Skip to main content
ƚnase a nosotros en TDX, San Francisco o en Salesforce+ del 5 al 6 de marzo en la conferencia de desarrolladores para la era del agente de la IA. Regƭstrese ahora.

PresentaciĆ³n de Einstein Discovery

Objetivos de aprendizaje

DespuƩs de completar esta unidad, podrƔ:

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

ĀæQuĆ© es Einstein Discovery?

Einstein Discovery le permite aumentar su inteligencia de negocio con modelado estadĆ­stico y aprendizaje automĆ”tico supervisado en un entorno de iteraciĆ³n rĆ”pida y sin necesidad de cĆ³digo. Use los modelos de Einstein Discovery para obtener rĆ”pidamente perspectivas de sus datos de negocio y predecir resultados futuros. Implemente un modelo de Einstein Discovery para obtener recomendaciones basadas en aprendizaje automĆ”tico para toda su organizaciĆ³n. Por ejemplo, use las predicciones de Einstein Discovery en sus flujos de trabajo o agregue predicciones de Einstein Discovery a sus pĆ”ginas de Salesforce para que Einstein sugiera formas de mejorar el resultado previsto. Para ver una descripciĆ³n general de la utilidad de Einstein Discovery para su organizaciĆ³n, consulte Einstein Discovery: Vistazo rĆ”pido

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

ĀæEn quĆ© tipos de casos de uso puede resultar Ćŗtil 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 numƩricos representados como datos cuantitativos (mƩtricas); por ejemplo, divisas, recuentos u otras cantidades. Por ejemplo, Einstein Discovery puede ayudar a identificar el valor monetario de sus oportunidades.

ClasificaciĆ³n binaria

Resultados binarios para datos de texto con solo dos resultados posibles. Suelen ser preguntas cerradas (sĆ­/no) expresadas en tĆ©rminos de negocio. Por ejemplo, Einstein Discovery puede ser Ćŗtil para ganar oportunidades.

ClasificaciĆ³n 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 mƔs probable para una oportunidad: si se debe pasar a la siguiente etapa, regresar a la anterior o incluso omitir una.

IlustraciĆ³n de tres casos de uso posibles, con un ejemplo de oportunidad

ĀæQuĆ© 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 cuĆ”les son los indicadores clave de desempeƱo (KPI) que mĆ”s podrĆ­an mejorar si se implementa una soluciĆ³n de Einstein Discovery. El resultado de negocio debe corresponder a uno de los casos de uso disponibles: regresiones, clasificaciĆ³n binaria o clasificaciĆ³n multiclase.

En este mĆ³dulo, 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 clasificaciĆ³n binaria.

ĀæCĆ³mo se implementa una soluciĆ³n de Einstein Discovery?

IlustraciĆ³n de la secuencia de tareas que se completan en este mĆ³dulo

Este mĆ³dulo le guiarĆ” por los pasos comunes para implementar una soluciĆ³n 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 familiarizĆ”ndose con las tareas implicadas en cada paso, podrĆ” comprender la naturaleza iterativa de una adecuada implementaciĆ³n de una soluciĆ³n de Einstein Discovery. Einstein Discovery estĆ” diseƱado para favorecer una exploraciĆ³n rĆ”pida, la experimentaciĆ³n y la mejora iterativa. 

El progreso es acumulativo, no lineal. Se aprende con el uso. En cada paso, usarĆ” 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 transformaciĆ³n, ajustar el umbral de modelo, etcĆ©tera. A medida que ajuste su enfoque, cada mejora puede acercarlo a un resultado operativo Ć³ptimo.

Recursos

Comparta sus comentarios de Trailhead en la Ayuda de Salesforce.

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

MĆ”s informaciĆ³n Continuar a Compartir comentarios