Invoer en uitvoer in Attribution AI
In het volgende document worden de verschillende invoer- en uitvoerbestanden beschreven die worden gebruikt in Attribution AI.
Attribution AI invoergegevens
Attribution AI werkt door de volgende datasets te analyseren om algoritmische scores te berekenen:
- Adobe Analytics-gegevenssets die gebruikmaken van de Bronconnector voor analyse
- Gegevenssets van Experience Event (EE) in het algemeen op basis van het Adobe Experience Platform-schema
- Gegevenssets met consumentenervaringen (CEE)
U kunt nu meerdere datasets toevoegen van verschillende bronnen op basis van de identiteitsbewijs (veld) als elk van de gegevenssets hetzelfde identiteitstype (naamruimte) heeft, zoals een ECID. 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. Ga voor meer informatie over het toevoegen van meerdere datasets naar de Gebruikershandleiding voor 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 mediatype en media, actie zijn nog steeds optioneel.
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 informatie over het instellen van de Consumer Experience Event (CEE) schema, gelieve te verwijzen naar Intelligente services voor het verzamelen van gegevens hulplijn. Ga voor meer informatie over het toewijzen van Adobe Analytics-gegevens naar de Toewijzingen van analytische velden documentatie.
Niet alle kolommen in de Consumer Experience Event (CEE) schema is 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 te definiëren (bijvoorbeeld channel._type = 'https://ns.adobe.com/xdm/channel-types/email'
). 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.
channel.typeAtSource
(bijvoorbeeld channel.typeAtSource = 'email'
).Historische gegevens data-requirements
- U moet minstens 3 maanden (90 dagen) gegevens verstrekken om een goed model in werking te stellen.
- U hebt minstens 1000 conversies nodig.
Attribution AI vereist historische gegevens als input voor modeltraining. De vereiste gegevensduur wordt hoofdzakelijk bepaald door twee sleutelfactoren: trainingsvenster 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 configuratie van trainingsvensters filterconversiegebeurtenissen die moeten worden opgenomen voor modeltraining op basis van de voorvaltijd. Momenteel is het minimale trainingsvenster 1 kwart (90 dagen). De lookback-venster biedt een tijdkader waarin wordt aangegeven hoeveel dagen vóór de conversiegebeurtenis de aanraakpunten met betrekking tot deze conversiegebeurtenis moeten worden opgenomen. 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:
- U wilt conversiegebeurtenissen die zich in de laatste 90 dagen (3 maanden) hebben voorgedaan, toewijzen en alle aanraakpunten bijhouden die binnen 4 weken vóór de conversiegebeurtenis zijn opgetreden. De gegevensduur van de invoer moet zich uitstrekken over de afgelopen 90 dagen + 28 dagen (4 weken). Het trainingsvenster is 90 dagen en het terugkijkvenster is 28 dagen in totaal 118 dagen.
Uitvoergegevens Attribution AI
Attribution AI geeft de volgende uitvoer:
Voorbeeld van uitvoerschema:
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. Als u deze scores in de gebruikersinterface wilt weergeven, leest u de sectie op onbewerkte muziekpaden weergeven. Als u de scores wilt downloaden met de API, gaat u naar de scores downloaden in Attribution AI document.
- De rapportkolom is inbegrepen in de configuratiepagina of als deel van touchpoint of configuratie van de omzettingsdefinitie.
- De rapportkolom is inbegrepen in de extra kolommen van de scoredataset.
In de volgende tabel worden de schemavelden in de voorbeelduitvoer van onbewerkte scores weergegeven:
Voorbeeld: 2020-06-09T00:01:51.000Z
Voorbeeld: "Order", "Purchase", "Visit"
Voorbeeld: 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
Voorbeeld: 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
Voorbeeld: _atsdsnrmmsv2
Voorbeeld: Scores Attribution AI - modelnaam__2020
Voorbeeld: ORDER_US
Voorbeeld: Bestellen, Lead, Bezoek
Voorbeeld: Adobe Analytics
Voorbeeld: Adobe.com
Voorbeeld: Volgorde
placeContext.geo.countryCode
.Voorbeeld: VS
Voorbeeld: 99,9
Voorbeeld: RX 1080 ti
Voorbeeld: Gpus
Voorbeeld: 1 1080 ti
Voorbeeld: 2020-06-09T00:01:51.000Z
Voorbeeld: MJ-03-XS-Black
Voorbeeld: 2020-06-09T00:01:51.000Z
Voorbeeld: stad: San Jose
id
en namespace
.Voorbeeld: 1734876272540865634468320891369597404
Voorbeeld: steun
Voorbeeld: PAID_SEARCH_CLICK
Onbewerkte muziekpaden weergeven (UI) raw-score-path
U kunt het pad naar de onbewerkte scores weergeven in de gebruikersinterface. Begin door te selecteren Schemas in de gebruikersinterface van het Platform zoekt en selecteert u vervolgens in het gedeelte Browse tab.
Selecteer vervolgens een veld in het dialoogvenster Structure het venster van de UI, Field properties wordt geopend. Within Field properties Dit is het padveld dat wordt toegewezen aan de onbewerkte scores.
Geaggregeerde delingsscores aggregated-attribution-scores
Geaggregeerde scores kunnen in CSV-indeling worden gedownload via de gebruikersinterface 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:
Verwijzing naar ruwe score (toewijzingsscores)
In de onderstaande tabel worden de toewijzingsscores toegewezen aan de onbewerkte scores. Als u de onbewerkte scores wilt downloaden, gaat u naar de scores downloaden in Attribution AI documentatie.
Geaggregeerde scores aggregated-scores
Geaggregeerde scores kunnen in CSV-indeling worden gedownload via de gebruikersinterface van het Platform als het datumbereik minder dan 30 dagen bedraagt. Zie de tabel hieronder voor meer informatie over elk van deze geaggregeerde kolommen.
Voorbeeld: 2016-05-02
Voorbeeld: 21-04-2017
Voorbeeld: ORDER_AMER
Voorbeeld: VOLGORDE
Voorbeeld: PAID_SEARCH_CLICK
Voorbeeld: CC
Voorbeeld: gpus, laptops
Voorbeeld: VS
Voorbeeld: Betaalde omzetting
Voorbeeld: BETAALD, EIGENAAR
channel._type
eigenschap die wordt gebruikt voor een ruwe classificatie van kanalen met vergelijkbare eigenschappen in Consumer Experience Event XDM.Voorbeeld: ZOEKEN
mediaAction
eigenschap wordt gebruikt om een type 'experience'-mediakactie te bieden.Voorbeeld: KLIKKEN
Voorbeeld: COMMERCIEEL
Voorbeeld: Thanksgiving Sale
Verwijzing naar ruwe score (geaggregeerd)
In de onderstaande tabel worden de geaggregeerde scores toegewezen aan de onbewerkte scores. Als u de onbewerkte scores wilt downloaden, gaat u naar de scores downloaden in Attribution AI documentatie. Ga naar het gedeelte over onbewerkte muziekpaden weergeven in dit document.
- Attribution AI gebruikt alleen bijgewerkte gegevens voor verdere training en scoring. Op dezelfde manier geldt dat als u gegevens wilt verwijderen, de AI van de Klant de verwijderde gegevens niet meer gebruikt.
- Attribution AI gebruikt Platform datasets. Ter ondersteuning van consumentenrechtenaanvragen die een merk kan ontvangen, moeten merken de Privacy Service van het Platform gebruiken om verzoeken van de consument om toegang in te dienen en te verwijderen om hun gegevens over het datumpeer, de Identiteitsservice en het Real-Time Klantprofiel te verwijderen.
- Alle datasets die wij voor input/output van modellen gebruiken zullen de richtlijnen van het Platform volgen. De Encryptie van Gegevens van het Platform is op gegevens in rust en in-transit van toepassing. Raadpleeg de documentatie voor meer informatie over gegevenscodering
Volgende stappen next-steps
Nadat u de gegevens hebt voorbereid en al uw gegevens en schema's hebt geïnstalleerd, begint u met het volgende: Gebruikershandleiding voor Attribution AI. Deze gids begeleidt u door het creëren van een geval voor Attribution AI.