予測と改善の理解

学習の目的

この単元を完了すると、次のことができるようになります。
  • 予測と改善を理解する。
  • ストーリーの予測と改善に移動して探索する。
  • シナリオの最も可能性の将来の高い結果を特定する。
  • 予測の背後にある上位の要素を特定する。
メモ

メモ

この単元の手順は、Einstein Discovery ストーリーを正常に作成済みであることを前提としています。この Trailhead モジュールの最初の単元「ストーリーの作成」の手順を参照してください。

予測と改善について

他のストーリーインサイトには過去の活動の履歴データが表示されますが、予測と改善では、将来の事象について統計的に可能性が高い結果が計算されます。Einstein Discovery は、予測分析を実施して将来の結果を予測し、指示的分析を実施してそれらの予測された結果を改善する方法を提案します。予測と改善は、データサイエンティストが高度な分析ツールや AI ツールを使用して実施するような回帰分析と機械学習分析から生成されます。予測と改善を使用して、データについて対話型の what-if 分析を実行することができます。

[インサイトと予測] を選択してストーリーを作成すると、Einstein Discovery によって予測と改善の作成に使用されるモデルも生成されます。モデルは、入力 (データの説明変数の値) を受け入れ、出力 (予測と改善) を作成する高度なアルゴリズムと考えることができます。したがって、予測は Einstein Discovery モデルによって作成される、可能性のある将来の結果を表す派生値です。改善は、目的の結果になる可能性を高めるためにユーザが実行できる、指示的分析に基づいた推奨アクションです。

メモ

メモ

「What Could Happen (何が起きる可能性があるか)」インサイトを使用すると、ストーリーのデータセットのデータを使用して、予測と改善を得ることができます。Einstein Discovery では予測と改善を本番環境で使用することもできます。組織で予測モデルを使用する方法についての詳細は、「結果の予測およびアクションの実行」を参照してください。

予測の取得

まず、Einstein Discovery が業種別 CLV の予測にどのように役立つかを見てみましょう。

1.  ストーリーナビゲーションバーで、[予測] をクリックします。[Predictions and Improvements (予測と改善)] 画面が表示されます。
[Predictions and Improvements (予測と改善)] 画面。左側のパネルには、データセットの列のリストが表示されます。[モデルの機能] 表示ラベルは、Einstein Discovery が予測を生成するために使用する予測モデルでその列が使用されていることを示します。これらは説明変数 (予測変数と呼ばれることもあります)。列は相関率で並び替えられています。相関率は、説明変数と結果変数の間の関連付けの強さを示します。すでに [変数] パネルで見たように、[Division (ディビジョン)] に CLV との最も高い相関関係があり、[Type (種類)][Rating (評価)] と続きます。

各項目には、選択可能な値のリストがあります。予測を表示するには、ドロップダウンをクリックし、リストから値を選択します。

2.[Division (ディビジョン)] で [Naval (海軍)] を選択します。予測 - ディビジョンが海軍[Division (ディビジョン)] が [Naval (海軍)] の場合に予測される CLV が 20995.67 であることが表示されます。さらに、この選択が平均 CLV にマイナスの影響 (267 の低下) を及ぼすことも表示されます。

メモ

メモ


小数値の予測は正確に見えますが、これらの値はモデルによって作成されたものです。反映されているのは計算の出力であり、実際の結果に関する確実性や厳密な正確性ではありません。

3.  さまざまなディビジョンを選択して、予測 CLV が最も高くなるディビジョンを見つけましょう。[Division (ディビジョン)] が [Raw Materials (原材料)] の場合、予測 CLV は 24926.15 で、これは平均より 721.6 高い肯定的な要因です。 

Division is Raw Materials (ディビジョンが原材料)

[Division (ディビジョン)] が [Naval (海軍)] の場合よりも 3930.48 も高くなっています。大きな差です。

4.  この予測の背後に何があるかを知るには、滝グラフまでスクロールダウンします。[Division is Raw Materials (ディビジョンが原材料)] の滝グラフ。

このグラフには、ベースライン CLV、[Division is Raw Materials (ディビジョンが原材料)] の場合の影響、その他の項目から予想される影響、全体的な予測結果が表示されます。統計情報を表示するには、グラフのバーにマウスポインタを置きます。

項目値の組み合わせを選択すると、それらの要素間の相互関係が予測 CLV にどの程度影響するかを調べることができます。どうなるかを確認してみましょう。

5.  [Type (種類)] のさまざまな値を選択して、[Division is Raw Materials (ディビジョンが原材料)] の場合に予測 CLV が最も高くなる値を見つけます。[Division is Raw Materials and Type is Partner (ディビジョンが原材料かつ種類がパートナー)] の上位の改善点。

改善の取得

Einstein Discovery では、予測される結果を変更するために実行できるアクションの推奨を取得できます。Einstein Discovery の改善はアクション可能な変数に基づきます。アクション可能な変数とは、特定の顧客に使用するマーケティングキャンペーンの決定や顧客に推奨する配送方法の決定など、ユーザが制御したり影響を与えたりすることができる変数です。

列の横にある [アクション可能] ボタンをクリックすると、結果を改善するために実行できるアクションがあれば、それが [上位の改善] ボックスに表示されます。

リソース

結論

このモジュールでは、既存データの複雑な関係をより深く理解できる診断的インサイトについて学習しました。関連する要素や関連しない要素がどのように観測された結果に影響を与えるかを確認し、予測と改善を使用して今後のビジネス行動についてより適切な意思決定を行いました。

無料で学習を続けましょう!
続けるにはアカウントにサインアップしてください。
サインアップすると次のような機能が利用できるようになります。
  • 各自のキャリア目標に合わせてパーソナライズされたおすすめが表示される
  • ハンズオン Challenge やテストでスキルを練習できる
  • 進捗状況を追跡して上司と共有できる
  • メンターやキャリアチャンスと繋がることができる