Einstein Discovery 알기

학습 목표

이 유닛을 완료하면 다음을 수행할 수 있습니다.

Einstein Discovery의 기능을 설명할 수 있습니다.
Einstein Discovery가 해결하는 사용 사례의 유형에 대해 설명할 수 있습니다.

Einstein Discovery란 무엇인가요?

Einstein Discovery는 코드가 필요 없는 빠른 반복 환경에서 통계적 모델링과 지도형 머신 러닝을 통해 비즈니스 인텔리전스를 강화합니다. Einstein Discovery 모델을 사용하여 빠르게 비즈니스 데이터의 인사이트를 확보하고 향후 성과를 예측할 수 있습니다. Einstein Discovery 모델을 배포하여 조직 전반에 머신 러닝 기반의 권장 사항을 전달하세요. 예를 들어 워크플로에 Einstein Discovery 예측을 사용하거나 Einstein Discovery 예측을 Salesforce 페이지에 추가하여 Einstein이 예측 결과를 개선할 수 있는 방법을 추천하도록 할 수 있습니다. Einstein Discovery가 조직을 위해 할 수 있는 모든 것에 대한 개요는 Einstein Discovery: 빠르게 살펴보기를 참조하세요.

참고: Einstein Discovery에는 CRM Analytics Plus 라이선스 또는 Einstein Predictions 라이선스가 필요하며, 둘 다 추가 비용으로 이용할 수 있습니다.

Einstein Discovery는 어떤 종류의 사용 사례에 도움이 될 수 있나요?

Einstein Discovery는 비즈니스 성과에 대한 다음과 같은 일반적인 사용 사례를 지원합니다.

사용 사례	적용 대상
회귀 분석	회귀 분석 - 통화, 개수 또는 기타 수량과 같은 정량적 데이터(측정값)로 표시되는 수치 결과를 처리합니다. 예를 들어 Einstein Discovery는 기회의 금전적 가치를 파악하는 데 도움이 될 수 있습니다.
이진 분류	이진 분류 - 두 가지 가능한 결과만 존재하는 텍스트 데이터를 처리합니다. 일반적으로 비즈니스 용어로 표현되는 예/아니요 질문입니다. 예를 들어 Einstein Discovery는 기회를 성공시키는 데 도움이 될 수 있습니다.
다중 클래스 분류	가능한 성과가 3-10개 있고 텍스트 데이터로 표시되는 성과. 예를 들어 멀티클래스 모델은 기회가 다음 단계로 진행될지, 이전 단계로 되돌아갈지, 아니면 단계를 건너뛸지 등 기회의 가장 가능성이 높은 다음 단계를 예측하는 데 도움이 될 수 있습니다.

기회를 예로 사용하여 지원되는 세 가지 사용 사례를 나타낸 그림

어떤 비즈니스 성과를 개선하려고 하나요?

성공적인 여정은 첫 단계부터 시작됩니다. Einstein Discovery 솔루션의 경우, 첫 단계는 해결할 비즈니스 문제를 선택하는 것입니다. 비즈니스에서 Einstein Discovery를 사용하는 솔루션을 배포하여 가장 많이 개선할 수 있는 주요 성과 지표(KPI)를 조사하세요. 비즈니스 성과는 지원되는 세 가지 사용 사례인 회귀 분석, 이진 분류 또는 다중 클래스 분류 중 하나에 적합해야 합니다.

이 모듈에서는 기회 성공을 극대화하는 것이 목표인 샘플 시나리오에 대해 알아봅니다. 비즈니스 성과는 성공 또는 실패 중 하나입니다. 그러므로 Einstein Discovery를 사용하여 이진 분류 문제를 해결합니다.

Einstein Discovery 솔루션을 어떻게 구현하나요?

이 모듈에서 완료할 작업의 순서를 나타내는 그림

이 모듈에서는 Einstein Discovery 솔루션을 구현하기 위해 일반적으로 수행하는 단계를 하나씩 안내합니다. 각 유닛에서는 CRM Analytics 데이터 집합 만들기부터 데이터 인사이트 탐색과 성과 예측 및 개선에 이르는 프로세스의 각기 다른 단계에 대해 설명합니다.

각 단계에 수반되는 작업에 대해 알아가면서 성공적인 Einstein Discovery 솔루션 구현의 반복적인 성격을 이해하기 시작합니다. Einstein Discovery는 빠른 탐색, 실험 및 반복적 개선을 위해 설계되었습니다.

진행은 선형적이지 않고 누적됩니다. 진행하면서 배웁니다. 모든 단계에 내장된 피드백을 사용하여 결과를 확인하고, 가정을 검토하고, 새로운 질문을 하고, 조정하고, 다시 시도합니다. 데이터를 정리합니다. 데이터 집합에 열을 추가 또는 제거합니다. 필터와 변환을 적용합니다. 모델 임계값을 조정합니다. 이런 식으로 계속합니다. 접근 방식을 미세 조정하는 동안 각 개선 사항은 여러분이 더 나은 운영 성과에 가까워지도록 이끌 수 있습니다.

도움말 검색