Show Menu
SUJETS×

Attribution AI entrée et sortie

Le document suivant décrit les différents apports et extrants utilisés dans Attribution AI.

Attribution AI données d’entrée

Attribution AI utilise Consumer Experience Event les données pour calculer les scores algorithmiques. Pour plus d’informations sur Consumer Experience Eventcette solution, reportez-vous à la section Préparation des données à utiliser dans la documentation relative aux services intelligents.
Toutes les colonnes du schéma Consumer Experience Event (CEE) ne sont pas obligatoires pour l’Attribution AI.
Les 9 colonnes suivantes sont obligatoires, d’autres colonnes sont facultatives, mais recommandées/nécessaires si vous souhaitez utiliser les mêmes données pour d’autres solutions d’Adobe telles que Customer AI et Journey AI.
Colonnes obligatoires
Nécessaire pour
Champ d'identité Principal
Point de contact / Conversion
Horodatage
Point de contact / Conversion
Channel._type
Point de contact
Channel.mediaAction
Point de contact
Channel.mediaType
Point de contact
Marketing.trackingCode
Point de contact
Marketing.campaignname
Point de contact
Marketing.campaigngroup
Point de contact
Commerce
Conversion
En règle générale, l’attribution est exécutée sur les colonnes de conversion telles que la commande, les achats et les passages en caisse sous "commerce". Les colonnes "canal" et "marketing" sont fortement conseillées pour définir des points de contact pour obtenir de bonnes informations. Cependant, vous pouvez inclure toute autre colonne supplémentaire ainsi que les colonnes ci-dessus à configurer comme une conversion ou une définition de point de contact.
Les colonnes ci-dessous ne sont pas obligatoires, mais il est recommandé de les inclure dans votre schéma CEE si vous disposez des informations disponibles.
Colonnes supplémentaires recommandées :
  • web.webReferer
  • web.webInteraction
  • web.webPageDetails
  • xdm:productListItems

Données historiques

La quantité minimale de données nécessaire au fonctionnement d’Attribution AI est la suivante :
  • Vous devez fournir au moins 3 mois (90 jours) de données pour exécuter un bon modèle.
  • Vous avez besoin d’au moins 1 000 conversions.
Attribution AI nécessite des données historiques comme entrée pour la formation au modèle. La durée des données requises est principalement déterminée par deux facteurs clés : fenêtre de formation et fenêtre de rappel. Les entrées avec des fenêtres de formation plus courtes sont plus sensibles aux tendances récentes, tandis que des fenêtres de formation plus longues permettent de produire des modèles plus stables et précis. Il est important de modéliser l'objectif avec des données historiques qui représentent le mieux vos objectifs commerciaux.
Les événements de conversion des filtres de la configuration de la fenêtre de formation sont définis pour être inclus pour la formation de modèle en fonction du temps d’occurrence. Actuellement, la période minimale de formation est de 1 quart (90 jours). The lookback window provides a time frame indicating how many days prior to the conversion event touchpoints related to this conversion event should be included. Ces deux concepts déterminent ensemble la quantité de données d’entrée (mesurées en jours) requise pour une application.
Par défaut, Attribution AI définit la fenêtre de formation comme les deux derniers trimestres (6 mois) et la fenêtre de recherche en amont comme 56 jours. En d'autres termes, le modèle tiendra compte de tous les événements de conversion définis qui se sont produits au cours des 2 derniers trimestres et recherchera tous les points de contact qui se sont produits dans les 56 jours précédant le ou les événements de conversion associés.
Formule :
Longueur minimale de données requise = fenêtre de formation + fenêtre de recherche
La longueur minimale de données requise pour une application avec des configurations par défaut est la suivante : 2 trimestres (180 jours) + 56 jours = 236 jours.
Exemple :
  • Vous souhaitez attribuer des événements de conversion qui se sont produits au cours des 90 derniers jours (3 mois) et effectuer le suivi de tous les points de contact qui se sont produits dans les 4 semaines précédant le événement de conversion. La durée des données d’entrée doit s’étendre sur les 90 derniers jours + 28 jours (4 semaines). La fenêtre de formation est de 90 jours et la fenêtre de recherche est de 28 jours totalisant 118 jours.

Données de sortie Attribution AI

Attribution AI génère les résultats suivants :
Exemple de schéma de sortie :

Score granulaire brut

Attribution AI génère des scores d’attribution au niveau le plus granulaire possible afin que vous puissiez les découper et les découper en fonction de n’importe quelle colonne de score. Pour vue ces scores dans l’interface utilisateur, lisez la section sur l’ affichage des chemins de score brut. Pour télécharger les scores à l’aide de l’API, consultez les scores de téléchargement dans le document Attribution AI .
Vous ne pouvez afficher une colonne de rapports du jeu de données d’entrée dans le jeu de données de sortie de score que si l’un des éléments suivants est vrai :
  • La colonne rapports est incluse dans la page de configuration dans le cadre de la configuration des points de contact ou des définitions de conversion.
  • La colonne rapports est incluse dans d’autres colonnes de jeux de données de score.
Le tableau suivant décrit les champs de schéma dans l’exemple de sortie des scores bruts :
Nom de colonne (DataType)
Nullable
Description
horodatage (DateTime)
False
Heure à laquelle un événement de conversion ou une observation s’est produit.
Exemple : 2020-06-09T00:01:51.000Z
identityMap (Map)
True
identityMap de l’utilisateur similaire au format CEE XDM.
eventType (chaîne)
True
The primary event type for this time-series record.
Exemple : "Commande", "Achat", "Visite"
eventMergeId (chaîne)
True
ID permettant de corréler ou de fusionner plusieurs Experience Events ensembles qui sont essentiellement le même événement ou qui doivent être fusionnés. Le producteur de données doit l'indiquer avant l'assimilation.
Exemple : 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_id (chaîne)
False
Identificateur unique du événement de la série chronologique.
Exemple : 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_locataireId (objet)
False
Conteneur d’objet de niveau supérieur correspondant à votre ID de tentant.
Exemple : _atsdsnrmsv2
your_schéma_name (Object)
False
Score la ligne avec le événement de conversion tous les événements de point de contact qui y sont associés et leurs métadonnées.
Exemple : Scores Attribution AI - Nom du modèle__2020
segmentation (chaîne)
True
Segment de conversion tel que la géosegmentation sur lequel le modèle est construit. En cas d’absence de segments, le segment est identique à conversionName.
Exemple : ORDER_US
conversionName (chaîne)
True
Nom de la conversion configurée lors de la configuration.
Exemple : Commande, Piste, Visite
conversion (objet)
False
Colonnes de métadonnées de conversion.
dataSource (chaîne)
True
Identification globale unique d’une source de données.
Exemple : Adobe Analytics
eventSource (chaîne)
True
Source à laquelle le événement s’est produit.
Exemple : Adobe.com
eventType (chaîne)
True
The primary event type for this time-series record.
Exemple : Ordre
geo (chaîne)
True
The geographic location where the conversion was delivered placeContext.geo.countryCode .
Exemple : US
priceTotal (Doublon)
True
Recettes obtenues par la conversion
Exemple : 99,9
product (String)
True
Identifiant XDM du produit lui-même.
Exemple : RX 1080 ti
productType (chaîne)
True
Nom d’affichage du produit tel qu’il est présenté à l’utilisateur pour cette vue de produits.
Exemple : Gpus
quantité (entier)
True
Quantité achetée pendant la conversion.
Exemple : 1 1080 ti
receiveTimestamp (DateTime)
True
Horodatage reçu de la conversion.
Exemple : 2020-06-09T00:01:51.000Z
skuId (chaîne)
True
Stock keeping unit (SKU), the unique identifier for a product defined by the vendor.
Exemple : MJ-03-XS-Black
horodatage (DateTime)
True
Horodatage de la conversion.
Exemple : 2020-06-09T00:01:51.000Z
passThrough (objet)
True
Jeu de données Score supplémentaire Colonnes spécifiées par l’utilisateur lors de la configuration du modèle.
commerce_order_purchaseCity (chaîne)
True
Colonne du jeu de données Score supplémentaire.
Exemple : ville : San Jose
customerProfile (objet)
False
Détails d’identité de l’utilisateur utilisé pour créer le modèle.
identity (objet)
False
Contient les détails de l’utilisateur utilisé pour créer le modèle, tels que id et namespace .
id (chaîne)
True
Identifiant de l’utilisateur tel que l’ID de cookie ou AAID ou MCID, etc.
Exemple : 17348762725408656344688320891369597404
espace de nommage (chaîne)
True
Espace de nommage d'identité utilisé pour construire les chemins et par conséquent le modèle.
Exemple : aaid
touchpointsDetail (tableau d’objets)
True
Liste des détails du point de contact menant à la conversion ordonnée par l’occurrence du point de contact ou l’horodatage.
touchpointName (chaîne)
True
Nom du point de contact configuré lors de la configuration.
Exemple : PAID_SEARCH_CLICK
scores (Objet)
True
Contribution du point de contact à cette conversion en tant que score. Pour plus d’informations sur les scores produits dans cet objet, voir la section scores d’attribution agrégés.
touchPoint (objet)
True
Métadonnées du point de contact. Pour plus d'informations sur les scores produits dans cet objet, consultez la section scores Scores agrégées agrégés.

Affichage des chemins d’accès aux scores bruts (interface utilisateur)

Vous pouvez vue le chemin d’accès à vos scores bruts dans l’interface utilisateur. Début en sélectionnant Schémas dans l’interface utilisateur de la plate-forme, puis en recherchant et en sélectionnant votre schéma de scores AI d’attribution dans l’onglet Parcourir .
Ensuite, sélectionnez un champ dans la fenêtre Structure de l’interface utilisateur. L’onglet Propriétés du champ s’ouvre. Dans les propriétés ​de champ se trouve le champ de chemin qui correspond à vos scores bruts.

Scores d’attribution agrégés

Les scores agrégés peuvent être téléchargés au format CSV depuis l’interface utilisateur de la plate-forme si la période est inférieure à 30 jours.
Attribution AI prend en charge deux catégories de scores d’attribution : les scores algorithmiques et les scores basés sur des règles.
Attribution AI produit deux types différents de scores algorithmiques : les scores incrémentiels et les scores influencés. Un score influencé représente la fraction de la conversion dont chaque point de contact marketing est à l’origine. Un score incrémentiel représente le degré d’impact marginal directement causé par le point de contact marketing. La principale différence entre le score incrémentiel et le score influencé est que le score incrémentiel prend en compte l’effet de base. Il ne présume pas qu’une conversion est provoquée uniquement par les points de contact marketing précédents.
Voici un aperçu rapide d’un exemple de sortie Attribution AI schéma de l’interface utilisateur Adobe Experience Platform :
Consultez le tableau ci-dessous pour plus de détails sur chacun de ces scores d’attribution :
Scores d’attribution
Description
Influencé (algorithmique)
Le score influencé représente la fraction de la conversion dont chaque point de contact marketing est à l’origine.
Incrémentiel (algorithmique)
Le score incrémentiel représente le degré d’impact marginal directement causé par un point de contact marketing.
Première touche
Score d’attribution basé sur des règles qui attribue tous les crédits au point de contact initial d’un chemin de conversion.
Dernière touche
Score d’attribution basé sur des règles qui attribue tous les crédits au point de contact le plus proche de la conversion.
Linéaire
Score d’attribution basé sur des règles qui répartit de manière égale les crédits entre chaque point de contact d’un chemin de conversion.
En forme de U
Score d’attribution basé sur des règles qui attribue 40 % des crédits au premier point de contact et 40 % des crédits au dernier point de contact. Les autres points de contact se partagent de manière égale les 20 % restants.
Décroissance temporelle
Score d’attribution basé sur des règles qui attribue plus de crédits aux points de contact les plus proches de la conversion par rapport aux points de contact plus éloignés dans le temps de la conversion.
Référence du score brut (scores d’attribution)
Le tableau ci-dessous mappe les scores d’attribution aux scores bruts. Si vous souhaitez télécharger vos scores bruts, consultez la documentation sur le téléchargement dans Attribution AI .
Scores d’attribution
Colonne de référence de score brut
Influencé (algorithmique)
_locataireID.your_schéma_name.element.touchpoint.algorithmiqueInfluencé
Incrémentiel (algorithmique)
_locataireID.your_schéma_name.touchpointsDetail.element.touchpoint.algorithamicInfluencé
Première touche
_locataireID.your_schéma_name.touchpointsDetail.element.touchpoint.firstTouch
Dernière touche
_locataireID.your_schéma_name.touchpointsDetail.element.touchpoint.lastTouch
Linéaire
_locataireID.your_schéma_name.touchpointsDetail.element.touchpoint.linear
En forme de U
_locataireID.your_schéma_name.touchpointsDetail.element.touchpoint.uShape
Décroissance temporelle
_locataireID.your_schéma_name.touchpointsDetail.element.touchpoint.decayUnits

Scores agrégées

Les scores agrégés peuvent être téléchargés au format CSV depuis l’interface utilisateur de la plate-forme si la période est inférieure à 30 jours. Consultez le tableau ci-dessous pour plus d'informations sur chacune de ces colonnes d'agrégat.
Nom de la colonne
Contrainte
Nullable
Description
customerevents_date (DateTime)
Format défini par l'utilisateur et fixe
False
Date du Événement client au format AAAA-MM-JJ.
Exemple : 2016-05-02
mediatouchpoints_date (DateTime)
Format défini par l'utilisateur et fixe
True
Date du point de contact multimédia au format AAAA-MM-JJ
Exemple : 21/04/2017
segment (chaîne)
Calculé
False
Segment de conversion tel que la géosegmentation sur lequel le modèle est construit. En cas d’absence de segments, le segment est identique à la variable conversion_scope.
Exemple : ORDER_AMER
conversion_scope (chaîne)
Défini par l'utilisateur
False
Nom de la conversion tel que configuré par l’utilisateur.
Exemple : ORDER
touchpoint_scope (chaîne)
Défini par l'utilisateur
True
Nom du point de contact tel que configuré par l’utilisateur.
Exemple : PAID_SEARCH_CLICK
product (String)
Défini par l'utilisateur
True
The XDM identifier of the product.
Exemple : CC
product_type (chaîne)
Défini par l'utilisateur
True
Nom d’affichage du produit tel qu’il est présenté à l’utilisateur pour cette vue de produits.
Exemple : gpus, ordinateurs portables
geo (chaîne)
Défini par l'utilisateur
True
The geographic location where the conversion was delivered (placeContext.geo.countryCode)
Exemple : US
événement_type (chaîne)
Défini par l'utilisateur
True
The primary event type for this time-series record
Exemple : Conversion payante
media_type (chaîne)
ENUM
False
Indique si le type de média est payé, détenu ou gagné.
Exemple : PAYÉ, PROPRIÉTAIRE
canal (chaîne)
ENUM
False
Propriété channel._type utilisée pour fournir une classification approximative des canaux avec des propriétés similaires dans Consumer Experience Event XDM.
Exemple : RECHERCHE
action (chaîne)
ENUM
False
La mediaAction propriété est utilisée pour fournir un type d’action multimédia de événement d’expérience.
Exemple : CLICK
campaign_group (chaîne)
Défini par l'utilisateur
True
Nom du groupe de campagnes dans lequel plusieurs campagnes sont regroupées, par exemple "50 %_DISCOUNT".
Exemple : COMMERCIAL
campaign_name (chaîne)
Défini par l'utilisateur
True
Nom de la campagne utilisée pour identifier la campagne marketing telle que '50%_DISCOUNT_USA' ou '50%_DISCOUNT_ASIA'.
Exemple : La vente de Thanksgiving
Référence du score brut (agrégé)
Le tableau ci-dessous mappe les scores agrégés aux scores bruts. Si vous souhaitez télécharger vos scores bruts, consultez la documentation sur le téléchargement dans Attribution AI . Pour vue des chemins d’accès aux scores bruts depuis l’interface utilisateur, consultez la section sur l’ affichage des chemins d’accès aux scores bruts dans ce document.
Nom de la colonne
Colonne de référence Note brute
customerevents_date
timestamp
mediatouchpoints_date
_locataireID.your_schéma_name.touchpointsDetail.element.touchpoint.timestamp
segment
_locataireID.your_schéma_name.segmentation
conversion_scope
_locataireID.your_schéma_name.conversion.conversionName
touchpoint_scope
_locataireID.your_schéma_name.touchpointsDetail.element.touchpointName
product
_locataireID.your_schéma_name.conversion.product
product_type
_locataireID.your_schéma_name.conversion.product_type
géo
_locataireID.your_schéma_name.conversion.geo
événement_type
eventType
media_type
_locataireID.your_schéma_name.touchpointsDetail.element.touchpoint.mediaType
channel
_locataireID.your_schéma_name.touchpointsDetail.element.touchpoint.mediaChannel
action
_locataireID.your_schéma_name.touchpointsDetail.element.touchpoint.mediaAction
campaign_group
_locataireID.your_schéma_name.touchpointsDetail.element.touchpoint.campaignGroup
campaign_name
_locataireID.your_schéma_name.touchpointsDetail.element.touchpoint.campaignName

Étapes suivantes

Once you have prepared your data and have all your credentials and schemas in place, start by following the Attribution AI user guide . Ce guide vous guide tout au long de la création d’une instance pour Attribution AI.