Attribution AI中的输入和输出

以下文档概述了Attribution AI中使用的不同输入和输出。

Attribution AI输入数据

Attribution AI通过分析以下数据集计算算法分数来工作:

  • 使用Analytics源连接器的Adobe Analytics数据集
  • Adobe Experience Platform架构中的Experience Event (EE)数据集
  • Consumer Experience Event (CEE)数据集

如果每个数据集共享相同的身份类型(命名空间)(如ECID),您现在可以基于​ 身份映射 (字段)从不同来源添加多个数据集。 选择身份和命名空间后,将显示ID列完整性量度,这些量度指示要拼合的数据量。 要了解有关添加多个数据集的更多信息,请访问Attribution AI用户指南

默认情况下,并不总是映射渠道信息。 在某些情况下,如果mediaChannel(字段)为空,则在将字段映射到mediaChannel之前,您将无法“继续”,因为它是必需列。 如果在数据集中检测到渠道,则默认情况下会将其映射到mediaChannel。 其他列(如​ 媒体类型 ​和​ 媒体操作)仍是可选的。

映射渠道字段后,请继续执行“定义事件”步骤,在该步骤中,您可以选择转化事件、接触点事件,然后从单个数据集中选择特定字段。

IMPORTANT
Adobe Analytics Source Connector最多可能需要四周才能回填数据。 如果最近设置了连接器,则应验证数据集是否具有Attribution AI所需的最小数据长度。 请查看历史数据部分,以验证您是否有足够的数据来计算准确的算法分数。

有关设置Consumer Experience Event (CEE)架构的更多详细信息,请参阅Intelligent Services数据准备指南。 有关映射Adobe Analytics数据的更多信息,请访问Analytics字段映射文档。

并非所有Consumer Experience Event (CEE)架构中的列都是Attribution AI的必要列。

您可以使用架构或选定数据集中下面推荐的任何字段配置接触点。

建议的列
需要
主要标识字段
接触点/转化
时间戳
接触点/转化
渠道。_type
接触点
Channel.mediaAction
接触点
Channel.mediaType
接触点
Marketing.trackingCode
接触点
Marketing.campaignname
接触点
Marketing.campaigngroup
接触点
Commerce
转化

通常,归因在“商务”下的订单、购买和结账等转化列上运行。 “渠道”和“营销”列用于定义Attribution AI的接触点(例如,channel._type = 'https://ns.adobe.com/xdm/channel-types/email')。 为获得最佳结果和见解,强烈建议您包含尽可能多的转化和接触点列。 此外,您不仅可以使用上述列。 您可以包含任何其他推荐列或自定义列作为转化或接触点定义。

只要与配置接触点相关的渠道或营销活动信息存在于某个mixin或传递字段中,体验事件(EE)数据集就不需要显式地包含渠道和营销mixin。

TIP
如果您在CEE架构中使用Adobe Analytics数据,Analytics的接触点信息通常存储在channel.typeAtSource中(例如,channel.typeAtSource = 'email')。

历史数据 data-requirements

IMPORTANT
Attribution AI运行所需的最小数据量如下:
  • 您需要提供至少3个月(90天)的数据才能运行良好的模型。
  • 您至少需要1000次转化。

Attribution AI需要历史数据作为模型训练的输入。 所需的数据持续时间主要取决于两个关键因素:训练窗口和回顾窗口。 训练窗口较短的输入对近期趋势更敏感,而训练窗口较长的输入有助于生成更稳定、更准确的模型。 使用最能代表您的业务目标的历史数据为目标建模非常重要。

训练窗口配置根据发生时间筛选设置为用于模型训练的转化事件。 目前,最低培训时段为1季度(90天)。 回顾时间范围提供了一个时间范围,用于指示应包含与转化事件相关的转化事件接触点之前的天数。 这两个概念共同决定了应用程序所需的输入数据量(以天为单位测量)。

默认情况下,Attribution AI将培训时段定义为最近的2个季度(6个月),回顾时段定义为56天。 换言之,该模型将考虑过去2个季度发生的所有已定义转化事件,并查找在相关转化事件之前56天内发生的所有接触点。

公式

所需的最小数据长度=训练时段+回顾时段

TIP
具有默认配置的应用程序所需的最小数据长度为:2季度(180天)+ 56天= 236天。

示例:

  • 您要归因最近90天(3个月)内发生的转化事件,并跟踪在转化事件之前4周内发生的所有接触点。 输入数据持续时间应跨越过去90天+ 28天(4周)。 培训时段为90天,回顾时段为28天,共计118天。

输出数据Attribution AI

Attribution AI输出以下内容:

示例输出架构:

原始粒度分数 raw-granular-scores

Attribution AI会尽可能以最精细的粒度级别输出归因分数,这样您就可以按任意分数列对分数进行细分。 要在UI中查看这些得分,请阅读查看原始得分路径中的部分。 要使用API下载得分,请访问在Attribution AI中下载得分。

NOTE
仅当满足以下任一条件时,您才能在得分输出数据集的输入数据集中看到任何所需的报表列:
  • 报告列作为接触点或转化定义配置的一部分包含在配置页面中。
  • 报表列包含在附加得分数据集列中。

下表概述了原始分数示例输出中的架构字段:

列名称(数据类型)
可为空
描述
timestamp (DateTime)
False
转化事件或观察发生的时间。
示例: 2020-06-09T00:01:51.000Z
identityMap(映射)
True
与CEE XDM格式类似的用户的identityMap。
eventType(字符串)
True
此时间序列记录的主要事件类型。
示例: "Order"、"Purchase"、"Visit"
eventMergeId(字符串)
True
一个ID,用于将多个Experience Events关联或合并到一起,这些ID基本上是同一事件或应合并的事件。 这旨在摄取之前由数据制作者填充。
示例: 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_id(字符串)
False
时间序列事件的唯一标识符。
示例: 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_tenantId(对象)
False
与您的暂时ID对应的顶级对象容器。
示例: _atsdsnrmmsv2
your_schema_name(对象)
False
使用转化事件对行进行评分,包括与行及其元数据关联的所有接触点事件。
示例: Attribution AI分数 — 模型名称__2020
分段(字符串)
True
转化区段,例如构建模型所针对的地理分段。 如果缺少区段,则区段与conversionName相同。
示例: ORDER_US
conversionName(字符串)
True
在安装期间配置的转换的名称。
示例: ​订单,潜在客户,访问
转换(对象)
False
转换元数据列。
数据源(字符串)
True
数据源的全局唯一标识。
示例: Adobe Analytics
eventSource(字符串)
True
实际事件发生时的源。
示例: Adobe.com
eventType(字符串)
True
此时间序列记录的主要事件类型。
示例: ​订单
地域(字符串)
True
转换传递的地理位置placeContext.geo.countryCode
示例: US
priceTotal(双精度)
True
通过转换
获得的收入 示例: 99.9
product(字符串)
True
产品本身的XDM标识符。
示例: RX 1080 ti
productType(字符串)
True
在此产品视图中向用户显示的产品显示名称。
示例: Gpu
数量(整数)
True
转换期间购买的数量。
示例: 1 1080 ti
receivedTimestamp (DateTime)
True
已收到转换的时间戳。
示例: 2020-06-09T00:01:51.000Z
skuId(字符串)
True
库存单位(SKU),供应商定义的产品的唯一标识符。
示例: MJ-03-XS-Black
timestamp (DateTime)
True
转换的时间戳。
示例: 2020-06-09T00:01:51.000Z
passThrough(对象)
True
配置模型时用户指定的其他得分数据集列。
commerce_order_purchaseCity(字符串)
True
其他得分数据集列。
示例: ​城市:圣何塞
customerProfile(对象)
False
用于构建模型的用户的身份详细信息。
identity(对象)
False
包含用于构建模型的用户的详细信息,如idnamespace
id(字符串)
True
用户的身份ID,如Cookie ID、Adobe Analytics ID (AAID)或Experience CloudID (ECID,也称为MCID或访客ID)等。
示例: 17348762725408656344688320891369597404
命名空间(字符串)
True
用于构建路径并因此构建模型的身份命名空间。
示例: aaid
touchpointsDetail(对象数组)
True
导致转化的接触点详细信息列表,排序方式:
touchpointName(字符串)
True
在安装期间配置的接触点的名称。
示例: PAID_SEARCH_CLICK
分数(对象)
True
作为得分的接触点对此转化的贡献。 有关此对象内生成的分数的更多信息,请参阅聚合的归因分数部分。
touchPoint(对象)
True
接触点元数据。 有关此对象内生成的分数的更多信息,请参阅聚合分数部分。

查看原始得分路径(UI) raw-score-path

您可以在UI中查看原始分数的路径。 首先,在Platform UI中选择​ 架构,然后在​ 浏览 ​选项卡中搜索并选择您的归因人工智能得分架构。

选择您的架构

接下来,在UI的​ 结构 ​窗口中选择一个字段,字段属性 ​选项卡将打开。 在​ 字段属性 ​中,是映射到原始分数的路径字段。

选择架构

总归因分数 aggregated-attribution-scores

如果日期范围少于30天,则可以从Platform UI以CSV格式下载汇总分数。

Attribution AI支持两类归因分数:算法分数和基于规则的分数。

Attribution AI生成两种不同类型的算法分数:增量分数和影响分数。 影响分数是每个营销接触点负责的转化率部分。 增量分数是营销接触点直接造成的边际影响量。 增量分数和影响分数之间的主要区别在于,增量分数将基线影响考虑在内。 它不假设转化完全由先前的营销接触点引起。

以下是Adobe Experience Platform UI中Attribution AI架构输出示例的快速查看:

有关每个归因分数的更多详细信息,请参阅下表:

归因分数
描述
影响(算法)
影响分数是每个营销接触点负责的转化率部分。
增量(算法)
增量分数是营销接触点直接造成的边际影响量。
首次接触
基于规则的归因得分,将所有信用分配给转化路径上的初始接触点。
最后接触
基于规则的归因得分,可将所有信用分配给最接近转化的接触点。
线性
基于规则的归因得分,它将信用平等分配给转化路径上的每个接触点。
U型
基于规则的归因得分,将40%的点数分配给第一个接触点,将40%的点数分配给最后一个接触点,其他接触点平分剩余的20%。
时间衰减
基于规则的归因得分,其中距离转化较近的接触点比距离转化较远的接触点获得更多的点数。

原始得分参考(归因得分)

下表将归因分数映射到原始分数。 如果要下载原始分数,请访问Attribution AI下载分数文档。

归因分数
原始得分引用列
影响(算法)
_tenantID.your_schema_name.element.touchpoint.algorithmicInfessible
增量(算法)
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.algorithmicInffected
首次接触
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.firstTouch
最后接触
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.lastTouch
线性
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.linear
U型
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.uShape
时间衰减
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.decayUnits

汇总分数 aggregated-scores

如果日期范围少于30天,则可以从Platform UI以CSV格式下载汇总分数。 有关每个聚合列的更多详细信息,请参阅下表。

列名称
约束
可为空
描述
customerevents_date (DateTime)
用户定义的固定格式
False
客户事件日期,格式为YYYY-MM-DD。
示例: 2016-05-02
mediatouchpoints_date (DateTime)
用户定义的固定格式
True
媒体接触点日期,YYYY-MM-DD格式
示例: 2017-04-21
segment(字符串)
已计算
False
转化区段,例如构建模型所针对的地域划分。 如果缺少区段,则区段与conversion_scope相同。
示例: ORDER_AMER
conversion_scope(字符串)
用户定义的
False
用户配置的转换的名称。
示例: ORDER
touchpoint_scope(字符串)
用户定义的
True
用户
配置的接触点名称 示例: PAID_SEARCH_CLICK
product(字符串)
用户定义的
True
产品的XDM标识符。
示例: CC
product_type(字符串)
用户定义的
True
在此产品视图中向用户显示的产品显示名称。
示例: gpu,笔记本电脑
地域(字符串)
用户定义的
True
进行转换的地理位置(placeContext.geo.countryCode)
示例: US
event_type(字符串)
用户定义的
True
此时间序列记录
的主要事件类型 示例:付费转化
media_type(字符串)
枚举
False
描述媒体类型是付费媒体、自有媒体还是免费媒体。
示例:付费,拥有
channel(字符串)
枚举
False
channel._type属性,用于在Consumer Experience Event XDM中提供对具有相似属性的渠道的粗略分类。
示例:搜索
操作(字符串)
枚举
False
mediaAction属性用于提供一种体验事件媒体操作。
示例:单击
campaign_group(字符串)
用户定义的
True
营销活动组的名称,其中多个营销活动归为一组,如“50%_DISCOUNT”。
示例:商业
campaign_name(字符串)
用户定义的
True
用于标识营销活动的活动名称,如“50%_DISCOUNT_USA”或“50%_DISCOUNT_ASIA”。
示例:感恩节促销

原始得分参考(汇总)

下表将汇总分数映射到原始分数。 如果要下载原始分数,请访问Attribution AI下载分数文档。 若要从UI中查看原始得分路径,请访问此文档中查看原始得分路径上的部分。

列名称
原始得分引用列
customerevents_date
时间戳
mediatouchpoints_date
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.timestamp
区段
_tenantID.your_schema_name.segmentation
conversion_scope
_tenantID.your_schema_name.conversion.conversionName
接触点范围
_tenantID.your_schema_name.touchpointsDetail.element.touchpointName
产品
_tenantID.your_schema_name.conversion.product
product_type
_tenantID.your_schema_name.conversion.product_type
地域
_tenantID.your_schema_name.conversion.geo
event_type
事件类型
media_type
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.mediaType
渠道
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.mediaChannel
操作
_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
  • Attribution AI仅使用更新的数据进行进一步的训练和评分。 同样,当您请求删除数据时,客户人工智能会限制使用已删除的数据。
  • Attribution AI可利用Platform数据集。 为了支持品牌可能收到的消费者权限请求,品牌应使用平台Privacy Service提交消费者访问和删除请求,以通过数据湖、身份服务和实时客户配置文件删除他们的数据。
  • 我们用于模型输入/输出的所有数据集都将遵循Platform准则。 Platform Data Encryption适用于静态和传输中的数据。 请参阅文档以了解有关数据加密的更多信息

后续步骤 next-steps

准备好数据并准备好所有凭据和架构后,请按照Attribution AI用户指南开始。 本指南将指导您完成创建Attribution AI实例。

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