Skip to main content

Introducción a Einstein Discovery

Objetivos de aprendizaje

Después de completar esta unidad, podrá:

  • Describir las funciones de Einstein Discovery.
  • Explicar los tipos de casos de uso que aborda Einstein Discovery.

¿Qué es Einstein Discovery?

Einstein Discovery le permite aumentar la inteligencia de su empresa con modelos estáticos y aprendizaje automático supervisado en un entorno sin necesidad de programación y de rápida iteración. Utilice los modelos de Einstein Discovery para obtener rápidamente las perspectivas de sus datos empresariales y predecir los resultados futuros. Implemente un modelo de Einstein Discovery para implantar en toda su organización las recomendaciones basadas en el aprendizaje automático. Por ejemplo, utilice las predicciones de Einstein Discovery en sus flujos de trabajo o añada estas predicciones a sus páginas de Salesforce para que Einstein le sugiera formas de mejorar el resultado predicho. Para tener una visión general de todo lo que puede hacer Einstein Discovery por su organización, consulte Einstein Discovery: un vistazo rápido

Nota: Einstein Discovery necesita la licencia CRM Analytics Plus o Einstein Predictions; ambos están disponibles por un coste adicional.

¿Con qué tipos de casos de uso nos puede ayudar Einstein Discovery?

Einstein Discovery ayuda en estos casos de uso comunes para conseguir los resultados empresariales deseados. 

Caso de uso

Se aplica a

Regresión

Regresión para los resultados numéricos representados como datos cuantitativos (medidas), por ejemplo, una divisa, un recuento o cualquier otra cantidad. Por ejemplo, Einstein Discovery le puede ayuda a calcular el importe económico de sus oportunidades.

Clasificación binaria

Resultados binarios para los datos de texto con solo dos opciones posibles. Suelen ser preguntas de sí o no que se expresan en términos empresariales. Por ejemplo, Einstein Discovery le puede ayudar a ganar oportunidades.

Clasificación múltiple

Resultados con 3 a 10 opciones posibles, representados como datos de texto. Por ejemplo, un modelo de clasificación múltiple le puede ayudar a predecir la próxima etapa más probable de una oportunidad: si va a continuar a la siguiente etapa, si volverá a la anterior o incluso si va a saltar de etapa.

Una ilustración que muestra los tres casos de uso recogidos utilizando la oportunidad como ejemplo.

¿Qué resultado empresarial quiere mejorar?

Para que un proceso salga bien, hay que comenzar con el primer paso. En las soluciones de Einstein Discovery, el primer paso consiste en seleccionar un problema empresarial que quiere resolver. Realice un sondeo en su empresa de los indicadores clave de rendimiento (KPI) que más se pueden beneficiar de la implementación de una solución impulsada por Einstein Discovery El resultado empresarial debe encajar en uno de los casos de uso recogidos: regresión, clasificación binaria y clasificación múltiple.

En este módulo, analizamos un escenario de ejemplo en el que el objetivo es aumentar las oportunidades ganadas. El resultado empresarial puede ser ganar o perder. Por consiguiente, utilizamos Einstein Discovery para solventar un problema de clasificación binaria.

¿Cómo podemos implementar una solución de Einstein Discovery?

Una ilustración que muestra la secuencia de tareas para completar en este módulo.

Este módulo le guía a través de los pasos que se suelen seguir para implementar una solución de Einstein Discovery. Cada unidad contiene un paso diferente del proceso, desde la creación de un conjunto de datos de CRM Analytics hasta el análisis de las perspectivas de datos y la predicción y mejora de resultados.

Una vez que se familiarice con las tareas incluidas en cada etapa, empezará a entender la naturaleza iterativa de la implementación exitosa de una solución de Einstein Discovery. Einstein Discovery está diseñado para el análisis rápido, experimentación y mejora iterativa. 

El progreso es acumulativo, no lineal. Va aprendiendo sobre la marcha. En cada paso del proceso, utiliza la evaluación incorporada para comprobar sus resultados, revisar sus suposiciones, preguntar nuevas dudas, hacer ajustes y volver a intentarlo. Limpie sus datos. Agregue o elimine columnas de su conjunto de datos. Aplique filtros y transformaciones. Modifique el umbral de modelo. Etcétera. A medida que ajuste su enfoque, cada mejora le puede ayudar a conseguir mejores resultados operativos.

Recursos

Comparta sus comentarios sobre Trailhead en la Ayuda de Salesforce.

Nos encantaría conocer su experiencia con Trailhead. Ahora puede acceder al nuevo formulario de comentarios cuando quiera desde el sitio de la Ayuda de Salesforce.

Más información Continuar para compartir comentarios