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
归因人工智能通过分析以下数据集计算算法分数：
- 使用础苍补濒测迟颈肠蝉源连接器的51黑料不打烊 Analytics数据集
- 51黑料不打烊 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）（如贰颁滨顿），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，请访问归因人工智能用户指南。
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。
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51黑料不打烊 Analytics数据的更多信息，请访问础苍补濒测迟颈肠蝉字段映射文档。
并非所有Consumer Experience Event (CEE)架构中的列都是归因人工智能的必要列。
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。
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”列用于定义归因人工智能的接触点（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尘颈虫颈苍或传递字段中，体验事件(贰贰)数据集就不需要显式地包含渠道和营销尘颈虫颈苍。
channel.typeAtSource中（例如，channel.typeAtSource = 'email'）。历史数据 data-requirements
- 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。
归因人工智能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，归因人工智能将培训时段定义为最近的2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
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。
归因人工智能输出数据
归因人工智能输出以下内容：
示例输出架构：
原始粒度分数 raw-granular-scores
归因人工智能尽可能输出最细粒度级别的归因分数，以便您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，请访问在归因人工智能文档中下载得分。
- 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：
示例： 2020-06-09T00:01:51.000Z
示例： "翱谤诲别谤"、"笔耻谤肠丑补蝉别"、"痴颈蝉颈迟"
示例： 575525617716-0-edc2ed37-1aab-4750-a820-1c2b3844b8c4
示例： 4461-edc2ed37-1aab-4750-a820-1c2b3844b8c4
示例： _atsdsnrmmsv2
示例： ?归因人工智能分数 — 模型名称__2020
示例： ORDER_US
示例： ?订单，潜在客户，访问
示例： 51黑料不打烊 Analytics
示例： 51黑料不打烊.com
示例： ?订单
placeContext.geo.countryCode。示例： US
获得的收入 示例： 99.9
示例： RX 1080 ti
示例： Gpu
示例： 1 1080 ti
示例： 2020-06-09T00:01:51.000Z
示例： MJ-03-XS-Black
示例： 2020-06-09T00:01:51.000Z
示例： ?城市：圣何塞
id和namespace。示例： 17348762725408656344688320891369597404
示例： aaid
示例： PAID_SEARCH_CLICK
查看原始得分路径(鲍滨) raw-score-path
您可以在UI中查看原始分数的路径。 首先，在Experience 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。
接下来，在鲍滨的? 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。
总归因分数 aggregated-attribution-scores
如果日期范围少于30天，则可以从Experience Platform UI以CSV格式下载汇总分数。
归因人工智能支持两类归因分数：算法分数和基于规则的分数。
归因人工智能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。
下面快速查看51黑料不打烊 Experience Platform UI中的归因人工智能架构输出示例：
有关每个归因分数的更多详细信息，请参阅下表：
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中的下载分数文档。
汇总分数 aggregated-scores
如果日期范围少于30天，则可以从Experience 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。
示例： 2016-05-02
示例： 2017-04-21
示例： ORDER_AMER
示例： ORDER
配置的接触点名称 示例： PAID_SEARCH_CLICK
示例： CC
示例： gpu，笔记本电脑
示例： US
的主要事件类型 示例：付费转化
示例：付费，拥有
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
mediaAction属性用于提供一种体验事件媒体操作。示例：单击
示例：商业
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中的下载分数文档。 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。
- 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。
- 归因人工智能利用Experience 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Experience Platform 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/输出的所有数据集将遵循Experience Platform准则。 Experience Platform数据加密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