Découvrir le service de prédiction Einstein

Objectifs de formation

Une fois cette unité terminée, vous pourrez :

• Expliquer les capacités du service de prédiction Einstein
  
• Expliquer les prévisions, les améliorations et les principaux prédicteurs
  
• Expliquer les modèles et les définitions de prédiction
  
• Décrire la différence entre les modèles de production et de consommation
  
• Expliquer les trois cas d’utilisation de l’analyse commerciale auxquels répond le service de prédiction Einstein
  

Présentation du service de prédiction Einstein

Le service de prédiction Einstein est un service d’API REST public qui vous permet d’interagir de manière programmatique avec les modèles et les prédictions alimentés par Einstein Discovery. Le service de prédiction Einstein est utilisé aux fins suivantes :

• Obtenir des prédictions relatives à vos données
  
• Obtenir des suggestions d’actions à entreprendre pour améliorer les résultats prédits
  
• Gérer les définitions et les modèles de prédiction déployés dans Salesforce
  
• Gérer les tâches de score par lot
  
• Gérer les tâches d’actualisation de modèle
  

Ce module Trailhead se concentre sur l’obtention de prédictions et d’améliorations, ce qui constitue le principal cas d’utilisation du service de prédiction Einstein.

Découverte des prédictions, des améliorations et des meilleurs prédicteurs

Examinons un exemple de panneau de prédictions Einstein Discovery sur une page Lightning.

Cet exemple utilise Einstein Discovery pour prédire dans combien de temps une opportunité sera fermée. Cette information peut nous aider à donner la priorité aux opportunités qui sont susceptibles d’être fermées au cours de la période fiscale actuelle.

Le panneau des prédictions présente les principaux éléments renvoyés dans une demande de prédiction.

Le service de prédiction Einstein renvoie tout ou partie de ces informations en réponse aux demandes de prédiction alimentées par l’API REST. Découvrons ces éléments plus en détail. 

Les prédictions

Une prédiction est une valeur dérivée produite par un modèle, qui représente un éventuel résultat futur basé sur une compréhension statistique des résultats passés et des valeurs d’entrée fournies (prédicteurs). 

Décomposons ces différents éléments.

• Un résultat est le résultat commercial que vous essayez de comprendre et d’améliorer. Un résultat est généralement un indicateur de performance clé (KPI), tel que la marge de vente ou les opportunités remportées.
  
• Une prédiction représente une valeur de sortie que le modèle génère sur la base des valeurs d’entrée fournies (prédicteurs). L’équation du modèle est le résultat d’une analyse statistique approfondie des données passées avec des résultats connus, alimentée par l’apprentissage automatique et l’IA.
  
• Bien que l’avenir soit inconnu et incertain, une prédiction réduit quelque peu cette incertitude en fournissant une valeur qui se situe dans une plage de probabilité calculée.
  
• Lorsque cela se produit, le résultat réel peut différer du résultat prédit. C’est à cela que l’on s’attend. Nous mesurons la précision de la prédiction en fonction de l’importance de cette différence. Pour en savoir plus sur la précision des prédictions, consultez la rubrique Configuration du suivi des performances pour une définition de prédiction dans l’aide Salesforce.
  

Principaux prédicteurs

Lesprincipaux prédicteurs sont les conditions qui influencent le plus le résultat prédit, par ordre décroissant d’importance. Une condition est une valeur de données associée à une colonne. Dans Einstein Discovery, un prédicteur est constitué d’une ou deux conditions. Si nous prenons l’exemple du composant Lightning, Deal Size Category is 5.0 (Catégorie du montant de la transaction définie sur 5.0) est une condition unique, tandis que Competitor Type is Known and Route to Market is Reseller (Type de compétiteur défini sur Connu et Mise sur le marché définie sur Revendeur) est une combinaison de deux conditions. Les prédicteurs sont également considérés comme des variables prédictives ou des variables indépendantes.

Améliorations

Une amélioration est une action suggérée qu’un utilisateur peut entreprendre pour améliorer le résultat prédit. Notez que l’amélioration a un impact sur le résultat prédit, pas nécessairement sur le résultat réel. Les améliorations sont associées à des variables que les utilisateurs peuvent éventuellement contrôler ou influencer, telles que le mode de livraison ou le niveau d’adhésion d’un abonné. En effectuant les actions suggérées par Einstein, les utilisateurs peuvent augmenter leurs chances d’obtenir un résultat plus favorable.

Que représentent les flèches vertes et rouges en forme de cercle ?

La flèche en forme de cercle indique comment le prédicteur ou l’action suggérée influence le résultat prévu. Pour interpréter la flèche, il faut se référer à sa couleur et à la direction qu’elle indique.

Couleur

• Le vert indique que le prédicteur améliore le résultat prévu.
  
  
• Le rouge indique que le prédicteur dégrade le résultat prévu.
  
  

Direction

La flèche pointe vers le haut ou vers le bas en fonction de la direction dans laquelle le prédicteur affecte le résultat prédit. Par exemple, si l’objectif est de réduire le résultat :

• Une flèche verte pointant vers le bas indique qu’un prédicteur améliore un résultat prédit.
  
• Une flèche rouge pointant vers le haut indique que le prédicteur dégrade ce résultat.
  

Dans l’exemple du composant Lightning, la condition Deal Size Category is 5.0 (Catégorie du montant de la transaction définie sur 5.0) augmente le délai de fermeture prédit, ce qui explique la flèche rouge pointant vers le haut.

Découverte des modèles et des définitions de prédiction

Vous obtenez des prédictions dans le service de prédiction Einstein en interagissant avec deux ressources : les modèles et les définitions de prédiction.

Modèles

Un modèle est la construction mathématique sophistiquée et personnalisée qu’Einstein Discovery génère. Einstein Discovery utilise un modèle pour prédire un résultat. 

Un modèle organise les données par variables. Une variable est une catégorie de données. Cela correspond à une colonne dans un jeu de données CRM Analytics ou à un champ dans un objet Salesforce. Un modèle comporte des entrées (variables prédictives) et des sorties (prédictions) pour la variable de résultat, ainsi que des informations supplémentaires si elles sont demandées. 

Les prédictions sont générées au sein des observations. Une observation est un jeu de données structuré. Cela correspond à une ligne renseignée dans un jeu de données CRM Analytics ou à un enregistrement dans un objet Salesforce. 

Pour chaque observation, le modèle accepte un seul ensemble de variables prédictives (1) et renvoie une prédiction correspondante (2).

Une demande de prédiction peut éventuellement inclure une directive visant à renvoyer les principaux prédicteurs et améliorations.

Les modèles ne sont pas propres à Einstein Discovery ou à Salesforce. En fait, les modèles prédictifs sont largement utilisés dans le monde entier (dans de nombreux secteurs d’activité, organisations et disciplines) et ils sont impliqués dans de nombreux aspects de la vie quotidienne. Les data scientists et autres spécialistes mettent en application leur formidable savoir-faire pour concevoir et construire des modèles de haute qualité capables de générer des prédictions très précises et utiles. 

Cependant, de nombreuses organisations se trouvent confrontées au même défi : une fois construit, un modèle bien conçu peut être difficile à implémenter dans les environnements de production et à intégrer de façon fluide aux opérations qu’il est censé faciliter. Avec Einstein Discovery, vous pouvez désormais rapidement mettre en œuvre vos modèles : créez-les, déployez-les en production, puis commencez sans attendre à obtenir des prédictions et à prendre de meilleures décisions commerciales grâce aux données live. Vous pouvez même mettre en œuvre des modèles créés en externe que vous chargez dans Einstein Discovery. 

Définitions de prédiction

Dans le service de prédiction Einstein, chaque modèle déployé appartient à un objet conteneur appelé définition de prédiction. L’image suivante illustre le flux de demandes/réponses lors de l’exécution d’une demande de prédiction adressée à une définition de prédiction contenant un seul modèle.

Dans cet exemple, la demande de prédiction (1) transmet les variables prédictives de l’enregistrement du client à la définition de la prédiction afin d’évaluer la probabilité que le client se désabonne. La définition de la prédiction transmet les données d’entrée au modèle (2), qui calcule la prédiction renvoyée (3) dans la réponse au demandeur.

Une définition de prédiction peut contenir plusieurs modèles, chaque modèle générant des prédictions pour un segment (sous-ensemble) distinct de vos données. L’image suivante montre le flux demande/réponse impliquant une définition de prédiction avec trois modèles, chacun générant des prédictions pour une région particulière.

Dans cet exemple, la demande de prédiction (1) transmet les variables prédictives de l’enregistrement du client à la définition de la prédiction afin d’évaluer la probabilité que le client se désabonne. L’enregistrement du client (observation) appartient à la région AMER. La définition de la prédiction transmet les données d’entrée au modèle qui traite le segment AMER (2), lequel calcule la prédiction qui est renvoyée (3) dans la réponse au demandeur.

Types de cas d’utilisation pris en charge par les prédictions

Le service de prédiction Einstein prend en charge les cas d’utilisation courants suivants en matière d’analyse commerciale : 

Dans l’unité suivante, vous construisez et déployez un modèle qui met en œuvre un cas d’utilisation numérique.

Modèles de production et de consommation

Lorsque vous utilisez le service de prédiction Einstein, il est utile de penser à deux activités principales :

• La production d’un modèle implique l’utilisation de CRM Analytics Studio pour construire et déployer le modèle dans Salesforce. Pour prédire l’attrition des clients, par exemple, il fallait que quelqu’un fournisse le modèle permettant de prédire si un client est susceptible de partir ou de rester. L’unité suivante vous présente les étapes de la création et du déploiement d’un modèle.
  
• La consommation d’un modèle implique l’utilisation du modèle déployé afin de générer des prédictions et des améliorations pour vos données. Notre exemple d’attrition des clients utilise une page Lightning pour afficher les prédictions, les principaux prédicteurs et les améliorations. Dans la dernière unité, vous apprenez à obtenir les mêmes informations à l’aide de votre client REST préféré et du service de prédiction Einstein.
  

Obtention de prédictions par déclaration ou par programmation

Vous pouvez obtenir des prédictions du service de prédiction Einstein de deux manières principales :

• De manière déclarative dans les champs de prédiction automatique, tels que la fonction PREDICT dans les formules d’automatisation des processus, la transformation de prédiction de découverte dans les recettes de préparation des données, l’action Einstein Discovery dans les flux Salesforce, et dans Einstein Discovery dans Tableau.
  
• De manière programmative à l’aide d’APEX et des API REST
  

Ressources

• Aide Salesforce : Obtention de prédictions et d’améliorations avec le service de prédiction Einstein
• Trailhead : Einstein Discovery : aperçu