
True
Unité de stock (SKU), identifiant unique d’un produit défini par le fournisseur.
Exemple : MJ-03-XS-Black
timestamp (DateTime)
True
Date et heure de la conversion.
Exemple : 2020-06-09T00:01:51.000Z
passThrough (objet)
True
Colonnes du jeu de données de note supplémentaires spécifiées par l’utilisateur lors de la configuration du modèle.
commerce_order_purchaseCity (chaîne)
True
Colonne de jeu de données de score supplémentaire.
Exemple : ville : San Jose
customerProfile (objet)
False
Détails d’identité de l’utilisateur ou de l’utilisatrice utilisés pour créer le modèle.
identity (objet)
False
Contient les détails de l’utilisateur ou de l’utilisatrice utilisé(e) pour créer le modèle, tels que id et namespace.
id (chaîne)
True
ID d’identité de l’utilisateur tel que l’ID de cookie, l’ID Adobe Analytics (AAID) ou l’ID Experience Cloud (ECID, également appelé MCID ou en tant qu’ID de visiteur), etc.
Exemple : 17348762725408656344688320891369597404
namespace (String)
True
Espace de noms d’identité utilisé pour créer les chemins d’accès et donc le modèle.
Exemple : aaid
touchpointsDetail (Tableau d’objets)
True
La liste des détails des points de contact qui ont conduit à la conversion classée par
touchpointName (chaîne)
True
Nom du point de contact qui a été configuré lors de la configuration.
Exemple : PAID_SEARCH_CLICK
scores (objet)
True
Contribution du point de contact à cette conversion sous forme de score. Pour plus d’informations sur les scores générés dans cet objet, consultez la section scores d’attribution agrégés.
touchPoint (objet)
True
Métadonnées du point de contact. Pour plus d’informations sur les scores générés dans cet objet, reportez-vous à la section scores agrégés.

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.

Choisissez votre schéma

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.

Choisir un schéma

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 :

Scores d’attribution
Description
Influencé (algorithmique)
Le score influencé représente la fraction de la conversion dont chaque point de contact marketing est à l’origine.
Incrémentiel (algorithmique)
Le score incrémentiel représente le degré d’impact marginal directement causé par un point de contact marketing.
Première touche
Score d’attribution basé sur des règles qui attribue tous les crédits au point de contact initial d’un chemin de conversion.
Dernière touche
Score d’attribution basé sur des règles qui attribue tous les crédits au point de contact le plus proche de la conversion.
Linéaire
Score d’attribution basé sur des règles qui répartit de manière égale les crédits entre chaque point de contact d’un chemin de conversion.
En forme de U
Score d’attribution basé sur des règles qui attribue 40 % des crédits au premier point de contact et 40 % des crédits au dernier point de contact. Les autres points de contact se partagent de manière égale les 20 % restants.
Décroissance temporelle
Score d’attribution basé sur des règles qui attribue plus de crédits aux points de contact les plus proches de la conversion par rapport aux points de contact plus éloignés dans le temps de la conversion.

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 d’attribution
Colonne de référence de score brut
Influencé (algorithmique)
_tenantID.your_schema_name.element.touchpoint.algorithmicInfluected
Incrémentiel (algorithmique)
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.algorithmicInfluected
Première touche
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.firstTouch
Dernière touche
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.lastTouch
Linéaire
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.linéaire
En forme de U
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.uShape
Décroissance temporelle
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.decayUnits

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.

Nom de la colonne
Contrainte
Nul
Description
customerevents_date (DateTime)
Format défini et fixe par l’utilisateur
False
Date de l’événement client au format AAAA-MM-JJ.
Exemple : 2016-05-02
mediatouchpoints_date (DateTime)
Format défini et fixe par l’utilisateur
True
Date du point de contact du média au format AAAA-MM-JJ
Exemple : 21/04/2017
segment (chaîne)
Calculé
False
Segment de conversion tel que la segmentation géographique sur laquelle le modèle est créé. En cas d’absence de segments, segment est identique à conversion_scope.
Exemple : ORDER_AMER
conversion_scope (chaîne)
Défini par l’utilisateur
False
Nom de la conversion tel que configuré par l’utilisateur.
Exemple : ORDER
touchpoint_scope (chaîne)
Défini par l’utilisateur
True
Nom du point de contact tel que configuré par l’
utilisateur Exemple : PAID_SEARCH_CLICK
product (chaîne)
Défini par l’utilisateur
True
Identifiant XDM du produit.
Exemple : CC
product_type (chaîne)
Défini par l’utilisateur
True
Nom d’affichage du produit tel qu’il est présenté à l’utilisateur pour cette vue de produit.
Exemple : processeurs graphiques, ordinateurs portables
geo (chaîne)
Défini par l’utilisateur
True
Emplacement géographique où la conversion a été effectuée (placeContext.geo.countryCode)
Exemple : États-Unis
event_type (chaîne)
Défini par l’utilisateur
True
Type d’événement principal pour cet enregistrement de série temporelle
Exemple : Conversion payante
media_type (chaîne)
ENUM
False
Décrit le type de média : exposition médiatique achetée, exposition médiatique détenue ou exposition médiatique gagnée.
Exemple : PAYANT, PROPRIÉTAIRE
channel (chaîne)
ENUM
False
La propriété channel._type utilisée pour fournir une classification grossière des canaux avec des propriétés similaires dans Consumer Experience Event XDM.
Exemple : RECHERCHE
action (chaîne)
ENUM
False
La propriété mediaAction est utilisée pour fournir un type d’action de média d’événement d’expérience.
Exemple : CLICK
campaign_group (chaîne)
Défini par l’utilisateur
True
Nom du groupe de campagnes dans lequel plusieurs campagnes sont regroupées, comme « 50%_DISCOUNT ».
Exemple : COMMERCIAL
campaign_name (chaîne)
Défini par l’utilisateur
True
Nom de la campagne utilisé pour identifier la campagne marketing, tel que « 50%_DISCOUNT_USA » ou « 50%_DISCOUNT_ASIA ».
Exemple : Thanksgiving Sale

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.

Nom de la colonne
Colonne de référence de score brut
customerevents_date
date et heure
mediatouchpoints_date
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.timestamp
segment
_tenantID.your_schema_name.segmentation
conversion_scope
_tenantID.your_schema_name.conversion.conversionName
touchpoint_scope
_tenantID.your_schema_name.touchpointsDetail.element.touchpointName
produit
_tenantID.your_schema_name.conversion.product
product_type
_tenantID.your_schema_name.conversion.product_type
géo
_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
action
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.mediaAction
campaign_group
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.campaignGroup
nom_campagne
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.campaignName
IMPORTANT
  • L’IA dédiée à l’attribution utilise uniquement des données mises à jour pour la formation et la notation. De même, lorsque vous demandez la suppression de données, l’IA dédiée aux clients s’abstient d’utiliser les données supprimées.
  • L’IA dédiée à l’attribution utilise les jeux de données Experience Platform. Pour prendre en charge les demandes de droits des consommateurs qu’une marque peut recevoir, les marques doivent utiliser Experience Platform Privacy Service pour envoyer les demandes d’accès et de suppression des clients afin de supprimer leurs données dans le lac de données, le service d’identités et le profil client en temps réel.
  • Tous les jeux de données que nous utilisons pour l’entrée/la sortie des modèles suivront les directives d’Experience Platform. Le chiffrement des données d’Experience Platform s’applique aux données au repos et en transit. Consultez la documentation pour en savoir plus sur le chiffrement des données

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.

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