Gegevensvereisten
Intelligent Services vereist verschillende hoeveelheden historische gegevens, afhankelijk van het doel dat u maakt. Ongeacht, moeten de gegevens u voor allen Intelligent Services voorbereidingen treft zowel positieve als negatieve klantenreizen/gebeurtenissen omvatten. Het hebben van zowel negatieve als positieve gebeurtenissen verbetert modelprecisie en nauwkeurigheid.
Als u bijvoorbeeld de AI van de Klant gebruikt om de neiging te voorspellen om een product te kopen, heeft het model voor AI van de Klant zowel voorbeelden van succesvolle aankoopwegen als voorbeelden van mislukte wegen nodig. Dit komt omdat de AI van de Klant tijdens modeltraining probeert te begrijpen welke gebeurtenissen en reizen tot een aankoop leiden. Dit omvat ook de acties die zijn ondernomen door klanten die geen goederen hebben gekocht, zoals een persoon die zijn reis heeft gestopt bij het toevoegen van een artikel aan de wagen. Deze klanten kunnen echter op vergelijkbare wijze te werk gaan. Klantenservice kan echter inzichten verschaffen en de belangrijkste verschillen en factoren die tot een hogere prioriteitsscore leiden, opruimen. Op dezelfde manier vereist Attribution AI zowel soorten gebeurtenissen als reizen om metriek zoals touchpoint doeltreffendheid, hoogste omzettingswegen, en onderverdelingen door touchpoint positie te tonen.
Voor meer voorbeelden en informatie over historische gegevensvereisten, bezoek de AI van de Klantof sectie van de Eigenschappen AIhistorische gegevensvereisten in de input/outputdocumentatie.
Richtlijnen voor het koppelen van gegevens
U wordt aangeraden de gebeurtenissen van een gebruiker zo veel mogelijk aan te sluiten op een gemeenschappelijke id. U hebt bijvoorbeeld gebruikersgegevens met "id1" voor 10 gebeurtenissen. Later heeft dezelfde gebruiker de cookie-id verwijderd en wordt deze als "id2" opgenomen bij de volgende 20 gebeurtenissen. Als u weet dat id1 en id2 aan de zelfde gebruiker beantwoorden, is de beste praktijk om alle 30 gebeurtenissen met gemeenschappelijke identiteitskaart te hechten.
Als dit niet mogelijk is, moet u elke set gebeurtenissen als een andere gebruiker behandelen wanneer u uw modelinvoergegevens maakt. Dit zorgt voor de beste resultaten tijdens modeltraining en scoring.
Overzicht van workflow
Het voorbereidingsproces is afhankelijk van het feit of uw gegevens in Adobe Experience Platform of extern worden opgeslagen. Deze sectie vat de noodzakelijke stappen samen u, gegeven één van beide scenario's moet nemen.
Externe gegevensvoorbereiding
Als uw gegevens buiten Experience Platform worden opgeslagen, moet u uw gegevens aan de vereiste en relevante gebieden in het schema van a Consumer ExperienceEvent in kaart brengen. Dit schema kan worden aangevuld met aangepaste veldgroepen om uw klantgegevens beter vast te leggen. Zodra in kaart gebracht, kunt u een dataset tot stand brengen gebruikend uw schema van Consumer ExperienceEvent en neemt uw gegevens aan Experience Platformin. De CEE dataset kan dan worden geselecteerd wanneer het vormen van Intelligent Service.
Afhankelijk van de Intelligent Service die u wilt gebruiken, zijn mogelijk verschillende velden vereist. Houd er rekening mee dat u het beste gegevens aan een veld kunt toevoegen als u over de beschikbare gegevens beschikt. Om meer over de vereiste gebieden te leren, bezoek de AI van de Attributieof de gids van de Klant AIgegevensvereisten.
Adobe Analytics-gegevensvoorbereiding
AI en Attribution AI bieden native ondersteuning voor Adobe Analytics-gegevens. Om de gegevens van Adobe Analytics te gebruiken, volg de stappen die in de documentatie worden geschetst aan opstelling een bron van Analytics schakelaar.
Zodra de bronschakelaar uw gegevens in Experience Platform stroomt, kunt u Adobe Analytics als gegevensbron selecteren die door een dataset tijdens uw instantieconfiguratie wordt gevolgd. Alle vereiste groepen van schemagebieden en individuele gebieden worden automatisch gecreeerd tijdens de verbindingsopstelling. U te hoeven niet om (Extraheren, Transformeren, Lading) de datasets in het formaat te ETL.
Als u de gegevens die door de Adobe Analytics-bronconnector naar Adobe Experience Platform worden geleid, vergelijkt met Adobe Analytics-gegevens, kunnen er verschillen optreden. De Analytics Source-connector kan rijen neerzetten tijdens de transformatie naar een XDM-schema (Experience Data Model). Er kunnen meerdere redenen zijn waarom de hele rij ongeschikt is voor transformatie, zoals ontbrekende tijdstempels, ontbrekende ID's, ongeldige id's of id's van grote personen, ongeldige analytische waarden en meer.
Voor meer informatie en voorbeelden, bezoek de documentatie voor het vergelijken van gegevens van Adobe Analytics en van Customer Journey Analytics. Dit artikel is ontworpen om u te helpen voor die verschillen diagnostiseren en op te lossen zodat u en uw team Adobe Experience Platform-gegevens voor Intelligente services kunnen gebruiken zonder dat dit wordt belemmerd door zorgen over gegevensintegriteit.
In de Diensten van de Vraag van Adobe Experience Platform, stel de volgende Totale Verslagen tussen begin en eind timestamp door channel.typeAtSource vraag in werking om de telling door marketing kanalen te vinden.
Count(_id) AS Records
FROM df_hotel
WHERE timestamp>=from_utc_timestamp('2021-05-15','UTC')
AND timestamp<from_utc_timestamp('2022-01-10','UTC')
AND timestamp IS NOT NULL
AND enduserids._experience.aaid.id IS NOT NULL
GROUP BY channel.typeAtSource
IMPORTANT
