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.

Découverte d’Einstein Discovery

Objectifs de formation

Une fois cette unité terminée, vous pourrez :

  • Décrire les fonctionnalités d’Einstein Discovery
  • Expliquer les types de cas d’utilisation auxquels est destiné Einstein Discovery

Qu'est-ce qu'Einstein Discovery ?

Einstein Discovery vous permet de renforcer votre intelligence commerciale grâce à des modélisations statistiques et un apprentissage machine supervisé, le tout dans un environnement à itération rapide ne nécessitant pas de code. Utilisez les modèles Einstein Discovery pour obtenir rapidement des connaissances sur vos données commerciales et prédire des résultats futurs. Déployez un modèle Einstein Discovery afin de fournir des recommandations s’appuyant sur l’apprentissage automatique à l’ensemble de votre organisation. Vous pouvez, par exemple, utiliser des prédictions Einstein Discovery dans vos procédures ou ajouter des prédictions Einstein Discovery à vos pages Salesforce pour qu’Einstein suggère des moyens d’améliorer le résultat prédit. Pour une vue d’ensemble de tout ce qu’Einstein Discovery peut apporter à votre organisation, consultez Einstein Discovery : Aperçu 

Remarque : Einstein Discovery nécessite soit la licence CRM Analytics Plus, soit la licence Prédictions Einstein, toutes deux disponibles moyennant un coût supplémentaire.

Types de cas d’utilisation pris en charge par Einstein Discovery

Einstein Discovery prend en charge les cas d’utilisation courants suivants se rapportant aux résultats commerciaux. 

Cas d’utilisation

Domaine d’application

Régression

Régressions relatives à des résultats numériques représentés sous forme de données quantitatives (mesures) et exprimés en fonction d’une devise, d’un décompte ou de toute autre quantité. Par exemple, Einstein Discovery peut vous aider à déterminer la valeur monétaire de vos opportunités.

Classification binaire

Résultats binaires relatifs à des données textuelles, avec seulement deux résultats possibles. Il s’agit en général de questions oui/non exprimées en termes commerciaux. Par exemple, Einstein Discovery peut vous aider à gagner des opportunités.

Classification en classes multiples

Obtention de résultats parmi trois à dix résultats possibles, représentés sous forme de données textuelles. Par exemple, un modèle en classes multiples peut vous aider à prédire la prochaine étape la plus probable d’une opportunité : si elle passe à l’étape suivante, si elle revient à une étape précédente, voire si elle saute une étape.

Illustration montrant les trois cas d’utilisation pris en charge et utilisant une opportunité comme exemple

Sélection du résultat commercial à améliorer

Les parcours vers la réussite commencent tous par une première étape. Dans le cas des solutions Einstein Discovery, cette première étape consiste à sélectionner un problème commercial que vous souhaitez résoudre. Dans votre entreprise, étudiez les indicateurs de performance clés qui pourraient tirer le meilleur parti du déploiement d’une solution reposant sur Einstein Discovery. Le résultat commercial doit correspondre à l’un des cas d’utilisation pris en charge : régression, classification binaire ou classification multiclasse.

Dans ce module, nous explorons un exemple de scénario dans lequel l’objectif est de maximiser le nombre d’opportunités gagnées. Le résultat commercial est soit gagné, soit perdu. Par conséquent, nous utiliserons ici Einstein Discovery pour résoudre un problème de classification binaire.

Processus d’implémentation d’une solution Einstein Discovery

Illustration présentant la série de tâches à effectuer dans ce module.

Ce module vous guide à travers les étapes couramment suivies pour implémenter une solution Einstein Discovery. Chaque unité traite d’une étape différente du processus, de la création d’un jeu de données CRM Analytics à la prédiction et l’amélioration des résultats, en passant par l’exploration des connaissances issues des données.

Au fur et à mesure que vous vous familiariserez avec les tâches composant chaque étape, vous commencerez à comprendre que l’implémentation d’une solution Einstein Discovery efficace est un processus itératif par nature. Einstein Discovery est conçu pour vous permettre de rapidement explorer, expérimenter et procéder à des améliorations de manière itérative. 

La progression est cumulative ; elle ne s’effectue pas de façon linéaire. Vous apprenez au fur et à mesure. À chaque étape du processus, vous vous servez des commentaires intégrés pour vérifier vos résultats et vos hypothèses, poser de nouvelles questions, procéder à des ajustements et réessayer. Vous pouvez notamment nettoyer vos données, ajouter ou supprimer des colonnes dans votre jeu de données, appliquer des filtres et des transformations, ajuster le seuil du modèle, et ainsi de suite. Au fur et à mesure que vous affinez votre approche, chaque amélioration apportée peut vous rapprocher de l’obtention de meilleurs résultats opérationnels.

Ressources

Partagez vos commentaires sur Trailhead dans l'aide Salesforce.

Nous aimerions connaître votre expérience avec Trailhead. Vous pouvez désormais accéder au nouveau formulaire de commentaires à tout moment depuis le site d'aide Salesforce.

En savoir plus Continuer à partager vos commentaires