Entrée et sortie dans Attribution AI

Le document suivant décrit les différentes entrées et sorties utilisées dans Attribution AI.

Attribution AI données d’entrée

Attribution AI analyse les jeux de données suivants pour calculer les scores algorithmiques :

  • Jeux de données Adobe Analytics utilisant la variable Connecteur source Analytics
  • Jeux de données d’événement d’expérience (EE) en général à partir du schéma Adobe Experience Platform
  • Jeux de données d’événements d’expérience client (CEE)

Vous pouvez désormais ajouter plusieurs jeux de données provenant de différentes sources en fonction de la variable identity map (champ) si chacun des jeux de données partage le même type d’identité (espace de noms), tel qu’un ECID. Une fois que vous avez sélectionné une identité et un espace de noms, des mesures d’exhaustivité des colonnes d’identifiants s’affichent, indiquant le volume de données assemblées. Pour en savoir plus sur l’ajout de plusieurs jeux de données, consultez le Guide d’utilisation d’Attribution AI.

Les informations du canal ne sont pas toujours mappées par défaut. Dans certains cas, si mediaChannel (champ) est vide, vous ne pourrez pas "continuer" tant que vous n’aurez pas mappé un champ à mediaChannel, car il s’agit d’une colonne obligatoire. Si le canal est détecté dans le jeu de données, il est mappé sur mediaChannel par défaut. Les autres colonnes, telles que type de média et action multimédia sont toujours facultatives.

Une fois que vous avez mappé le champ de canal, passez à l’étape "Définir les événements" où vous pouvez sélectionner les événements de conversion, les événements de point de contact et sélectionner des champs spécifiques de jeux de données individuels.

IMPORTANT
Le connecteur source Adobe Analytics peut prendre jusqu’à quatre semaines pour renvoyer les données. Si vous avez récemment configuré un connecteur, vous devez vérifier que le jeu de données possède la longueur minimale de données requise pour Attribution AI. Veuillez consulter la section données historiques pour vérifier que vous disposez de suffisamment de données pour calculer des scores algorithmiques exacts.

Pour plus d’informations sur la configuration de la variable Consumer Experience Event (CEE), reportez-vous à la section Préparation des données des services intelligents guide. Pour plus d’informations sur le mappage des données Adobe Analytics, consultez la section Mappages des champs Analytics documentation.

Toutes les colonnes du Consumer Experience Event (CEE) sont obligatoires pour Attribution AI.

Vous pouvez configurer les points de contact à l’aide des champs recommandés ci-dessous dans le schéma ou le jeu de données sélectionné.

Colonnes recommandées
Nécessaire pour
Champ d’identité Principal
Point de contact/Conversion
Date et heure
Point de contact/Conversion
Canal._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 des colonnes de conversion telles que la commande, les achats et les passages en caisse sous "commerce". Les colonnes "canal" et "marketing" servent à définir des points de contact pour Attribution AI (par exemple, channel._type = 'https://ns.adobe.com/xdm/channel-types/email'). Pour des résultats et des informations optimaux, il est vivement recommandé d’inclure autant de colonnes de conversion et de points de contact que possible. De plus, vous n’êtes pas limité aux colonnes ci-dessus. Vous pouvez inclure toute autre colonne recommandée ou personnalisée comme définition de conversion ou de point de contact.

Les jeux de données d’événement d’expérience (EE) n’ont pas besoin de disposer explicitement de mixins Canal et Marketing tant que les informations de canal ou de campagne relatives à la configuration d’un point de contact sont présentes dans l’un des mixins ou traversent les champs.

TIP
Si vous utilisez des données Adobe Analytics dans votre schéma CEE, les informations de point de contact pour Analytics sont généralement stockées dans channel.typeAtSource (par exemple, channel.typeAtSource = 'email').

Données historiques data-requirements

IMPORTANT
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 des modèles. La durée des données requises est principalement déterminée par deux facteurs clés : période de formation et intervalle de recherche en amont. 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.

Le configuration de la fenêtre de formation filtre les événements de conversion définis pour être inclus pour la formation de modèle en fonction de l’heure d’occurrence. Actuellement, la période de formation minimale est de 1 trimestre (90 jours). Le intervalle de recherche en amont fournit une période indiquant le nombre de jours avant l’inclusion des points de contact d’événement de conversion liés à cet événement de conversion. Ces deux concepts déterminent ensemble la quantité de données d’entrée (mesurées en jours) requise pour une application.

Par défaut, Attribution AI définit le créneau de formation comme les deux derniers trimestres (6 mois) et le créneau de recherche arrière comme étant de 56 jours. En d’autres termes, le modèle prend en compte tous les événements de conversion définis qui se sont produits au cours des 2 derniers trimestres et recherche tous les points de contact qui se sont produits dans les 56 jours précédant le ou les événements de conversion associés.

Formule  :

Longueur minimale des données requises = période de formation + période de recherche arrière

TIP
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 l’événement de conversion. La durée des données d’entrée doit s’étendre sur les 90 derniers jours + 28 jours (4 semaines). La période de formation est de 90 jours et la période de recherche arrière est de 28 jours au total de 118 jours.

Données de sortie Attribution AI

Attribution AI génère les résultats suivants :

Exemple de schéma de sortie :

Scores granulaires bruts raw-granular-scores

Attribution AI génère des scores d’attribution au niveau le plus granulaire possible afin que vous puissiez les découper en fonction de n’importe quelle colonne de score. Pour afficher ces scores dans l’interface utilisateur, lisez la section sur affichage des chemins de score brut. Pour télécharger les scores à l’aide de l’API, rendez-vous sur la page téléchargement de scores dans Attribution AI document.

NOTE
Vous ne pouvez voir une colonne de création de rapports de votre choix à partir du jeu de données d’entrée dans le jeu de données de sortie de score que si l’une des conditions suivantes est vraie :
  • La colonne de création de rapports est incluse dans la page de configuration dans le cadre de la configuration du point de contact ou de la définition de conversion.
  • La colonne de création de rapports est incluse dans les colonnes de jeux de données de score supplémentaires.

Le tableau suivant décrit les champs de schéma dans l’exemple de sortie de scores bruts :

Nom de colonne (DataType)
Nullable
Description
horodatage (DateTime)
False
Heure à laquelle un événement ou une observation de conversion s’est produit.
Exemple : 2020-06-09T00:01:51,000Z
identityMap (Map)
True
identityMap de l’utilisateur au format CEE XDM.
eventType (chaîne)
True
Type d’événement Principal pour cet enregistrement de série temporelle.
Exemple : "Commande", "Achat", "Visite"
eventMergeId (chaîne)
True
ID pour mettre en relation ou fusionner plusieurs Experience Events ensemble qui sont essentiellement le même événement ou qui doivent être fusionnés. Il est destiné à être renseigné par le producteur de données avant l’ingestion.
Exemple : 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_id (String)
False
Identifiant unique de l’événement de série temporelle.
Exemple : 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
_tenantId (objet)
False
Conteneur d’objets de niveau supérieur correspondant à votre ID de tentant.
Exemple : _atsdsnrmsv2
your_schema_name (Object)
False
Notation de la ligne avec l’événement de conversion de tous les événements de point de contact qui lui sont associés et de 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 (String)
True
Nom de la conversion qui a été configurée lors de la configuration.
Exemple : Commande, piste, visite
conversion (objet)
False
Colonnes de métadonnées de conversion.
dataSource (String)
True
Identification globale unique d’une source de données.
Exemple : Adobe Analytics
eventSource (String)
True
Source de l’événement réel.
Exemple : Adobe.com
eventType (chaîne)
True
Type d’événement Principal pour cet enregistrement de série temporelle.
Exemple : Commande
geo (String)
True
Emplacement géographique où la conversion a été diffusée. placeContext.geo.countryCode.
Exemple : US
priceTotal (Double)
True
Recettes obtenues par le biais de la conversion
Exemple : 99,9
product (String)
True
Identifiant XDM du produit lui-même.
Exemple : RX 1080 ti
productType (String)
True
Nom d’affichage du produit tel qu’il est présenté à l’utilisateur pour cette consultation de produit.
Exemple : Gpus
quantity (Integer)
True
Quantité achetée lors de la conversion.
Exemple : 1 1 080 ti
receivedTimestamp (DateTime)
True
Date et heure de réception de la conversion.
Exemple : 2020-06-09T00:01:51,000Z
skuId (chaîne)
True
Unité de gestion des stocks (SKU), l’identifiant unique d’un produit défini par le fournisseur.
Exemple : MJ-03-XS-Black
horodatage (DateTime)
True
Horodatage de la conversion.
Exemple : 2020-06-09T00:01:51,000Z
passThrough (Object)
True
Jeu de données Score supplémentaire colonnes spécifiées par l’utilisateur lors de la configuration du modèle.
commerce_order_purchaseCity (chaîne)
True
Colonne de jeu de données Score supplémentaire.
Exemple : city : San Jose
customerProfile (Object)
False
Détails d’identité de l’utilisateur utilisé pour créer le modèle.
identity (Object)
False
Contient les détails de l’utilisateur utilisé pour créer le modèle, tels que id et namespace.
id (String)
True
Identifiant de l’utilisateur, tel que l’identifiant de cookie, l’identifiant Adobe Analytics (AAID), ou l’identifiant Experience Cloud (ECID, également appelé MCID ou identifiant visiteur), etc.
Exemple : 17348762725408656344688320891369597404
namespace (chaîne)
True
Espace de noms d’identité utilisé pour créer les chemins d’accès et, par conséquent, le modèle.
Exemple : aaid
touchpointsDetail (tableau d’objets)
True
La liste des détails du point de contact qui mènent à la conversion ordonnée par
touchpointName (chaîne)
True
Nom du point de contact qui a été configuré lors de la configuration.
Exemple : PAID_SEARCH_CLICK
scores (objet)
True
Contribution des points de contact à cette conversion en tant que score. Pour plus d’informations sur les scores générés dans cet objet, voir la section scores d’attribution agrégés .
touchPoint (objet)
True
Métadonnées de point de contact. Pour plus d’informations sur les scores générés dans cet objet, voir la section scores agrégés .

Affichage des chemins d’accès aux scores bruts (interface utilisateur) raw-score-path

Vous pouvez afficher le chemin d’accès à vos scores bruts dans l’interface utilisateur. Commencez par sélectionner Schémas Dans l’interface utilisateur de Platform, recherchez et sélectionnez votre schéma de scores d’attribution AI dans la Parcourir .

Sélectionner votre schéma

Sélectionnez ensuite un champ dans le Structure de l’interface utilisateur, la fonction Propriétés du champ s’ouvre. Within Propriétés du champ est le champ de chemin qui correspond à vos scores bruts.

Sélection d’un schéma

Scores d’attribution agrégés aggregated-attribution-scores

Les scores agrégés peuvent être téléchargés au format CSV depuis l’interface utilisateur de Platform 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 de schéma Attribution AI à partir de l’interface utilisateur de 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 associe les scores d’attribution aux scores bruts. Si vous souhaitez télécharger vos scores bruts, rendez-vous sur la page téléchargement de scores dans Attribution AI documentation.

Scores d’attribution
Colonne de référence de score brut
Influencé (algorithmique)
_tenantID.your_schema_name.element.touchpoint.algorithmiqueInfluencé
Incrémentiel (algorithmique)
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.algorithmiqueInfluencé
Première touche
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.firstTouch
Dernière touche
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.lastTouch
Linéaire
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.linear
En forme de U
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.uShape
Décroissance temporelle
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.decayUnits

Scores agrégés aggregated-scores

Les scores agrégés peuvent être téléchargés au format CSV depuis l’interface utilisateur de Platform si la période est inférieure à 30 jours. Consultez le tableau ci-dessous pour plus de détails sur chacune de ces colonnes agrégées.

Nom de la colonne
Contrainte
Nullable
Description
customerevents_date (DateTime)
Format défini par l’utilisateur et fixe
False
Date de l’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 du média au format AAAA-MM-JJ
Exemple: 2017-04-21
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 conversion_scope.
Exemple: ORDER_AMER
conversion_scope (chaîne)
Utilisateur défini
False
Nom de la conversion tel que configuré par l’utilisateur.
Exemple: ORDER
touchpoint_scope (chaîne)
Utilisateur défini
True
Nom du point de contact tel que configuré par l’utilisateur
Exemple: PAID_SEARCH_CLICK
product (String)
Utilisateur défini
True
Identifiant XDM du produit.
Exemple: CC
product_type (String)
Utilisateur défini
True
Nom d’affichage du produit tel qu’il est présenté à l’utilisateur pour cette consultation de produit.
Exemple: gpus, ordinateurs portables
geo (String)
Utilisateur défini
True
Emplacement géographique où la conversion a été diffusée (placeContext.geo.countryCode)
Exemple: US
event_type (chaîne)
Utilisateur défini
True
Type d’événement Principal pour cet enregistrement de série temporelle
Exemple: Conversion payante
media_type (chaîne)
ENUM
False
Indique si le type de média est payé, détenu ou gagné.
Exemple: PAYÉ, DÉTENU
channel (String)
ENUM
False
Le channel._type qui sert à fournir une classification approximative des canaux avec des propriétés similaires dans Consumer Experience Event XDM.
Exemple: RECHERCHE
action (String)
ENUM
False
Le mediaAction sert à fournir un type d’action experience event media.
Exemple: CLIQUEZ
campaign_group (chaîne)
Utilisateur défini
True
Nom du groupe de campagnes dans lequel plusieurs campagnes sont regroupées, par exemple '50%_DISCOUNT'.
Exemple: COMMERCIAL
campaign_name (String)
Utilisateur défini
True
Nom de la campagne utilisée pour identifier la campagne marketing telle que '50%_DISCOUNT_USA' ou '50%_DISCOUNT_ASIA'.
Exemple: Salaire Thanksgiving

Référence du score brut (agrégé)

Le tableau ci-dessous associe les scores agrégés aux scores bruts. Si vous souhaitez télécharger vos scores bruts, rendez-vous sur la page téléchargement de scores dans Attribution AI documentation. Pour afficher les chemins d’accès aux scores bruts dans l’interface utilisateur, consultez la section sur affichage des chemins de score brut dans ce document.

Nom de la colonne
Colonne de référence Score brut
customerevents_date
date et heure
mediatouchpoints_date
_tenantID.your_schema_name.touchpointsDetail.element.touchpoint.timestamp
segment
_tenantID.your_schema_name.segmentation
conversion_scope
_tenantID.your_schema_name.conversion.conversionName
touchpoint_scope
_tenantID.your_schema_name.touchpointsDetail.element.touchpointName
product
_tenantID.your_schema_name.conversion.product
product_type
_tenantID.your_nom_schéma.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
action
_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 utilise uniquement des données mises à jour pour la formation et la notation ultérieures. De même, lorsque vous demandez la suppression de données, Customer AI s’abstient d’utiliser les données supprimées.
  • L’IA dédiée à l’attribution utilise les jeux de données Platform. Pour prendre en charge les demandes de droits des consommateurs qu’une marque peut recevoir, les marques doivent utiliser Privacy Service de Platform pour soumettre les demandes d’accès et de suppression des clients afin de supprimer leurs données dans le lac de données, le service d’identités et le profil client en temps réel.
  • Tous les jeux de données que nous utilisons pour l’entrée/la sortie des modèles suivront les directives de Platform. Le chiffrement des données de Platform s’applique aux données au repos et en transit. Consultez la documentation pour en savoir plus sur le chiffrement des données

Étapes suivantes next-steps

Une fois vos données préparées et vos informations d’identification et schémas en place, commencez par suivre la Guide d’utilisation d’Attribution AI. Ce guide vous guide tout au long de la création d’une instance pour Attribution AI.

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