Kennenlernen von Einstein Discovery

Lernziele

Nachdem Sie diese Lektion abgeschlossen haben, sind Sie in der Lage, die folgenden Aufgaben auszuführen:

Beschreiben der Funktionen von Einstein Discovery
Erklären der Arten von Anwendungsfällen, für die Einstein Discovery geeignet ist

Was ist Einstein Discovery?

Einstein Discovery ermöglicht Ihnen, Ihre Business Intelligence mit statistischer Modellierung und beaufsichtigtem maschinellem Lernen in einer Umgebung zu erweitern, für die keinerlei Programmierung erforderlich ist und die eine schnelle Iteration ermöglicht. Verwenden Sie Einstein Discovery-Modelle, um schnell Erkenntnisse aus Ihren Geschäftsdaten zu gewinnen und künftige Ergebnisse vorherzusagen. Stellen Sie ein Einstein Discovery-Modell bereit, um auf maschinelles Lernen gestützte Empfehlungen über Ihre ganze Organisation hinweg einzufügen. Verwenden Sie Einstein Discovery-Prognosen beispielsweise in Ihren Workflows oder fügen Sie sie zu Ihren Salesforce-Seiten hinzu, um Einstein-Vorschläge zur Verbesserung der prognostizierten Ergebnisse zu erhalten. Einen Überblick über alle Möglichkeiten von Einstein Discovery für Ihre Organisation finden Sie unter Einstein Discovery: Schnelleinstieg.

Hinweis: Für Einstein Discovery ist die CRM Analytics Plus-Lizenz oder die Einstein Predictions-Lizenz erforderlich, die beide gegen Aufpreis verfügbar sind.

Bei welchen Anwendungsfällen kann Einstein Discovery hilfreich sein?

Einstein Discovery unterstützt diese gängigen Anwendungsfälle für Geschäftsergebnisse.

Anwendungsfall	Geltungsbereich
Regression	Regression für numerische Ergebnisse, die als quantitative Daten (Messgrößen) dargestellt werden, wie z. B. Währung, Anzahl oder jede andere Menge. Einstein Discovery kann Ihnen z. B. dabei helfen, den finanziellen Wert Ihrer Opportunities zu ermitteln.
Binäre Klassifizierung	Binäre Ergebnisse für Textdaten mit nur zwei möglichen Resultaten. Dies sind in der Regel Ja/Nein-Fragen, die in geschäftlichen Begriffen ausgedrückt werden. Einstein Discovery kann Ihnen beispielsweise helfen, Opportunities zu gewinnen.
Klassifizierung mehrerer Klassen	Ergebnisse mit 3-10 möglichen Ergebnissen, die als Textdaten dargestellt werden. Ein Modell mit mehreren Klassen kann Ihnen beispielsweise dabei helfen, die wahrscheinlichste nächste Phase für eine Opportunity vorherzusagen: ob sie in die nächste Phase eintritt, zu einer vorherigen Phase zurückkehrt oder sogar eine Phase überspringt.

Abbildung mit den drei unterstützten Anwendungsfällen am Beispiel von Opportunities.

Welches Geschäftsergebnis möchten Sie verbessern?

Erfolgreiche Unternehmungen beginnen mit dem ersten Schritt. Für Einstein Discovery-Lösungen müssen Sie zunächst ein Geschäftsproblem auswählen, das Sie lösen möchten. Ermitteln Sie in Ihrem Unternehmen die wichtigsten Leistungsindikatoren (KPIs), die am meisten von der Bereitstellung einer auf Einstein Discovery basierenden Lösung profitieren könnten. Das Geschäftsergebnis muss zu einem der unterstützten Anwendungsfälle passen: Regression, binäre Klassifizierung oder Klassifizierung mehrerer Klassen.

In diesem Modul untersuchen wir ein Beispielszenario, bei dem es darum geht, das Gewinnen von Opportunities zu maximieren. Das Geschäftsergebnis lautet entweder Gewinnen oder Verlieren. Daher lösen wir mithilfe von Einstein Discovery ein binäres Klassifizierungsproblem.

Wie implementieren Sie eine Einstein Discovery-Lösung?

Abbildung der Reihenfolge der Aufgaben, die Sie in diesem Modul erledigen müssen.

Dieses Modul führt Sie durch die Schritte, die bei der Implementierung einer Einstein Discovery-Lösung üblicherweise befolgt werden. Jede Einheit befasst sich mit einem anderen Schritt im Prozess – vom Aufbau eines CRM Analytics-Datensets über die Erkundung von Datenstatistiken bis zur Vorhersage und Verbesserung von Ergebnissen.

Wenn Sie sich mit den Aufgaben bei den einzelnen Schritten vertraut machen, werden Sie den iterativen Charakter der Implementierung einer erfolgreichen Einstein Discovery-Lösung verstehen. Einstein Discovery ist für die schnelle Erkundung, Experimente und iterative Verbesserung konzipiert.

Fortschritt ist kumulativ und nicht linear. Sie lernen nach und nach dazu. Bei jedem Schritt nutzen Sie integriertes Feedback, um Ihre Ergebnisse zu prüfen, Ihre Annahmen zu untersuchen, neue Fragen zu stellen, Anpassungen vorzunehmen und einen neuen Versuch zu starten. Bereinigen Sie Ihre Daten. Fügen Sie Ihrem Datenset Spalten hinzu oder entfernen Sie sie. Wenden Sie Filter und Transformationen an. Nehmen Sie kleine Änderungen am Modellschwellenwert vor. Und so weiter. Beim Optimieren Ihres Ansatzes kann Sie jede Verbesserung besseren Betriebsergebnissen näherbringen.