Conoscere Einstein Discovery
Obiettivi di apprendimento
Al completamento di questa unità, sarai in grado di:
- Descrivere le funzionalità di Einstein Discovery.
- Spiegare i tipi di casi d'uso su cui interviene Einstein Discovery.
Che cos'è Einstein Discovery?
Einstein Discovery consente di potenziare la Business Intelligence attraverso la modellazione statistica e il machine learning supervisionato in un ambiente a iterazione rapida che non richiede codice. I modelli di Einstein Discovery possono essere utilizzati per far emergere rapidamente approfondimenti dai dati aziendali e per prevedere risultati futuri. La distribuzione di modelli di Einstein Discovery permette di introdurre raccomandazioni basate sul machine learning in tutta l'organizzazione. Ad esempio, è possibile usare le previsioni di Einstein Discovery nei flussi di lavoro o aggiungerle alle pagine Salesforce per far sì che Einstein suggerisca metodi per migliorare il risultato previsto. Per una visione d'insieme di ciò che Einstein Discovery può fare per la tua organizzazione, vedi Einstein Discovery: breve panoramica.
Nota: Einstein Discovery richiede la licenza CRM Analytics Plus o la licenza Einstein Predictions, entrambe disponibili con un supplemento di prezzo.
Tipi di casi d'uso supportati da Einstein Discovery
Einstein Discovery supporta i seguenti casi d'uso comuni relativi ai risultati aziendali.
Caso d'uso |
Applicabile a |
---|---|
Regressione |
Regressione per i risultati numerici rappresentati come dati quantitativi (misure), ad esempio valori espressi in valuta, come conteggi o come qualsiasi altra quantità. Ad esempio, Einstein Discovery può aiutarti a stabilire il valore monetario delle opportunità. |
Classificazione binaria |
Risultati binari relativi a dati che si presentano sotto forma di testo e che possono restituire solo due risultati. Si tratta di solito di domande con risposta sì/no espresse in termini aziendali. Ad esempio, Einstein Discovery può aiutarti a conseguire delle opportunità. |
Classificazione multiclasse |
Risultati rappresentati come dati di testo che possono assumere da 3 a 10 valori possibili. Ad esempio, un modello multiclasse può aiutarti a prevedere la fase successiva più probabile di un'opportunità: se procederà alla fase successiva, se tornerà a una fase precedente o addirittura se salterà una fase. |
Quale risultato aziendale vuoi migliorare?
Le strade che portano al successo iniziano tutte da una prima tappa. Per le soluzioni Einstein Discovery, la prima tappa, o primo passaggio, consiste nel selezionare un problema aziendale che si vuole risolvere. Nella tua azienda, individua gli indicatori di prestazione chiave (KPI) che possono trarre i maggiori vantaggi dalla distribuzione di una soluzione basata su Einstein Discovery. Il risultato aziendale deve rientrare in uno dei casi d'uso supportati: regressione, classificazione binaria o classificazione multiclasse.
In questo modulo esamineremo uno scenario di esempio in cui l'obiettivo è massimizzare i conseguimenti di opportunità. Il risultato aziendale sarà: o conseguite o perse. Pertanto, useremo Einstein Discovery per risolvere un problema di classificazione binaria.
Processo di implementazione di una soluzione Einstein Discovery
Questo modulo illustra i passaggi comunemente seguiti per implementare una soluzione Einstein Discovery. Ogni unità affronta una diversa fase del processo: dalla costruzione di una serie di dati di CRM Analytics all'esplorazione degli approfondimenti sui dati, fino alla previsione dei risultati e al loro miglioramento.
Man mano che acquisisci familiarità con le attività previste in ogni fase, inizierai a comprendere la natura iterativa dell'implementazione di una soluzione Einstein Discovery di successo. Einstein Discovery è progettato per permetterti di esplorare e sperimentare rapidamente e di apportare miglioramenti in modo iterativo.
Il progresso è cumulativo, non lineare. Impari strada facendo e in ogni fase puoi consultare i feedback integrati per controllare i risultati e le tue ipotesi, porre nuove domande, apportare modifiche e riprovare. Puoi ripulire i dati, aggiungere o rimuovere colonne nella serie di dati, applicare filtri e trasformazioni, regolare la soglia del modello e così via. Man mano che perfezioni il tuo approccio, ogni miglioramento può avvicinarti al conseguimento di risultati operativi migliori.
Risorse
- Guida di Salesforce: Spiegazioni, previsioni e azioni con Einstein Discovery
- Trailhead: Einstein Discovery: breve panoramica
- Trailhead: Comprendere i dati e migliorare i risultati con Einstein Discovery
- Trailhead: Sviluppo etico di modelli con Einstein Discovery: breve panoramica
- Trailhead: Creare intelligenza artificiale in modo responsabile
- Quip: Risorse per l'apprendimento più richieste
- Articolo tecnico: Understanding the Differentiating Capabilities and Unique Features of Salesforce Einstein Discovery within the Machine Learning Space (Comprendere le funzionalità che differenziano Salesforce Einstein Discovery e le sue caratteristiche esclusive nel mondo del machine learning)