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:

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.

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.

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.

Dados históricos data-requirements

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

Exemplo:

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.

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

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.

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.

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:

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 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.

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.

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.