Invoer en uitvoer in Attribution AI

In het volgende document worden de verschillende invoer- en uitvoerbestanden beschreven die in Attribution AI worden gebruikt.

Attribution AI invoergegevens

Attribution AI werkt door de volgende datasets te analyseren om algoritmische scores te berekenen:

U kunt veelvoudige datasets van verschillende bronnen nu toevoegen die op de identiteitstoewijzing (gebied) worden gebaseerd als elk van de datasets het zelfde identiteitstype (namespace) zoals ECID deelt. Nadat u een identiteit en een naamruimte hebt geselecteerd, worden maatstaven voor de volledigheid van de kolom van de id weergegeven die het volume aangeven van de gegevens die worden vastgezet. Meer leren over het toevoegen van veelvoudige datasets, bezoek de gebruikersgids van de Attribution AI.

De kanaalgegevens worden niet altijd standaard toegewezen. In sommige gevallen, als mediaChannel (gebied) leeg is, zou u niet kunnen "verdergaan"tot u een gebied aan mediaChannel toewijst aangezien het een vereiste kolom is. Als het kanaal in de dataset wordt ontdekt, wordt het in kaart gebracht aan mediaChannel door gebrek. De andere kolommen zoals media type en media actie zijn nog facultatief.

Nadat u het kanaalveld hebt toegewezen, gaat u verder naar de stap 'Gebeurtenissen definiëren', waar u de conversiegebeurtenissen kunt selecteren, aanraakpuntgebeurtenissen kunt kiezen en specifieke velden kunt kiezen uit afzonderlijke datasets.

Voor meer details bij vestiging het Consumer Experience Event (CEE) schema, gelieve te verwijzen naar de Intelligente gids van de de gegevensvoorbereiding van de Diensten. Voor meer informatie bij het in kaart brengen van de gegevens van Adobe Analytics, bezoek de het gebiedsafbeeldingen van Analyticsdocumentatie.

Niet alle kolommen in het schema Consumer Experience Event (CEE) zijn verplicht voor Attribution AI.

U kunt de aanraakpunten configureren met de velden die hieronder in het schema of de geselecteerde gegevensset worden aanbevolen.

Over het algemeen wordt de toewijzing uitgevoerd bij conversiekolommen zoals bestelling, aankopen en kassa's onder "handel". De kolommen voor "channel" en "marketing" worden gebruikt om aanraakpunten voor Attribution AI (bijvoorbeeld channel._type = 'https://ns.adobe.com/xdm/channel-types/email' ) te definiëren. Voor optimale resultaten en inzichten verdient het aanbeveling zoveel mogelijk conversie- en aanraakpuntkolommen op te nemen. Bovendien hoeft u niet alleen de bovenstaande kolommen te gebruiken. U kunt andere aanbevolen of aangepaste kolommen opnemen als een conversie- of aanraakpuntdefinitie.

Datasets van de de gebeurtenisgebeurtenis van de ervaring (EE) te hoeven niet uitdrukkelijk om Kanaal en Marketing te hebben mengt zolang de kanaal of campagneinformatie relevant om een touchpoint te vormen in één van het mengen of door gebieden aanwezig is.

Historische gegevens data-requirements

Attribution AI vereist historische gegevens als input voor modeltraining. De vereiste gegevensduur wordt hoofdzakelijk bepaald door twee sleutelfactoren: opleidingsvenster en terugkijkvenster. De input met kortere opleidingsvensters is gevoeliger voor recente tendensen, terwijl de langere trainingsvensters helpen stabielere en nauwkeurigere modellen produceren. Het is belangrijk om het doel met historische gegevens te modelleren die uw bedrijfsdoelstellingen het best vertegenwoordigen.

De 🔗 de filteromzettingsgebeurtenissen van de de vensterconfiguratie van de 0} training {worden geplaatst om voor modelopleiding te worden omvat die op voorvaltijd wordt gebaseerd. Momenteel is het minimale trainingsvenster 1 kwart (90 dagen). Het raadplegingsvensterverstrekt een tijdkader dat erop wijst hoeveel dagen voorafgaand aan de omzettingsgebeurtenis touchpoints met betrekking tot deze omzettingsgebeurtenis zou moeten worden omvat. Deze twee concepten bepalen samen de hoeveelheid inputgegevens (die door dagen wordt gemeten) die voor een toepassing wordt vereist.

Standaard definieert Attribution AI het trainingsvenster als de meest recente 2 kwartalen (6 maanden) en terugkijkvenster als 56 dagen. Met andere woorden, het model houdt rekening met alle gedefinieerde conversiegebeurtenissen die zich in de afgelopen twee kwartalen hebben voorgedaan en zoekt naar alle aanraakpunten die zich hebben voorgedaan binnen 56 dagen vóór de bijbehorende conversiegebeurtenis(sen).

Formule:

Minimale lengte van vereiste gegevens = trainingsvenster + terugkijkvenster

Voorbeeld:

Uitvoergegevens Attribution AI

Attribution AI geeft de volgende uitvoer:

schema van de uitvoeroutput van het Voorbeeld:

Ruw granulaat raw-granular-scores

Attribution AI geeft de toewijzingsscores in het meest granulaire niveau weer, zodat u de scores met elke gewenste scorekolom kunt segmenteren en dichten. Om deze scores in UI te bekijken, lees de sectie op het bekijken ruwe scorepaden. Om de scores te downloaden gebruikend API bezoek de downloadende scores in Attribution AIdocument.

In de volgende tabel worden de schemavelden in de voorbeelduitvoer van onbewerkte scores weergegeven:

Onbewerkte muziekpaden weergeven (UI) raw-score-path

U kunt het pad naar de onbewerkte scores weergeven in de gebruikersinterface. Selecteer eerst Schemas in de gebruikersinterface van het platform en zoek en selecteer vervolgens in het tabblad Browse het schema voor de toewijzing van AI-scores.

Selecteer vervolgens een veld in het Structure -venster van de gebruikersinterface. Het tabblad Field properties wordt geopend. Binnen Field properties bevindt zich het padveld dat wordt toegewezen aan de onbewerkte scores.

Geaggregeerde delingsscores aggregated-attribution-scores

Geaggregeerde scores kunnen in CSV-indeling worden gedownload via de interface van het platform als het datumbereik minder dan 30 dagen bedraagt.

Attribution AI ondersteunt twee categorieën attributiescore, algoritmische en op regels gebaseerde scores.

Attribution AI produceert twee verschillende typen algoritmische scores, incrementeel en beïnvloed. Een beïnvloede score is de fractie van de omzetting die elk marketing aanraakpunt voor verantwoordelijk is. Een incrementele score is de hoeveelheid marginale impact die rechtstreeks wordt veroorzaakt door het marketingaanraakpunt. Het belangrijkste verschil tussen de incrementele score en de beïnvloede score is dat de incrementele score rekening houdt met het basislijneffect. Zij gaat er niet van uit dat een conversie uitsluitend door de voorafgaande marketingaanraakpunten wordt veroorzaakt.

Hier volgt een snel voorbeeld van een Attribution AI-schema-uitvoer uit de Adobe Experience Platform-gebruikersinterface:

Zie de tabel hieronder voor meer informatie over elk van deze toewijzingsscores:

Ruwe verwijzing van de Score (attributiesscores)

In de onderstaande tabel worden de toewijzingsscores toegewezen aan de onbewerkte scores. Als u wenst om uw ruwe scores te downloaden, bezoek de downloadende scores in Attribution AIdocumentatie.

Geaggregeerde scores aggregated-scores

Geaggregeerde scores kunnen in CSV-indeling worden gedownload via de interface van het platform als het datumbereik minder dan 30 dagen bedraagt. Zie de tabel hieronder voor meer informatie over elk van deze geaggregeerde kolommen.

Ruwe (bijeengevoegde) Referentie van de Score

In de onderstaande tabel worden de geaggregeerde scores toegewezen aan de onbewerkte scores. Als u wenst om uw ruwe scores te downloaden, bezoek de downloadende scores in Attribution AIdocumentatie. Om de ruwe scorepaden van binnen UI te bekijken, bezoek de sectie op het bekijken ruwe scorepadenbinnen dit document.

Volgende stappen next-steps

Zodra u uw gegevens hebt voorbereid en al uw geloofsbrieven en schema's op zijn plaats hebt, begin door de gebruikersgids van de Attribution AIte volgen. Deze gids begeleidt u door het creëren van een geval voor Attribution AI.