Input e output in Attribution AI

Il documento seguente illustra i diversi input e output utilizzati in Attribution AI.

Attribution AI dati di input

Attribution AI funziona analizzando i seguenti set di dati per calcolare i punteggi algoritmici:

Ora puoi aggiungere più set di dati da origini diverse in base al mapping delle identità (campo) se ciascuno dei set di dati condivide lo stesso tipo di identità (spazio dei nomi), ad esempio un ECID. Dopo aver selezionato un’identità e uno spazio dei nomi, vengono visualizzate le metriche di completezza della colonna ID che indicano il volume di dati uniti. Per ulteriori informazioni sull'aggiunta di più set di dati, visitare la guida utente di Attribution AI.

Per impostazione predefinita, le informazioni sul canale non vengono sempre mappate. In alcuni casi, se mediaChannel (campo) è vuoto, non sarà possibile "continuare" finché non si mappa un campo su mediaChannel in quanto si tratta di una colonna obbligatoria. Se il canale viene rilevato nel set di dati, viene mappato su mediaChannel per impostazione predefinita. Le altre colonne, ad esempio tipo di supporto e azione supporto, sono ancora facoltative.

Dopo aver mappato il campo del canale, continua con il passaggio "Definisci eventi" in cui puoi selezionare gli eventi di conversione e gli eventi dei punti di contatto e scegliere campi specifici dai singoli set di dati.

Per ulteriori dettagli sulla configurazione dello schema Consumer Experience Event (CEE), fare riferimento alla Guida alla preparazione dei dati di Intelligent Services. Per ulteriori informazioni sulla mappatura dei dati di Adobe Analytics, consulta la documentazione sulle mappature dei campi di Analytics.

Non tutte le colonne dello schema Consumer Experience Event (CEE) sono obbligatorie per l'Attribution AI.

Puoi configurare i punti di contatto utilizzando qualsiasi campo consigliato di seguito nello schema o nel set di dati selezionato.

In genere, l’attribuzione viene eseguita su colonne di conversione come ordine, acquisti e pagamenti in "commerce". Le colonne per "canale" e "marketing" vengono utilizzate per definire i punti di contatto per le Attribution AI (ad esempio, channel._type = 'https://ns.adobe.com/xdm/channel-types/email'). Per risultati e informazioni ottimali, si consiglia vivamente di includere il maggior numero possibile di colonne di conversione e di punti di contatto. Inoltre, non sei limitato alle sole colonne di cui sopra. Puoi includere qualsiasi altra colonna consigliata o personalizzata come definizione di conversione o punto di contatto.

I set di dati dell’evento esperienza (EE) non devono disporre esplicitamente di mixin di canale e marketing, purché le informazioni sul canale o sulla campagna rilevanti per la configurazione di un punto di contatto siano presenti in uno dei campi mixin o pass-through.

Dati storici data-requirements

Attribution AI richiede dati storici come input per l’apprendimento dei modelli. La durata dei dati richiesta è determinata principalmente da due fattori chiave: l’intervallo di formazione e l’intervallo di lookback. Gli input con finestre di formazione più brevi sono più sensibili alle tendenze recenti, mentre finestre di formazione più lunghe contribuiscono a produrre modelli più stabili e precisi. È importante modellare l’obiettivo con dati storici che rappresentino al meglio i tuoi obiettivi aziendali.

La configurazione della finestra di formazione filtra gli eventi di conversione impostati per essere inclusi nell'apprendimento del modello in base al tempo di occorrenza. Attualmente, la finestra di formazione minima è di 1 trimestre (90 giorni). L'intervallo di lookback fornisce un intervallo di tempo che indica quanti giorni prima devono essere inclusi i punti di contatto dell'evento di conversione correlati a questo evento di conversione. Questi due concetti determinano insieme la quantità di dati di input (misurati in giorni) necessari per un'applicazione.

Per impostazione predefinita, Attribution AI definisce l’intervallo di formazione come i 2 trimestri (6 mesi) più recenti e l’intervallo di lookback come 56 giorni. In altre parole, il modello prenderà in considerazione tutti gli eventi di conversione definiti che si sono verificati negli ultimi 2 trimestri e cercherà tutti i punti di contatto che si sono verificati entro 56 giorni prima degli eventi di conversione associati.

Formula:

Lunghezza minima dei dati richiesti = intervallo di formazione + intervallo di lookback

Esempio:

Attribution AI dati di output

Attribution AI produce i seguenti risultati:

Esempio di schema di output:

Punteggi granulari non elaborati raw-granular-scores

Attribution AI restituisce i punteggi di attribuzione nel livello più granulare possibile, in modo da poter suddividere i punteggi in base a qualsiasi colonna di punteggio. Per visualizzare questi punteggi nell'interfaccia utente, leggi la sezione su visualizzazione dei percorsi di punteggio non elaborati. Per scaricare i punteggi utilizzando l'API, visita il documento download dei punteggi in Attribution AI.

La tabella seguente illustra i campi dello schema nell’output dell’esempio di punteggi non elaborati:

Visualizzazione dei percorsi di punteggio non elaborati (UI) raw-score-path

Puoi visualizzare il percorso dei punteggi non elaborati nell’interfaccia utente. Inizia selezionando Schemi nell'interfaccia utente di Platform, quindi cerca e seleziona lo schema dei punteggi di IA per l'attribuzione dalla scheda Sfoglia.

Quindi, seleziona un campo nella finestra Struttura dell'interfaccia utente. Verrà aperta la scheda Proprietà campo. All'interno di Proprietà campo è il campo percorso mappato ai punteggi non elaborati.

Punteggi di attribuzione aggregati aggregated-attribution-scores

I punteggi aggregati possono essere scaricati in formato CSV dall’interfaccia utente di Platform se l’intervallo di date è inferiore a 30 giorni.

Attribution AI supporta due categorie di punteggi di attribuzione, algoritmici e basati su regole.

Attribution AI produce due diversi tipi di punteggi algoritmici, incrementali e influenzati. Un punteggio influenzato è la frazione della conversione di cui è responsabile ogni punto di contatto di marketing. Un punteggio incrementale è la quantità di impatto marginale causato direttamente dal punto di contatto di marketing. La differenza principale tra il punteggio incrementale e il punteggio influenzato è che il punteggio incrementale tiene conto dell’effetto al basale. Non presuppone che una conversione sia causata esclusivamente dai precedenti punti di contatto di marketing.

Ecco un esempio di output con schema di Attribution AI dall’interfaccia utente di Adobe Experience Platform:

Per ulteriori dettagli su ciascuno di questi punteggi di attribuzione, consulta la tabella seguente:

Riferimento punteggio non elaborato (punteggi di attribuzione)

La tabella seguente mappa i punteggi di attribuzione in base ai punteggi non elaborati. Se desideri scaricare i tuoi punteggi non elaborati, visita la sezione download dei punteggi nella documentazione di Attribution AI.

Punteggi aggregati aggregated-scores

I punteggi aggregati possono essere scaricati in formato CSV dall’interfaccia utente di Platform se l’intervallo di date è inferiore a 30 giorni. Per ulteriori dettagli su ciascuna di queste colonne aggregate, consulta la tabella seguente.

Riferimento punteggio non elaborato (aggregato)

La tabella seguente mappa i punteggi aggregati sui punteggi non elaborati. Se desideri scaricare i tuoi punteggi non elaborati, visita la sezione download dei punteggi nella documentazione di Attribution AI. Per visualizzare i percorsi di punteggio non elaborati dall'interfaccia utente, visitare la sezione visualizzazione dei percorsi di punteggio non elaborati in questo documento.

Passaggi successivi next-steps

Dopo aver preparato i dati e aver impostato tutte le credenziali e gli schemi, inizia seguendo la guida utente di Attribution AI. Questa guida illustra come creare un’istanza per Attribution AI.