Conoscere il servizio Previsioni Einstein

Obiettivi di apprendimento

Al completamento di questa unità, sarai in grado di:

Descrivere le funzionalità del servizio Previsioni Einstein.
Spiegare cosa sono le previsioni, i miglioramenti e i predittori migliori.
Illustrare i modelli e le definizioni delle previsioni.
Descrivere la differenza tra produzione e fruizione di modelli.
Spiegare i tre casi d'uso di business analytics supportati dal servizio Previsioni Einstein.

Che cos'è il servizio Previsioni Einstein?

Il servizio Previsioni Einstein è un servizio API REST pubblico che permette di interagire attraverso la programmazione con modelli e previsioni basati su Einstein Discovery. Il servizio Previsioni Einstein può essere utilizzato per:

Ottenere previsioni basate sui dati.
Ricevere suggerimenti per le azioni da intraprendere per migliorare i risultati previsti.
Gestire le definizioni di previsioni e i modelli distribuiti in Salesforce.
Gestire i processi di calcolo dei punteggi in blocco.
Gestire i processi di aggiornamento dei modelli.

Questo modulo Trailhead si occupa in particolare di come ottenere previsioni e miglioramenti, ossia del caso d'uso principale del servizio Previsioni Einstein.

Introduzione alle previsioni, ai miglioramenti e ai predittori migliori

Diamo un'occhiata a un esempio di riquadro delle previsioni di Einstein Discovery in una pagina Lightning.

Riquadro Lightning di Einstein Discovery che mostra il nome della previsione, il risultato previsto, l'elenco dei predittori migliori e un elenco dei modi in cui è possibile migliorare il risultato previsto.

In questo esempio, Einstein Discovery viene utilizzato per prevedere la data di chiusura di un'opportunità; saperlo può aiutarci a lavorare dando la priorità alle opportunità che probabilmente si chiuderanno entro il periodo fiscale in corso.

Il riquadro delle previsioni mostra gli elementi chiave restituiti in una richiesta di previsione.

N.	Elemento	Descrizione
1	Previsione	Risultato previsto ed etichetta descrittiva. In questo esempio, si prevede che l'opportunità verrà chiusa tra 29,5 giorni.
2	Top Predictors (Predittori migliori)	Condizioni che hanno contribuito in modo determinante al risultato previsto, compresi i contributi favorevoli e sfavorevoli. In questo esempio, la condizione Competitor Type is Known and Route to Market is Reseller (Tipo di concorrente è Noto e Accesso al mercato è Rivenditore) aumenta il tempo di chiusura di 2,02 giorni. La freccia a sinistra puntata verso l'alto indica che il predittore aumenta il risultato previsto. Il colore rosso (e non verde) della freccia indica che l'effetto del predittore è sfavorevole, dato che il nostro obiettivo è ridurre il tempo necessario alla chiusura.
3	How to Improve This (Informazioni per il miglioramento)	Azioni suggerite che l'utente può intraprendere per migliorare il risultato previsto. In questo esempio, l'azione di cambiare Supplies Group (Gruppo di approvvigionamento) in Car Accessories (Accessori per auto) riduce il tempo necessario per la chiusura di 3,48 giorni, come indicato dalla freccia verde puntata verso il basso.

Il servizio Previsioni Einstein restituisce tutte, o in parte, queste informazioni in risposta a richieste di previsioni basate su API REST. Esaminiamo più a fondo questi elementi.

Previsioni

Una previsione è un valore derivato prodotto da un modello, che rappresenta un possibile risultato futuro basato sulla comprensione statistica dei risultati del passato e su valori di input forniti (predittori).

Analizziamo questa definizione.

Un risultato è il risultato aziendale che stai tentando di comprendere e migliorare. In genere il risultato è un indicatore chiave delle prestazioni (KPI, Key Performance Indicator), come il margine realizzato sulle vendite o il conseguimento di opportunità.
Una previsione rappresenta il valore di output generato dal modello sulla base dei valori di input forniti (predittori). L'equazione del modello è il risultato di un'approfondita analisi statistica dei dati del passato con risultati noti, che sfrutta la tecnologia del machine learning e dell'intelligenza artificiale.
Anche se il futuro è sconosciuto e incerto, una previsione riduce in qualche modo l'incertezza fornendo un valore che rientra in un intervallo di probabilità calcolato.
Quando si verifica, il risultato reale può discostarsi dal risultato previsto. Si tratta di una circostanza prevista. La misurazione della precisione di una previsione si basa sull'ampiezza di questa differenza. Per saperne di più sulla precisione delle previsioni, vedi Configurazione del monitoraggio delle prestazioni per una definizione previsione nella guida di Salesforce.

Predittori migliori

I predittori migliori sono le condizioni che influiscono in modo più significativo sul risultato previsto, in ordine decrescente di grandezza. Una condizione è un valore di dati associato a una colonna. In Einstein Discovery, un predittore è costituito da una o due condizioni. Nell'esempio del componente Lightning, Deal Size Category is 5.0 (Categoria dimensioni trattativa è 5,0) rappresenta una singola condizione, mentre Competitor Type is Known and Route to Market is Reseller (Tipo di concorrente è Noto e Accesso al mercato è Rivenditore) è una combinazione di due condizioni. I predittori sono anche noti come variabili predittore o variabili indipendenti.

Miglioramenti

Un miglioramento è un'azione suggerita che è possibile intraprendere per migliorare il risultato previsto. Tieni presente che il miglioramento interessa il risultato previsto, non necessariamente quello reale. I miglioramenti sono associati a variabili che gli utenti possono controllare o influenzare, ad esempio il metodo di spedizione o il livello dell'abbonamento di un cliente. Eseguendo le azioni consigliate da Einstein gli utenti possono aumentare le probabilità di ottenere un risultato più favorevole.

Cosa rappresentano le frecce cerchiate in rosso e in verde?

La freccia cerchiata indica in che modo il predittore o l'azione suggerita influenzano il risultato previsto. Per interpretare la freccia occorre considerare il colore e la direzione in cui è rivolta.

Colore

Il verde indica che il predittore migliora il risultato previsto.
Il rosso indica che il predittore peggiora il risultato previsto.

Direzione

La freccia è puntata verso l'alto o verso il basso a seconda della direzione in cui il predittore influisce sul risultato previsto. Ad esempio, se l'obiettivo è ottenere il risultato minimo:

Una freccia verde verso il basso indica che un predittore migliora un risultato previsto.
Una freccia rossa verso l'alto indica che un predittore peggiora tale risultato.

Nell'esempio del componente Lightning, la condizione Deal Size Category is 5.0 (Categoria dimensioni trattativa è 5,0) aumenta il tempo di chiusura previsto, perciò la freccia in rosso punta verso l'alto.

Introduzione ai modelli e alle definizioni delle previsioni

Per ottenere previsioni nel servizio Previsioni Einstein devi interagire con due risorse: i modelli e le definizioni delle previsioni.

Modelli

Un modello è il sofisticato costrutto matematico personalizzato generato da Einstein Discovery. Einstein Discovery utilizza un modello per prevedere un risultato.

Un modello organizza i dati in base alle variabili. Una variabile è una categoria di dati, simile a una colonna in una serie di dati di CRM Analytics o a un campo in un oggetto Salesforce. Un modello comprende input (variabili predittore) e previsioni di output per la variabile di risultato, insieme a informazioni aggiuntive (se necessarie).

Le previsioni si verificano al livello dell'osservazione. Un'osservazione è formata da una serie di dati strutturati ed è analoga a una riga popolata in una serie di dati di CRM Analytics o a un campo in un oggetto Salesforce.

Per ogni osservazione, il modello accetta un insieme di variabili predittore (1) e restituisce una previsione corrispondente (2).

Illustrazione che raffigura un modello che accetta variabili predittore come input e produce una previsione come output.

In via facoltativa, la richiesta di una previsione può includere un'istruzione per restituire anche predittori migliori e miglioramenti.

I modelli non sono una caratteristica esclusiva di Einstein Discovery o Salesforce. In realtà, i modelli predittivi sono largamente utilizzati in tutto il mondo, in tutti i settori, le organizzazioni e le discipline, e interessano molti aspetti della vita quotidiana. I data scientist e altri specialisti applicano il loro formidabile talento alla progettazione e alla creazione di modelli di alta qualità in grado di generare previsioni estremamente precise e molto utili.

Tuttavia, diverse organizzazioni si trovano spesso ad affrontare una sfida quando, dopo aver creato il modello perfetto, passano a implementarlo negli ambienti di produzione in cui dovrebbe integrarsi perfettamente a vantaggio delle operazioni a cui è destinato. Con Einstein Discovery, ora puoi rendere rapidamente operativi i tuoi modelli: basta crearli e distribuirli in produzione per iniziare subito a ricevere previsioni e a prendere decisioni aziendali migliori usando i dati attuali. Puoi persino rendere operativi modelli creati esternamente che carichi in Einstein Discovery.

Definizioni di previsioni

Nel servizio Previsioni Einstein, ogni modello appartiene a un oggetto container denominato Definizione di previsione. La figura seguente mostra il flusso di richiesta/risposta quando si presenta una richiesta di previsione alla definizione di una previsione che contiene un singolo modello.

Illustrazione che mostra un flusso di richiesta/risposta per la definizione di una previsione che contiene un modello

In questo esempio, la richiesta di previsione (1) passa delle variabili predittore provenienti dal record cliente alla definizione della previsione per valutare la probabilità di abbandono del cliente. La definizione della previsione inoltra i dati di input al modello (2), che calcola la previsione che viene restituita (3) nella risposta inviata al richiedente.

La definizione di una previsione può contenere più modelli, ciascuno dei quali genera previsioni per un segmento (sottoinsieme) di dati diverso. La figura seguente mostra il flusso di richiesta/risposta che interessa la definizione di una previsione con tre modelli, ciascuno dei quali genera previsioni per una determinata area geografica.

Illustrazione che mostra un flusso di richiesta/risposta di previsione per la definizione di una previsione contenente più modelli, con modelli distinti per area geografica

In questo esempio, la richiesta di previsione (1) passa delle variabili predittore provenienti dal record cliente alla definizione della previsione per valutare la probabilità di abbandono del cliente. Il record cliente (osservazione) appartiene all'area geografica AMER. La definizione della previsione inoltra i dati di input al modello che gestisce il segmento AMER (2), il quale calcola la previsione che viene restituita (3) nella risposta inviata al richiedente.

Tipi di casi d'uso supportati dalle previsioni

Il servizio Previsioni Einstein supporta i seguenti casi d'uso di business analytics comuni:

Caso d'uso	Valido per	Algoritmi supportati
Numerico	Risultati numerici rappresentati come dati quantitativi (misure), ad esempio valori espressi in valuta, conteggi o percentuali.	Modello lineare generalizzato (GLM) - Regressione lineare XGBoost GBM (Gradient Boost Machine) Foresta casuale
Classificazione binaria	Risultati binari con due soli risultati possibili, rappresentati come dati di testo. In genere si tratta di domande con risposta sì/no formulate in termini aziendali, ad esempio abbandonato o non abbandonato, opportunità conseguita o persa, dipendente trattenuto o non trattenuto e così via. A scopo di analisi, Einstein Discovery converte i due valori nei valori booleani vero e falso.	Modello lineare generalizzato (GLM) - Regressione logistica XGBoost GBM (Gradient Boost Machine) Foresta casuale
Classificazione multiclasse	Previsione di risultati probabili da 3 a 10 categorie. Ad esempio, un produttore può prevedere, in base agli attributi del cliente, quale dei tre contratti di servizio è più probabile che il cliente scelga.	XGBoost GBM (Gradient Boost Machine) Foresta casuale

Nella prossima unità dovrai creare e distribuire un modello che implementa un caso d'uso numerico.

Produrre e fruire di modelli

Quando si lavora con il servizio Previsioni Einstein è utile ragionare su due attività principali:

Produrre un modello implica il ricorso a CRM Analytics Studio per creare e distribuire il modello in Salesforce. Per prevedere l'abbandono dei clienti, ad esempio, è necessario creare un modello che preveda la probabilità che un cliente abbandoni o rimanga. Nella prossima unità potrai seguire i passaggi per la creazione e la distribuzione di un modello.
Fruire di un modello implica l'utilizzo del modello distribuito per generare previsioni e miglioramenti per i dati. Nel nostro esempio sull'abbandono dei clienti viene usata una pagina Lightning per visualizzare la previsione, i predittori migliori e i miglioramenti. Nell'ultima unità, imparerai a ottenere le stesse informazioni utilizzando il tuo client REST preferito e il servizio Previsioni Einstein.

Ottenere previsioni in modo dichiarativo o mediante la programmazione

Puoi ottenere previsioni dal servizio Previsioni Einstein in due modi principali:

Dichiarativo nei campi di previsione automatica, utilizzando la funzione PREDICT all'interno di formule di automazione dei processi, con la trasformazione Discovery Predict nei Procedimenti preparazione dati, con l'azione di Einstein Discovery nei flussi di Salesforce e in Einstein Discovery su Tableau.
Mediante programmazione utilizzando le API REST e APEX.

Tempo stimato

Argomenti

Hai bisogno di aiuto?

Risorse per CRM Analytics

Risorse per Einstein