Skip to main content
Join the Agentforce Hackathon on Nov. 18-19 to compete for a $20,000 Grand Prize. Sign up now. Terms apply.

Presentación de Einstein Discovery

Objetivos de aprendizaje

Después de completar esta unidad, podrá:

  • Describir las capacidades de Einstein Discovery.
  • Explicar los tipos de casos de uso de Einstein Discovery.

¿Qué es Einstein Discovery?

Einstein Discovery le permite aumentar su inteligencia de negocio con modelado estadístico y aprendizaje automático supervisado en un entorno de iteración rápida y sin necesidad de código. Use los modelos de Einstein Discovery para obtener rápidamente perspectivas de sus datos de negocio y predecir resultados futuros. Implemente un modelo de Einstein Discovery para obtener recomendaciones basadas en aprendizaje automático para toda su organización. Por ejemplo, use las predicciones de Einstein Discovery en sus flujos de trabajo o agregue predicciones de Einstein Discovery a sus páginas de Salesforce para que Einstein sugiera formas de mejorar el resultado previsto. Para ver una descripción general de la utilidad de Einstein Discovery para su organización, consulte Einstein Discovery: Vistazo rápido

Nota: Einstein Discovery requiere la licencia de CRM Analytics Plus o de Einstein Predictions, ambas disponibles por un costo adicional.

¿En qué tipos de casos de uso puede resultar útil Einstein Discovery?

Los casos de uso habituales de Einstein Discovery para resultados de negocio son los siguientes: 

Caso de uso

Se aplica a

Regresiones

Regresiones para resultados numéricos representados como datos cuantitativos (métricas); por ejemplo, divisas, recuentos u otras cantidades. Por ejemplo, Einstein Discovery puede ayudar a identificar el valor monetario de sus oportunidades.

Clasificación binaria

Resultados binarios para datos de texto con solo dos resultados posibles. Suelen ser preguntas cerradas (sí/no) expresadas en términos de negocio. Por ejemplo, Einstein Discovery puede ser útil para ganar oportunidades.

Clasificación multiclase

Resultados con 3 a 10 resultados posibles, representados como datos de texto. Por ejemplo, un modelo multiclase puede ayudar a predecir la siguiente etapa más probable para una oportunidad: si se debe pasar a la siguiente etapa, regresar a la anterior o incluso omitir una.

Ilustración de tres casos de uso posibles, con un ejemplo de oportunidad

¿Qué resultado de negocio quiere mejorar?

Los recorridos exitosos empiezan por el primer paso. Para las soluciones de Einstein Discovery, el primer paso es seleccionar un problema de negocio que quiera resolver. En su negocio, investigue cuáles son los indicadores clave de desempeño (KPI) que más podrían mejorar si se implementa una solución de Einstein Discovery. El resultado de negocio debe corresponder a uno de los casos de uso disponibles: regresiones, clasificación binaria o clasificación multiclase.

En este módulo, exploraremos un caso de ejemplo en el cual el objetivo es maximizar las oportunidades ganadas. El resultado de negocio puede ser ganar o perder. Por lo tanto, usaremos Einstein Discovery para resolver un problema de clasificación binaria.

¿Cómo se implementa una solución de Einstein Discovery?

Ilustración de la secuencia de tareas que se completan en este módulo

Este módulo le guiará por los pasos comunes para implementar una solución de Einstein Discovery. En cada unidad, se aborda un paso del proceso, desde crear un conjunto de datos de CRM Analytics hasta explorar las perspectivas de datos, o predecir y mejorar los resultados.

A medida que vaya familiarizándose con las tareas implicadas en cada paso, podrá comprender la naturaleza iterativa de una adecuada implementación de una solución de Einstein Discovery. Einstein Discovery está diseñado para favorecer una exploración rápida, la experimentación y la mejora iterativa. 

El progreso es acumulativo, no lineal. Se aprende con el uso. En cada paso, usará los comentarios incorporados para consultar sus resultados, repensar sus suposiciones, hacer nuevas preguntas, realizar ajustes y volver a intentarlo. Puede limpiar sus datos, agregar o eliminar columnas del conjunto de datos, aplicar filtros y transformación, ajustar el umbral de modelo, etcétera. A medida que ajuste su enfoque, cada mejora puede acercarlo a un resultado operativo óptimo.

Recursos

Comparta sus comentarios de Trailhead en la Ayuda de Salesforce.

Nos encantaría saber más sobre su experiencia con Trailhead. Ahora puede acceder al nuevo formulario de comentarios en cualquier momento en el sitio de Ayuda de Salesforce.

Más información Continuar a Compartir comentarios