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.

Einstein Discovery の概要

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。

  • Einstein Discovery の機能について説明する。
  • Einstein Discovery の対象になるユースケースの種類について説明する。

Einstein Discovery とは?

Einstein Discovery があれば、コード不要の迅速な反復環境で、統計モデリングや教師あり機械学習を使用してビジネスインテリジェンスを増強することができます。Einstein Discovery モデルを使用して、ビジネスデータのインサイトを素早く表示し、将来の結果を予測します。Einstein Discovery モデルをリリースして、機械学習に基づくおすすめを組織全体に提示します。たとえば、ワークフローで Einstein Discovery の予測を使用することや、Salesforce のページに Einstein Discovery の予測を追加して、予測結果を改善する方法を Einstein に提案してもらうことが考えられます。組織に対して Einstein Discovery が実行可能な機能の全容については、「Einstein Discovery: クイックルック」を参照してください。 

メモ: Einstein Discovery には、CRM Analytics Plus ライセンスと Einstein Predictions ライセンスのいずれかが必要です。いずれも有料オプションとして購入いただけます。

Einstein Discovery が役に立つユースケース

Einstein Discovery は、ビジネス成果に関する次のような一般的なユースケースで役立ちます。 

ユースケース

適用対象

回帰

通貨、件数、その他の数量など定量的なデータ (測定値) として表される数値結果の回帰。たとえば、商談を金銭的価値で表す場合に Einstein Discovery が役立ちます。

バイナリ分類

2 つの結果のみを含むテキスト結果のバイナリ結果。通常は、ビジネス用語で表現される「はい」「いいえ」の質問です。たとえば、Einstein Discovery を使用して商談成立/不成立の可能性を予測できます。

マルチクラス分類

テキストデータで表される 3 ~ 10 の多肢択一の結果。たとえば、次のフェーズに進む、前のフェーズに戻る、フェーズをスキップするなど、商談の次のフェーズを予測する場合にマルチクラスモデルが役立ちます。

商談の例でサポートされる 3 つのユースケースを示すイラスト

改善したいビジネス成果を選択する

「千里の道も一歩から」というように、一歩を踏み出さなければ成功を掴むことはできません。Einstein Discovery ソリューションの最初の一歩は、ビジネス上の課題の中から解決したいものを選ぶことです。各自のビジネスで、Einstein Discovery を備えたソリューションの導入による効果が最大になると思われる重要業績評価指標 (KPI) を調査します。ビジネス成果は、サポートされているユースケース (回帰、バイナリ分類、マルチクラス分類) のいずれかに該当する必要があります。

このモジュールでは、商談成立件数の最大化を目標とするサンプルシナリオを見ていきます。この場合の結果は成立か不成立のいずれかです。ですから、ここでは Einstein Discovery を使用してバイナリ分類の問題を解決します。

Einstein Discovery ソリューションの実装方法

このモジュールで完了するタスクの流れを示すイラスト

このモジュールでは、Einstein Discovery ソリューションを実装するために実行する一般的な手順について説明します。各単元で、CRM Analytics データセットの作成から、データのインサイトの検証、そして結果の予測と改善まで、このプロセスのそれぞれのステップを取り上げます。

各ステップに伴うタスクに慣れていくにつれ、有益な Einstein Discovery ソリューションの実装が反復的なプロセスであることがわかってくるものと思われます。Einstein Discovery は迅速な検証、実験、反復的な改善を念頭に設計されています。 

この進歩は累積的で、線形ではありません。学習しながら前進していきます。この過程の各ステップで、組み込みのフィードバックを参考に結果を確認し、仮定を検討して、新たな疑問を提起し、調整して再度試みます。データのクリーンアップ、データセットの列の追加や削除、検索条件の適用、変換の実施、モデルのしきい値の調整など、試行錯誤を重ねて進んでいきます。各自のアプローチを微調整して改善を積み重ねていくことで、望ましいビジネス成果に近づけていきます。

リソース

Salesforce ヘルプで Trailhead のフィードバックを共有してください。

Trailhead についての感想をお聞かせください。[Salesforce ヘルプ] サイトから新しいフィードバックフォームにいつでもアクセスできるようになりました。

詳細はこちら フィードバックの共有に進む