Einstein 예측 서비스 알아보기
학습 목표
이 유닛을 완료하면 다음을 수행할 수 있습니다.
- Einstein 예측 서비스 기능을 설명할 수 있습니다.
- 예측, 개선 사항 및 최상위 예측 변수를 설명할 수 있습니다.
- 모델과 예측 정의를 설명할 수 있습니다.
- 모델을 생산하는 것과 사용하는 것의 차이점을 설명할 수 있습니다.
- Einstein 예측 서비스가 다루는 세 가지 비즈니스 분석 사용 사례를 설명할 수 있습니다.
Einstein 예측 서비스란 무엇인가요?
Einstein 예측 서비스는 Einstein Discovery 기반 모델 및 예측과 프로그래밍 방식으로 상호 작용할 수 있는 공개 REST API 서비스입니다. Einstein 예측 서비스를 사용하여 다음을 수행할 수 있습니다.
- 데이터에 대한 예측을 가져올 수 있습니다.
- 예측된 결과를 개선하기 위해 취할 수 있는 추천 작업을 가져올 수 있습니다.
- Salesforce에 배포되는 예측 정의 및 모델을 관리할 수 있습니다.
- 대량 점수 매기기 작업을 관리할 수 있습니다.
- 모델 새로 고침 작업을 관리할 수 있습니다.
이 Trailhead 모듈은 Einstein 예측 서비스의 주요 사용 사례인 예측 및 개선에 중점을 둡니다.
예측, 개선 사항 및 최상위 예측 변수에 대해 알아보기
Lightning 페이지의 Einstein Discovery 예측 패널을 살펴보겠습니다.
이 예에서는 Einstein Discovery를 사용하여 기회가 얼마나 빨리 성사될지를 예측합니다. 이러한 내용을 숙지하면 현재 회계 기간 내에 성사시킬 가능성이 있는 기회에 대한 노력의 우선 순위를 정하는 데 도움이 될 수 있습니다.
예측 패널에는 예측 요청에서 반환된 주요 요소가 표시됩니다.
| # | 요소 | 설명 |
|---|---|---|
|
1 |
예측 |
예측된 결과와 설명 라벨입니다. 이 예에서는 영업 기회가 29.5일 후에 성사될 것으로 예상됩니다. |
|
2 |
최상위 예측 변수 |
유리한 기여와 불리한 기여를 포함하여 예측 결과에 가장 크게 기여한 조건입니다. 이 예에서는 Competitor Type is Known and Route to Market is Reseller(경쟁자 유형이 알려져 있고 시장으로의 경로가 리셀러인 조건)가 예상 마감 시간을 2.02일 증가시킵니다. 이 예측 변수가 예측 결과를 증가시킨다는 것을 나타내기 위해 왼쪽 화살표가 위를 가리킵니다. 화살표는 빨간색(녹색 대신)으로 이 예측 변수의 효과가 좋지 않다는 것을 나타냅니다. 여기서의 목표는 마감 시간을 최소화하는 것이기 때문입니다. |
|
3 |
개선 방법 |
사용자가 예상 결과를 개선하기 위해 취할 수 있는 추천 작업입니다. 이 예에서, Supplies Group to Car Accessories(공급 그룹을 자동차 액세서리)로 변경하는 작업은 아래를 가리키는 녹색 화살표로 표시된 바와 같이 마감 시간을 3.48일 단축합니다. |
Einstein 예측 서비스는 REST API 기반 예측 요청에 대한 응답으로 이 정보 중 일부 또는 전부를 반환합니다. 이제 이러한 요소에 대해 자세히 알아보겠습니다.
예측
예측은 모델에 의해 생성된 파생 값으로, 과거 결과에 대한 통계적 이해와 제공된 입력 값(예측 변수)을 기반으로 가능한 미래 결과를 나타냅니다.
자세히 살펴봅시다.
- 결과는 이해하고 개선하려는 비즈니스 결과입니다. 결과는 일반적으로 판매 이익 또는 기회 성사와 같은 주요 성과 지표(KPI)입니다.
- 예측은 제공된 입력 값(예측 변수)을 기반으로 모델이 생성하는 출력 값을 나타냅니다. 모델의 방정식은 머신 러닝 및 AI에 의해 구동되는 알려진 결과를 가진 과거 데이터에 대한 철저한 통계 분석의 결과입니다.
- 미래는 알려지지 않고 불확실하지만, 예측은 계산된 확률의 범위 안에 있는 값을 제공함으로써 그 불확실성을 어느정도 감소시킵니다.
- 실제 결과는 예측된 결과와 다를 수도 있습니다. 예상되는 일입니다. 이 차이가 얼마나 작을지 또는 얼마나 클지 측정하여 예측의 정확도를 측정합니다. 예측 정확도에 대한 자세한 내용은 Salesforce 도움말에서 예측 정의에 대한 성능 모니터링 구성을 참고하세요.
최상위 예측 변수
최상위 예측 변수는 예측된 결과를 가장 유의미하게 유도하는 조건으로, 중요도 순서로 나타납니다. 조건은 열과 관련된 데이터 값입니다. Einstein Discovery에서 예측 변수는 한 두 가지 조건으로 구성됩니다. Lightning 구성 요소 예제에서 Deal Size Category is 5.0(거래 규모 범주는 5.0)이 단일 조건인 반면, Competitor Type is Known and Route to Market is Reseller(경쟁업체 유형은 알려져 있고 시장으로의 경로는 리셀러)는 두 가지 조건의 조합입니다. 예측 변수는 예측 변수 또는 독립 변수라고도 합니다.
개선
개선은 예측된 성과를 개선하기 위해 사용자가 취할 수 있는 추천 작업입니다. 개선은 예측된 결과에 영향을 미치지만 실제 결과에 영향을 미치지는 않는 경우도 있습니다. 개선은 배송 방법 또는 구독자의 멤버십 수준과 같이 사용자가 관리하거나 영향을 미칠 수 있는 변수와 관련이 있습니다. 사용자는 Einstein이 제안하는 조치를 취함으로써 더 유리한 결과를 얻을 가능성을 높일 수 있습니다.
초록색과 빨간색 동그라미 화살표는 무엇을 나타내나요?
동그라미 표시된 화살표는 예측 변수 또는 추천 작업이 예측 결과에 어떻게 영향을 미치는지 나타냅니다. 화살표를 해석하려면 화살표의 색상과 화살표가 가리키는 방향을 참조합니다.
색상
- 녹색은 예측 변수가 예측 결과를 개선한다는 것을 나타냅니다.
- 빨간색은 예측 변수가 예측 결과를 악화한다는 것을 나타냅니다.
방향
화살표는 예측 변수가 예측 결과에 영향을 미치는 방향에 따라 위 또는 아래를 가리킵니다. 예를 들어, 목표가 결과를 최소화하는 경우 다음과 같습니다.
- 아래를 가리키는 녹색 화살표는 예측 변수가 예측 결과를 개선한다는 것을 나타냅니다.
- 위쪽을 가리키는 빨간색 화살표는 예측 변수가 이 결과를 악화한다는 것을 나타냅니다.
Lightning 구성 요소 예제에서, 조건 Deal Size Category is 5.0(거래 크기 범주는 5.0)은 마감될 것으로 예상되는 시간을 늘리며, 이로 인해 빨간색 화살표가 위를 가리킵니다.
모델 및 예측 정의 알아보기
Einstein 예측 서비스에서는 두 가지 자원인 모델과 예측 정의를 통해 예측을 얻을 수 있습니다.
모델
모델은 Einstein Discovery가 생성하는 정교하고 사용자 정의된 수학적 구성입니다. Einstein Discovery는 결과를 예측하기 위해 모델을 사용합니다.
모델은 데이터를 변수별로 정리합니다. 변수는 데이터의 범주이며 CRM Analytics 데이터 집합의 열이나 Salesforce 개체의 필드와 유사합니다. 모델에는 입력(예측 변수) 및 결과 변수에 대한 출력 예측과 기타 필요한 추가 정보가 있습니다.
예측은 관측 단계에 발생합니다. 관측치는 정형화된 데이터 집합이며, CRM Analytics 데이터 집합의 채워진 행이나 Salesforce 개체의 레코드와 유사합니다.
각 관찰에 대해 모델은 예측 변수의 집합을 받아들이고 (1) 상응하는 예측을 반환합니다(2).
선택적으로, 예측 요청은 또한 주제 예측 변수 및 개선 사항을 반환하는 지시어를 포함할 수 있습니다.
모델이 Einstein Discovery나 Salesforce에만 있는 것은 아닙니다. 실제로 예측 모델은 전세계의 여러 산업, 조직 및 분야에서 광범위하게 사용되며, 일상 생활의 여러 측면과 관련이 있습니다. 데이터 과학자들과 기타 전문가들은 그들의 탁월한 재능을 매우 정확하고 유용한 예측을 생성할 수 있는 양질의 모델을 설계하고 만드는 데 이용합니다.
하지만 많은 조직은 모델을 잘 만든 후 프로덕션 환경 안에서 구현하고 운영과 원활하게 통합하여 운영에 의도한 유익을 가져오기 어려울 수 있다는 일반적인 문제에 직면합니다. 이제는 Einstein Discovery를 사용해 모델을 만들고 프로덕션에 배포한 후 예측을 얻고 라이브 데이터를 사용해 더 나은 비즈니스 결정을 곧바로 내리는 등 운영에 빨리 적용할 수 있습니다. Einstein Discovery에 업로드하는 외부에서 만든 모델을 운영에 적용할 수도 있습니다.
예측 정의
Einstein 예측 서비스에서는 모든 모델은 예측 정의라는 컨테이너 개체에 속합니다. 다음 그림은 단일 모델을 포함하는 예측 정의에 예측 요청을 할 경우의 요청/응답 플로를 나타내고 있습니다.
이 예에서 예측 요청(1)은 고객 이탈 가능성을 평가하기 위해 고객 레코드에서 예측 변수를 예측 정의로 전달합니다. 예측 정의는 입력 데이터를 모델로 전달(2)하며, 이는 요청자에 대한 응답에서 반환되는 예측(3)을 계산합니다.
예측 정의에는 여러 모델이 포함될 수 있고, 각 모델은 데이터의 각기 다른 세그먼트(부분 집합)에 대해 예측을 생성합니다. 다음 그림은 각 특정 영역에 대한 예측을 생성하는 세 가지 모델을 가진 예측 정의를 포함하는 요청/응답 플로를 보여줍니다.
이 예에서 예측 요청(1)은 고객 이탈 가능성을 평가하기 위해 고객 레코드에서 예측 변수를 예측 정의로 전달합니다. 고객 레코드(관찰)는 AMER 영역에 속합니다. 예측 정의는 입력 데이터를 AMER 세그먼트를 처리하는 모델로 전달(2)하며, 이는 요청자에 대한 응답에서 반환되는 예측을 계산(3)합니다.
예측은 어떤 종류의 사용 사례에 도움이 될 수 있을까요?
Einstein 예측 서비스는 다음과 같은 일반적인 비즈니스 분석 사용 사례를 지원합니다.
| 사용 사례 | 적용 대상 | 지원되는 알고리즘 |
|---|---|---|
|
숫자 |
수치 결과는 통화, 계수 또는 백분율과 같은 정량적 데이터(척도)로 표시됩니다. |
|
|
이진 분류 |
텍스트 데이터로 표시되는 가능한 성과가 두 개만 있는 이진 성과. 이러한 질문은 일반적으로 이탈 여부, 기회 성사 여부, 직원 유지 여부 등과 같은 비즈니스 용어로 표현되는 '예 또는 아니요' 질문입니다. Einstein Discovery는 분석을 위해 두 값을 부울 참과 거짓으로 변환합니다. |
|
| 다중 클래스 분류 | 3~10개 범주에서 가능한 결과를 예측합니다. 예를 들어 제조업체는 고객 특성에 따라 3개의 서비스 계약 중 고객이 무엇을 선택할 가능성이 가장 높은지 예측할 수 있습니다. |
|
다음 유닛에서는 수치 사용 사례를 구현하는 모델을 구축하고 배포해 보겠습니다.
모델을 만들고 사용하기
Einstein 예측 서비스를 활용하는 경우 다음 두 가지 주요 활동을 생각해 볼 수 있습니다.
-
모델 제작에는 CRM Analytics Studio를 사용하여 Salesforce에서 모델을 구축하고 배포하는 작업이 포함됩니다. 예를 들어, 고객 이탈을 예측하기 위해 고객이 이탈하거나 머무를 가능성이 있는지 예측하는 모델을 제공해야 합니다. 다음 유닛에서는 모델을 만들고 배포하는 단계를 살펴보겠습니다.
- 모델 사용은 배포된 모델을 사용하여 데이터에 대한 예측 및 개선을 생성하는 것과 관련이 있습니다. 고객의 이탈 예에서는 예측, 최상위 예측 변수 및 개선 사항을 표시하기 위해 Lightning 페이지를 사용했습니다. 마지막 유닛에서는 임의의 REST 클라이언트와 Einstein 예측 서비스를 사용하여 동일한 정보를 획득하는 방법을 살펴보겠습니다.
예측을 선언적인 방식으로 또는 프로그래밍 방식으로 가져오기
Einstein 예측 서비스에서 두 가지 주요 방법으로 예측을 얻을 수 있습니다.
- 선언적 방식: 자동 예측 필드에서 프로세스 자동화 수식의 PREDICT 함수, 데이터 준비 레시피의 검색 예측 전환, Salesforce 플로의 Einstein Discovery 작업, Tableau의 Einstein Discovery를 확인할 수 있습니다.
- 프로그래밍 방식: APEX 및 REST API를 사용합니다