Salesforce에서 예측 설정하기

학습 목표

이 유닛을 완료하면 다음을 수행할 수 있습니다.

Einstein 예측 서비스를 사용하기 위한 전제 조건을 설명할 수 있습니다.
Einstein Discovery 모델 구축 및 배포와 관련된 단계를 설명할 수 있습니다.

소개

예측과 개선을 얻으려면 먼저 예측 모델이 필요합니다. 이 유닛에서는 Einstein Discovery 및 CRM Analytics Studio를 사용하여 Salesforce에서 모델을 구축하고 배포하는 방법을 알아보겠습니다. 이 모델의 목표는 가상의 대형 리테일 매장에서 고객당 매출을 극대화하는 것입니다.

Einstein Discovery를 사용하면 코드가 아닌 클릭으로 작동하는 도구를 사용하여 모델을 쉽게 실행하고 빠르게 실행할 수 있습니다. Einstein Discovery에서는 통계, 머신 러닝, 인공 지능을 기반으로 한 종합적인 데이터 분석이 수행됩니다. 다른 사람이 만든 모델을 사용하는 경우에도 모델을 만들기 위해 무엇이 필요한지 이해하는 데 도움이 됩니다.

Developer Edition 조직으로 Einstein Discovery 사용하기

이 Trailhead 모듈에는 기존 Developer Edition 조직을 사용할 수 없습니다. 대신 무료 CRM Analytics Developer Edition 조직에 가입하세요. 이유는 다음과 같습니다.

Einstein Discovery에 필요한 CRM Analytics Plus 라이선스를 제공합니다.
Einstein Discovery 기능에 액세스하는 데 필요한 CRM Analytics Plus 권한 집합을 보유하고 있습니다. 이 집합에는 REST 클라이언트 요청 인증을 위해 연결된 앱을 만드는 데 필요한 연결된 앱 관리 권한이 포함되어 있습니다.
학습한 기술을 연습할 수 있는 안전한 환경을 제공합니다.

참고: CRM Analytics Developer Edition 조직에 이미 가입되어 있더라도 새 조직에 가입하시기 바랍니다. 기존의 CRM Analytics Developer Edition 조직에는 최신 출시된 기능이 없습니다. 새 조직에 가입하면 가장 좋은 최신 기능이 제공됩니다.

가입 방법은 다음과 같습니다.

developer.salesforce.com/promotions/orgs/analytics-de로 이동합니다.
유효 이메일 주소를 사용하여 양식을 작성합니다.
양식을 작성한 후 Sign me up(가입)을 클릭합니다.
활성화 이메일이 수신되면 이메일을 열고 링크를 클릭합니다.
가입을 완료하고 비밀번호와 응답 질문을 설정합니다.
Save(저장)를 클릭합니다. CRM Analytics Developer Edition 조직에 로그인되고 Setup(설정) 페이지로 리디렉션됩니다.

잘 하셨습니다. 이제 Salesforce org가 생겼습니다! 곧바로 시작해 보겠습니다.

참고: 자격 증명은 이 모듈에서 나중에 필요합니다. 자격 증명을 쉽게 사용할 수 있도록 안전한 곳에 저장해야 합니다.

예측 설정을 위한 워크플로

Analytics Studio를 사용하여 다음 작업을 완료합니다.

#	단계	작업
1	데이터 준비하기	학습 데이터로 CRM Analytics 데이터 집합을 준비하고 입력합니다.
2	모델 만들기	학습 데이터를 사용하여 Einstein Discovery 모델을 만듭니다.
3	모델 배포하기	Salesforce에 모델을 배포하여 운용할 수 있게 합니다. 배포가 완료되면, 사용자는 데이터에 대한 예측을 얻기 위해 모델에 액세스할 수 있게 됩니다.

1단계: 데이터 준비하기

먼저 CRM Analytics 데이터 집합에 학습 데이터를 로드합니다. 이 데이터를 사용하여 모델을 학습시킵니다.

샘플 학습 데이터 다운로드하기

대형 매장의 현재 주문에 대한 샘플 학습 데이터가 담긴 파일을 준비했습니다. superstore-orders.csv라는 CSV 파일을 다운로드하고 컴퓨터에 저장합니다.

샘플 학습 데이터에 대한 고려 사항

이 샘플 학습 데이터는 Einstein 예측 서비스를 통해 예측을 얻는 방법에 집중할 수 있도록 간소화되었습니다. 이 샘플 데이터를 사용할 때 다음 사항을 기억하세요.

예시 CSV 파일에는 적은 수의 열이 포함되어 있습니다. 실제로는 사용 사례에 학습 데이터 열이 더 많이 포함될 수 있습니다.
예제 CSV 파일에는 거의 10,000행의 데이터가 포함되어 있습니다. 일반적으로 분석할 데이터 행이 많을수록 결과가 더 나아집니다. 학습 데이터에 결과 값이 있는 행이 400개 이상 필요합니다. Einstein은 모델을 학습시킬 때 성과 값이 없는 행을 무시합니다. AI 및 머신 러닝을 사용하는 Einstein Discovery로 데이터 행을 2,000만 개까지 분석할 수 있습니다!
샘플 데이터는 완전한 외부 데이터이며 Salesforce 개체와 연결되어 있지 않습니다. 실제로 사용 사례에 Salesforce 개체, Salesforce 외부 데이터 또는 추가 데이터 집합을 통해 이 둘의 조합이 포함될 수 있습니다.
이 샘플 데이터로 만든 모델은 교육용입니다. REST API 호출을 통해 신속하게 예측을 시작할 수 있도록 설계되었습니다. 그러나 이 샘플 데이터로 생성되는 모델은 그리 정확하지 않으며 실제 사용 사례를 위해 만드는 품질 좋은 모델은 아닙니다. 모델의 성능은 학습 데이터 집합의 품질에 좌우됩니다. 자세한 내용은 Salesforce 도움말의 분석을 위한 데이터 준비를 참조하세요.

CRM Analytics 데이터 집합 만들고 채우기

다음 단계에는 CSV 파일의 데이터를 CRM Analytics 데이터 집합으로 가져옵니다.

방금 가입한 Developer Edition 조직에 아직 로그인되어 있지 않으면 지금 로그인합니다.
앱 시작 관리자()에서 Analytics Studio를 찾아 선택합니다.
Analytics Studio 홈 탭에서 Create | Dataset(만들기 | 데이터 집합)을 클릭하고 CSV File(CSV 파일)을 선택합니다.
파일 선택 창이 열리면 다운로드한 CSV 파일인 superstore-orders.csv를 찾아 선택하고 Next(다음)를 클릭합니다.
원할 경우 Dataset Name(데이터 집합 이름) 필드에서 기본 이름(superstore-order)을 변경합니다. Analytics Studio는 기본적으로 파일 이름을 데이터 집합 이름으로 사용합니다. 이름은 80자 이하여야 합니다.
데이터 집합을 어느 앱에서 만들지 선택합니다. Analytics Studio는 기본적으로 My Private App(내 비공개 앱)을 선택합니다.
Next(다음)를 클릭합니다. Edit Field Attributes(필드 속성 편집) 화면이 나타납니다. 여기서 데이터를 미리 보고 각 필드의 속성을 보거나 편집할 수 있습니다.
지금은 기본값을 그대로 사용하고 Upload File(파일 업로드)을 클릭합니다. Analytics Studio가 데이터를 업로드하고 데이터 집합을 준비하고 만들면서 진행률을 표시합니다.

2단계: 모델 만들기

CRM Analytics 데이터 집합을 구축했으니 모델을 만들어 데이터를 분석해 보겠습니다.

모델은 Einstein Discovery가 인사이트를 생성하는 데 사용하는 데이터와 분석 설정을 정의합니다. 모델 설정에는 결과 변수(예측하려는 데이터), 결과 변수를 최대화하거나 최소화할지 여부, CRM Analytics 데이터 집합에서 분석할 데이터 및 기타 환경설정이 포함됩니다. 모델 설정은 Einstein Discovery에 분석을 수행하고 해당 결과를 전달하는 방법을 알려줍니다.

Dataset(데이터 집합) 탭에서 Create Model(모델 만들기)을 클릭합니다.Einstein Discovery 모델 설정 마법사가 데이터 집합에서 모델을 만들기 위한 단계를 안내합니다.
Start an Einstein Discovery Model(Einstein Discovery 모델 시작) 화면에서 모델 목표를 지정합니다. 이 목표는 예측할 결과를 정의할 뿐 아니라 해당 결과를 최대화하거나 최소화할 것인지 여부를 정의합니다. I want to Predict(예측하기)에서 Sales per Customer(고객당 판매)를 선택한 다음 기본값인 Maximize(최대화)는 그대로 둡니다. 다른 모든 기본 설정을 그대로 사용하고 Next(다음)를 클릭합니다.
Configure Model Columns(모델 열 구성) 화면에서 기본값(Automated(자동))을 그대로 사용하고 Create Model(모델 생성)을 클릭합니다.
Einstein은 통계 분석, 머신 러닝 알고리즘, AI를 사용하여 데이터 분석을 시작합니다.완료되면 Einstein은 분석 과정에서 발견한 인사이트를 표시합니다.
참고: 이 모듈에서는 인사이트 조사를 생략합니다(해당 내용은 Einstein Discovery 기초 모듈에서 다루고 있습니다). 대신, 바로 Einstein이 만든 모델을 평가하고 배포해 보겠습니다.
Einstein에는 이 모델의 R2(r제곱) 값이 표시됩니다. R2는 수치의 사용 사례에 대한 모델 품질의 기준입니다. 모델의 R2 값은 0.475입니다. R2 값이 1에 가까운 것이 이상적이지만 학습용으로는 이 모델로 충분합니다.
Prediction Examination(예측 시험)을 클릭합니다. 오른쪽 패널에는 학습 데이터의 선택된 행에 대해 예측된 결과와 실제 결과를 비교한 수치와 예측된 결과에 기여한 주요 요인이 표시됩니다.
참고: Einstein Discovery는 데이터 집합의 데이터를 무작위로 샘플링하므로 여러분 화면의 데이터는 이 스크린샷과 다르게 표시됩니다.
행을 클릭하면 이 패널이 업데이트됩니다.

3단계: 모델 배포하기

이제 이 모델을 Salesforce에 배포해 보겠습니다.

Overview(개요)를 클릭한 다음 Deploy Model(모델 배포)을 선택하여 Ready for Launch?(출시 준비가 되었나요?) 프롬프트에 응답합니다.
Einstein Discovery 배포 마법사가 이 모델을 배포하기 위한 단계를 안내합니다. Ready to Deploy(배포 준비 완료) 모달이 표시되면 Get Started(시작하기)를 클릭합니다.
모델 세부 정보의 경우 Predicted Sales per Customer(고객당 예측 판매)라는 Prediction Definition(예측 정의) 이름 등 기본값을 그대로 사용하고 Next(다음)를 클릭합니다.
개체에 연결하려면 Deploy without connecting to a Salesforce Object(Salesforce 개체에 연결하지 않고 배포)를 선택한 다음 Next(다음)를 클릭합니다. 샘플 데이터가 완전히 Salesforce의 외부에 있고 Salesforce 개체와 연관되어 있지 않기 때문에 이 선택을 할 수 있습니다.
세분화의 경우 기본값인 Don't segment(세분화하지 않음)를 그대로 사용하고 Next(다음)를 클릭합니다.

참고: 여러 모델을 사용하여 예측 정의를 생성하고자 하는 경우 이곳에서 데이터의 세분화에 대한 필터 조건을 정의합니다. 여기서는 1개의 모델만을 사용하고 세분화 필터가 없는 예측 정의를 만들려고 하므로 이 과정을 생략할 수 있습니다.
실행 가능한 변수의 경우 Quantity(수량)를 선택하고 Next(다음)를 클릭합니다.
사용자 정의한 예측의 경우 Don't customize(사용자 정의 안 함)를 선택하고 Next(다음)를 클릭합니다.

참고: 사용자가 더 쉽게 이해할 수 있도록 제안된 개선 사항 또는 상위 예측 변수에 대한 텍스트를 사용자 정의하고자 한다면 여기에서 수행하면 됩니다.
배포 설정을 검토한 다음 Deploy(배포)를 클릭합니다.
Einstein은 모델과 함께 예측 정의를 Salesforce에 배포하고 이를 Model Manager(모델 관리자)에 표시합니다.참고: 이는 하나의 모델일 뿐입니다. 예측 정의는 여러 모델을 가질 수 있습니다.
Advanced(고급) 하위 탭을 클릭합니다.
Prediction ID(예측 ID)(앞 그림에 예시가 표시됨)를 복사하여 나중에 참조할 수 있는 위치에 붙여 넣습니다. 이 ID 문자열을 활용하여 사용할 정확한 예측 정의를 파악할 수 있습니다. 개발자로서 Salesforce 또는 모델 관리자에 액세스할 수 없는 경우 Salesforce 관리자에게 이 문자열을 요청할 수 있습니다.