Entrada e saída em Attribution AI

O documento a seguir descreve as diferentes entradas e saídas utilizadas em Attribution AI.

Attribution AI dados de entrada

O Attribution AI funciona analisando os seguintes conjuntos de dados para calcular pontuações algorítmicas:

  • Conjuntos de dados do Adobe Analytics usando o conector de origem do Analytics
  • Conjuntos de dados de Evento de experiência (EE) em geral do esquema do Adobe Experience Platform
  • Conjuntos de dados do Evento de experiência do consumidor (CEE)

Agora é possível adicionar vários conjuntos de dados de diferentes fontes com base no mapa de identidade (campo) se cada um dos conjuntos de dados compartilhar o mesmo tipo de identidade (namespace), como uma ECID. Após selecionar uma identidade e um namespace, são exibidas métricas de integridade da coluna de ID, que indicam o volume de dados que está sendo compilado. Para saber mais sobre como adicionar vários conjuntos de dados, visite o guia do usuário do Attribution AI.

As informações do canal nem sempre são mapeadas por padrão. Em alguns casos, se mediaChannel (campo) estiver em branco, você não poderá "continuar" até mapear um campo para mediaChannel como se fosse uma coluna obrigatória. Se o canal for detectado no conjunto de dados, ele será mapeado para mediaChannel por padrão. As outras colunas, como tipo de mídia e ação de mídia, ainda são opcionais.

Depois de mapear o campo de canal, continue para a etapa "Definir eventos", onde é possível selecionar os eventos de conversão, eventos de ponto de contato e escolher campos específicos de conjuntos de dados individuais.

IMPORTANT
O conector de origem do Adobe Analytics pode levar até quatro semanas para preencher os dados. Se você configurou um conector recentemente, deve verificar se o conjunto de dados tem o comprimento mínimo de dados necessário para o Attribution AI. Revise a seção dados históricos para verificar se você tem dados suficientes para calcular pontuações algorítmicas precisas.

Para obter mais detalhes sobre como configurar o esquema Consumer Experience Event (CEE), consulte o guia Preparação de dados dos Serviços inteligentes. Para obter mais informações sobre como mapear dados do Adobe Analytics, visite a documentação Mapeamentos de campos do Analytics.

Nem todas as colunas no esquema Consumer Experience Event (CEE) são obrigatórias para o Attribution AI.

Você pode configurar os pontos de contato usando qualquer campo recomendado abaixo no esquema ou conjunto de dados selecionado.

Colunas recomendadas
Necessário para
Campo de identidade principal
Ponto de contato / Conversão
Carimbo de data e hora
Ponto de contato / Conversão
Canal._type
Ponto de contato
Channel.mediaAction
Ponto de contato
Channel.mediaType
Ponto de contato
Marketing.trackingCode
Ponto de contato
Marketing.campaignname
Ponto de contato
Marketing.campaigngroup
Ponto de contato
Commerce
Conversão

Normalmente, a atribuição é executada em colunas de conversão, como pedido, compras e check-outs em "comércio". As colunas para "canal" e "marketing" são usadas para definir pontos de contato para o Attribution AI (por exemplo, channel._type = 'https://ns.adobe.com/xdm/channel-types/email'). Para obter ótimos resultados e insights, é altamente recomendável incluir o máximo possível de colunas de conversão e de ponto de contato. Além disso, você não está limitado apenas às colunas acima. É possível incluir qualquer outra coluna recomendada ou personalizada como uma conversão ou definição de ponto de contato.

Os conjuntos de dados de Evento de experiência (EE) não precisam ter explicitamente mixins de Canal e Marketing, desde que as informações de canal ou campanha relevantes para configurar um ponto de contato estejam presentes em um dos campos de mixin ou passagem.

TIP
Se você estiver usando dados do Adobe Analytics no esquema CEE, as informações do ponto de contato do Analytics normalmente são armazenadas em channel.typeAtSource (por exemplo, channel.typeAtSource = 'email').

Dados históricos data-requirements

IMPORTANT
A quantidade mínima de dados necessária para a função do Attribution AI é a seguinte:
  • Você precisa fornecer pelo menos 3 meses (90 dias) de dados para executar um bom modelo.
  • Você precisa de pelo menos 1000 conversões.

O Attribution AI exige dados históricos como entrada para o treinamento de modelo. A duração dos dados necessários é determinada principalmente por dois fatores principais: janela de treinamento e janela de retrospectiva. Entradas com janelas de treinamento mais curtas são mais sensíveis às tendências recentes, enquanto janelas de treinamento mais longas ajudam a produzir modelos mais estáveis e precisos. É importante modelar o objetivo com dados históricos que melhor representem suas metas comerciais.

A configuração da janela de treinamento filtra os eventos de conversão definidos para serem incluídos no treinamento de modelo com base no tempo de ocorrência. Atualmente, a janela mínima de treinamento é de 1 trimestre (90 dias). A janela de retrospectiva fornece um intervalo de tempo que indica quantos dias antes dos pontos de contato do evento de conversão relacionados a este evento de conversão devem ser incluídos. Esses dois conceitos juntos determinam a quantidade de dados de entrada (medida por dias) necessária para um aplicativo.

Por padrão, o Attribution AI define a janela de treinamento como os 2 trimestres mais recentes (6 meses) e a janela de lookback como 56 dias. Em outras palavras, o modelo levará em consideração todos os eventos de conversão definidos que ocorreram nos últimos dois trimestres e procurará todos os pontos de contato que ocorreram dentro de 56 dias antes dos eventos de conversão associados.

Fórmula:

Tamanho mínimo de dados necessário = janela de treinamento + janela de pesquisa

TIP
O comprimento mínimo de dados necessário para um aplicativo com configurações padrão é: 2 trimestres (180 dias) + 56 dias = 236 dias.

Exemplo:

  • Você deseja atribuir eventos de conversão que ocorreram nos últimos 90 dias (3 meses) e rastrear todos os pontos de contato que ocorreram dentro de 4 semanas antes do evento de conversão. A duração dos dados de entrada deve abranger os últimos 90 dias + 28 dias (4 semanas). A janela de treinamento é de 90 dias e a janela de pesquisa é de 28 dias, totalizando 118 dias.

dados de saída do Attribution AI

O Attribution AI gera o seguinte:

Exemplo de esquema de saída:

Pontuações granulares brutas raw-granular-scores

O Attribution AI gera pontuações de atribuição no nível mais granular possível, para que você possa cortar e dividir as pontuações por qualquer coluna de pontuação. Para exibir essas pontuações na interface, leia a seção em exibindo caminhos de pontuação brutos. Para baixar as pontuações usando a API, visite o documento baixando pontuações no Attribution AI.

NOTE
Você poderá ver qualquer coluna de relatório desejada do conjunto de dados de entrada no conjunto de dados de saída da pontuação somente se uma das seguintes opções for verdadeira:
  • A coluna de relatório é incluída na página de configuração como parte do ponto de contato ou da configuração de definição de conversão.
  • A coluna de relatório é incluída em colunas adicionais do conjunto de dados de pontuação.

A tabela a seguir descreve os campos de esquema na saída de exemplo de pontuações brutas:

Nome da coluna (DataType)
Anulável
Descrição
carimbo de data e hora (DateTime)
Falso
A hora em que um evento de conversão ou observação ocorreu.
Exemplo: 2020-06-09T00:01:51.000Z
identityMap (Mapa)
Verdadeiro
identityMap do usuário semelhante ao formato CEE XDM.
eventType (String)
Verdadeiro
O tipo de evento principal para este registro de série temporal.
Exemplo: "Pedido", "Compra", "Visita"
eventMergeId (Cadeia de caracteres)
Verdadeiro
Uma ID para correlacionar ou mesclar vários Experience Events que são essencialmente o mesmo evento ou devem ser mesclados. Deve ser preenchido pelo produtor de dados antes da assimilação.
Exemplo: 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_id (String)
Falso
Um identificador exclusivo para o evento de série temporal.
Exemplo: 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_tenantId (Objeto)
Falso
O contêiner de objeto de nível superior correspondente à ID do locatário.
Exemplo: _atsdsnrmmsv2
your_schema_name (Objeto)
Falso
Pontuar linha com evento de conversão todos os eventos de ponto de contato associados a ele e seus metadados.
Exemplo: Pontuações de Attribution AI - Nome do Modelo__2020
segmentação (string)
Verdadeiro
Segmento de conversão, como segmentação geográfica, em que o modelo é criado. Na ausência de segmentos, o segmento é o mesmo que conversionName.
Exemplo: ORDER_US
conversionName (String)
Verdadeiro
Nome da conversão configurada durante a instalação.
Exemplo: Ordem, Cliente Potencial, Visita
conversion (Objeto)
Falso
Colunas de metadados de conversão.
dataSource (String)
Verdadeiro
Identificação globalmente exclusiva de uma fonte de dados.
Exemplo: Adobe Analytics
eventSource (Cadeia de caracteres)
Verdadeiro
A origem quando o evento real ocorreu.
Exemplo: Adobe.com
eventType (String)
Verdadeiro
O tipo de evento principal para este registro de série temporal.
Exemplo: Ordem
geo (String)
Verdadeiro
A localização geográfica onde a conversão foi entregue placeContext.geo.countryCode.
Exemplo: EUA
priceTotal (Duplo)
Verdadeiro
Receita obtida por meio da conversão
Exemplo: 99.9
produto (String)
Verdadeiro
O identificador XDM do próprio produto.
Exemplo: RX 1080 ti
productType (String)
Verdadeiro
O nome de exibição do produto conforme apresentado ao usuário para esta visualização do produto.
Exemplo: Gpus
quantidade (número inteiro)
Verdadeiro
Quantidade comprada durante a conversão.
Exemplo: 1 1080 ti
receivedTimestamp (DateTime)
Verdadeiro
Carimbo de data/hora da conversão recebido.
Exemplo: 2020-06-09T00:01:51.000Z
skuId (String)
Verdadeiro
Unidade de manutenção de estoque (SKU), o identificador exclusivo de um produto definido pelo fornecedor.
Exemplo: MJ-03-XS-Preto
carimbo de data e hora (DateTime)
Verdadeiro
Carimbo de data e hora da conversão.
Exemplo: 2020-06-09T00:01:51.000Z
passThrough (Objeto)
Verdadeiro
Colunas adicionais do conjunto de dados de Pontuação especificadas pelo usuário ao configurar o modelo.
commerce_order_purchaseCity (Cadeia de caracteres)
Verdadeiro
Coluna adicional do conjunto de dados de pontuação.
Exemplo: cidade: San Jose
customerProfile (Objeto)
Falso
Detalhes de identidade do usuário usado para criar o modelo.
identity (Objeto)
Falso
Contém os detalhes do usuário usado para criar o modelo, como id e namespace.
id (String)
Verdadeiro
ID de identidade do usuário, como ID de cookie, Adobe Analytics ID (AAID), ou Experience Cloud ID (ECID, também conhecida como MCID ou como ID de visitante) etc.
Exemplo: 1734876272540865634688320891369597404
namespace (String)
Verdadeiro
Namespace de identidade usado para criar os caminhos e, portanto, o modelo.
Exemplo: aaid
touchpointsDetail (Matriz de objetos)
Verdadeiro
A lista de detalhes do ponto de contato que levam à conversão ordenada por
touchpointName (String)
Verdadeiro
Nome do ponto de contato configurado durante a configuração.
Exemplo: PAID_SEARCH_CLICK
scores (Objeto)
Verdadeiro
Contribuição do ponto de contato para essa conversão como pontuação. Para obter mais informações sobre as pontuações produzidas nesse objeto, consulte a seção pontuações de atribuição agregadas.
touchPoint (Objeto)
Verdadeiro
Metadados do ponto de contato. Para obter mais informações sobre as pontuações produzidas nesse objeto, consulte a seção pontuações agregadas.

Exibição de caminhos de pontuação brutos (UI) raw-score-path

Você pode visualizar o caminho para suas pontuações brutas na interface do usuário do. Comece selecionando Esquemas na interface da Platform e depois procure e selecione seu esquema de pontuações da IA de atribuição na guia Procurar.

Escolha seu esquema

Em seguida, selecione um campo na janela Estrutura da interface. A guia Propriedades do campo será aberta. Nas Propriedades do campo está o campo de caminho que mapeia para suas pontuações brutas.

Escolher um esquema

Pontuações de atribuição agregadas aggregated-attribution-scores

As pontuações agregadas podem ser baixadas no formato CSV da interface do usuário da Platform se o intervalo de datas for inferior a 30 dias.

O Attribution AI oferece suporte a duas categorias de pontuações de atribuição: pontuações algorítmicas e baseadas em regras.

O Attribution AI produz dois tipos diferentes de pontuações algorítmicas, incrementais e influenciadas. Uma pontuação influenciada é a fração da conversão pela qual cada ponto de contato de marketing é responsável. Uma pontuação incremental é a quantidade de impacto marginal causado diretamente pelo ponto de contato de marketing. A principal diferença entre a pontuação incremental e a pontuação influenciada é que a pontuação incremental leva em consideração o efeito da linha de base. Não presume que uma conversão é causada puramente pelos pontos de contato de marketing anteriores.

Veja um exemplo rápido de saída de esquema do Attribution AI na interface do usuário do Adobe Experience Platform:

Consulte a tabela abaixo para obter mais detalhes sobre cada uma dessas pontuações de atribuição:

Pontuações de atribuição
Descrição
Influenciado (algorítmico)
A pontuação influenciada é a fração da conversão pela qual cada ponto de contato de marketing é responsável.
Incremental (algorítmico)
Pontuação incremental é a quantidade de impacto marginal causado diretamente por um ponto de contato de marketing.
Primeiro contato
Pontuação de atribuição baseada em regras que atribui todos os créditos ao ponto de contato inicial em um caminho de conversão.
Último contato
Pontuação de atribuição baseada em regras que atribui todo o crédito ao ponto de contato mais próximo da conversão.
Linear
Pontuação de atribuição baseada em regras que atribui crédito igual a cada ponto de contato em um caminho de conversão.
Forma de U
Pontuação de atribuição baseada em regras que atribui 40% do crédito ao primeiro ponto de contato e 40% do crédito ao último ponto de contato, com os outros pontos de contato dividindo os 20% restantes igualmente.
Decaimento de tempo
Pontuação de atribuição baseada em regras, em que os pontos de contato mais próximos da conversão recebem mais crédito do que os pontos de contato mais distantes da conversão.

Referência de pontuação bruta (pontuações de atribuição)

A tabela abaixo mapeia as pontuações de atribuição para as pontuações brutas. Se quiser baixar suas pontuações brutas, visite as pontuações de download na documentação do Attribution AI.

Pontuações de atribuição
Coluna de referência de pontuação bruta
Influenciado (algorítmico)
_tenantID.your_schema_name.element.touchpoint.algorithmicInfluenced
Incremental (algorítmico)
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.algorithmicInfluenced
Primeiro contato
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.firstTouch
Último contato
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.lastTouch
Linear
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.linear
Forma de U
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.uShape
Decaimento de tempo
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.decayUnits

Pontuações agregadas aggregated-scores

As pontuações agregadas podem ser baixadas no formato CSV da interface do usuário da Platform se o intervalo de datas for inferior a 30 dias. Consulte a tabela abaixo para obter mais detalhes sobre cada uma dessas colunas agregadas.

Nome da coluna
Restrição
Anulável
Descrição
customer_data (DateTime)
Formato definido pelo usuário e fixo
Falso
Data do Evento do Cliente no formato AAAA-MM-DD.
Exemplo: 05/2016
mediatouchpoints_date (DateTime)
Formato definido pelo usuário e fixo
Verdadeiro
Data do Ponto de Contato de Mídia no formato AAAA-MM-DD
Exemplo: 21/04/2017
segmento (String)
Calculado
Falso
Segmento de conversão, como segmentação geográfica, em que o modelo é criado. No caso de ausência de segmentos, o segmento é o mesmo que conversion_scope.
Exemplo: ORDER_AMER
conversion_scope (Cadeia de caracteres)
Definido pelo usuário
Falso
Nome da conversão conforme configurado pelo usuário.
Exemplo: ORDEM
touchpoint_scope (Cadeia de caracteres)
Definido pelo usuário
Verdadeiro
Nome do Touchpoint conforme configurado pelo usuário
Exemplo: PAID_SEARCH_CLICK
produto (String)
Definido pelo usuário
Verdadeiro
O identificador XDM do produto.
Exemplo: CC
product_type (String)
Definido pelo usuário
Verdadeiro
O nome de exibição do produto conforme apresentado ao usuário para esta visualização do produto.
Exemplo: gpus, laptops
geo (String)
Definido pelo usuário
Verdadeiro
A localização geográfica onde a conversão foi entregue (placeContext.geo.countryCode)
Exemplo: EUA
event_type (String)
Definido pelo usuário
Verdadeiro
O tipo de evento primário para este registro de série temporal
Exemplo: Conversão Paga
media_type (String)
ENUM
Falso
Descreve se o tipo de mídia é pago, próprio ou ganho.
Exemplo: PAGO, PROPRIETÁRIO
channel (String)
ENUM
Falso
A propriedade channel._type que é usada para fornecer uma classificação aproximada de canais com propriedades semelhantes no XDM Consumer Experience Event.
Exemplo: SEARCH
action (String)
ENUM
Falso
A propriedade mediaAction é usada para fornecer um tipo de ação de mídia de evento de experiência.
Exemplo: CLIQUE
campaign_group (String)
Definido pelo usuário
Verdadeiro
Nome do grupo de campanhas onde várias campanhas são agrupadas como "50%_DISCOUNT".
Exemplo: COMERCIAL
campaign_name (String)
Definido pelo usuário
Verdadeiro
Nome da campanha usado para identificar a campanha de marketing como "50%_DISCOUNT_USA" ou "50%_DISCOUNT_ASIA".
Exemplo: Venda de Ação de Graças

Referência de Pontuação Bruta (agregada)

A tabela abaixo mapeia as pontuações agregadas para as pontuações brutas. Se quiser baixar suas pontuações brutas, visite as pontuações de download na documentação do Attribution AI. Para exibir os caminhos de pontuação brutos na interface do usuário, visite a seção sobre exibição de caminhos de pontuação brutos neste documento.

Nome da coluna
Coluna de referência de pontuação bruta
customer_events
carimbo de data e hora
mediatouchpoints_date
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.timestamp
segmento
_tenantID.your_schema_name.segmentation
conversion_scope
_tenantID.your_schema_name.conversion.conversionName
touchpoint_scope
_tenantID.your_schema_name.touchpointsDetail.element.touchpointName
produto
_tenantID.your_schema_name.conversion.product
product_type
_tenantID.your_schema_name.conversion.product_type
geo
_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
ação
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.mediaAction
campaign_group
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.campaignGroup
campaign_name
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.campaignName
IMPORTANT
  • O Attribution AI usa apenas dados atualizados para treinamento adicional e pontuação. Da mesma forma, quando você solicita a exclusão de dados, a IA do cliente evita usar os dados excluídos.
  • O Attribution AI aproveita conjuntos de dados da plataforma. Para dar suporte às solicitações de direitos do consumidor que uma marca pode receber, as marcas devem usar o Platform Privacy Service para enviar solicitações do consumidor de acesso e exclusão para remover seus dados no data lake, no Serviço de identidade e no Perfil do cliente em tempo real.
  • Todos os conjuntos de dados que usamos para entrada/saída de modelos seguirão as diretrizes da plataforma. A Criptografia de dados da plataforma se aplica a dados inativos e em trânsito. Consulte a documentação para saber mais sobre criptografia de dados

Próximas etapas next-steps

Attribution AI Depois de preparar seus dados e ter todas as credenciais e esquemas em vigor, comece seguindo o guia do usuário. Este guia aborda a criação de uma instância para o Attribution AI.

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