Einstein 플랫폼 사용

학습 목표

이 유닛을 완료하면 다음을 수행할 수 있습니다.

관리자 또는 개발자가 어떻게 Einstein 플랫폼을 사용하여 스마트 어시스턴트를 직접 만들 수 있는지 설명할 수 있습니다.
Einstein 플랫폼 제품을 각각 열거할 수 있습니다.

스마트 어시스턴트 직접 만들기

지난 유닛에서 알아본 것처럼, Einstein의 기본 제공 기능은 모든 Salesforce 클라우드에서 활용할 수 있습니다. 하지만 Salesforce 관리자 및 개발자가 자신의 비즈니스가 고객과 상호작용하는 고유한 방법에 맞게 Salesforce 인스턴스를 맞춤화한다는 사실을 누구나 알고 있습니다. 다행히 Salesforce를 맞춤화하는 방법은 많지만, Salesforce Einstein 맞춤화는 어떨까요?

모든 관리자와 개발자는 Einstein 플랫폼을 사용하여 일련의 광범위한 이용 사례에 적합하고 AI로 구동되는 어시스턴트를 직접 만들 수 있습니다. Salesforce를 통해 겉으로 드러나는 것을 무엇이든 예측하는 애플리케이션을 포인트 앤 클릭 및 프로그래밍 기능을 사용하여 만들 수 있습니다.

모든 Einstein 플랫폼 제품에는 첫 번째 유닛에서 설명한 스마트 어시스턴트 구성 요소가 하나 이상 통합되어 있습니다. 계속 읽으면서 스마트 어시스턴트를 직접 만드는 데 사용할 수 있는 플랫폼 제품에 대해 자세히 알아보세요.

Einstein Bots

Einstein Bots를 사용하면 고객이 즐겨 쓰는 채팅, 메시징 또는 음성 같은 채널에 스마트 어시스턴트를 내장할 수 있습니다. 고객을 즉시 지원하기 위해, Einstein Bots는 자연어 처리(NLP)를 사용하여 일반적인 질문에 답하거나, 질문 또는 사례가 더 복잡한 경우 적절한 에이전트에게 연결하여 대화를 원활하게 이어가기 위해 필요한 정보를 수집합니다.

서비스 팀이 여러 다양한 채널을 통해 많은 문의를 받는 이커머스 기업에서 일하는 경우를 가정해 보겠습니다. Einstein Bots를 사용하면 소속 기업을 위해 비밀번호 업데이트 또는 주문 현황 업데이트 같은 고객의 특정한 일상적인 질문에 즉시 답하는 챗봇을 만들 수 있습니다. 그러면 서비스 에이전트는 복잡하고 까다로운 사례를 처리할 수 있는 시간이 많아지고, 고객은 답을 더 빨리 얻어서 시간을 절약합니다. 그리고 Einstein Bots가 지금 답변할 수 없는 경우 채팅 창에서 고객을 브랜드 맞춤 인사말로 즉시 맞이하고 적절한 에이전트와 빨리 연결하여 고객을 도울 수 있습니다. 웹 위주의 인스턴트 모바일 세상에서 살고 있는 고객은 일대일 서비스를 즉시 기대합니다. 고객이 답변을 빨리 받지 않으면 브랜드에 대한 고객의 인식이 나빠질 수 있습니다. Einstein Bots는 이런 문제를 해결합니다.

Einstein Bots 작동 원리에 대한 시각 자료

Einstein 예측 빌더

Einstein 예측 빌더는 간단히 가리키고 클릭하는 방식으로 사용하는 마법사로, 암호화되지 않은 Salesforce 데이터를 토대로 한 맞춤형 예측에 사용할 수 있습니다. 영업, 서비스, 마케팅, 커머스, IT, 재무, 그리고 심지어는 HR에 걸친 비즈니스의 모든 부분에 대한 예측이 코드가 아닌 클릭으로 가능합니다.

예측 빌더를 비즈니스에 응용하는 방법을 이해하려면 다음과 같이 어떤 개체와 필드를 예측하고 싶은지 자문해 보세요.

답이 예 또는 아니요인 질문에 대한 답변을 예측하고 싶은가? (이진 분류)
- 이 우편번호가 내 비즈니스에 좋은 기회인가?
- 이 고객이 이탈할 것인가?
- 신입 직원에게 특정한 유형의 교육이 필요한가?
- 항공편이 정시에 도착할 것인가?
- 고객이 지불금을 연체할 것인가?
금액을 예측하고 싶은가? (회귀—베타)
- 이 집을 팔 수 있는 가격은 얼마인가?

리테일 매장에 판매하는 소비재 회사에서 일하는데 최근에 일부 매장에서 회사 제품 구매를 중단하는 큰 문제를 겪어 왔다고 가정해 보겠습니다. 이 문제 때문에 서비스 담당자들에게 리테일 매장이 이탈할 것인지에 대한 예측 정보를 제공하고 싶습니다. 예측 빌더를 사용하면 예측할 개체(이 사례에서는 "retail store(리테일 매장)")와 예측할 대상 필드(이 사례에서는 "attrition?(이탈 여부)")를 선택할 수 있습니다. 그런 다음 '리테일 매장'과 매장의 이탈 여부에 대한 모든 개별 항목이 고객에 관한 기타 특성과 함께 포함된 데이터 집합을 가져오면 AutoML이 백엔드에서 특유의 마법을 부립니다.

마지막으로, 예측 빌더는 ("attrition?(이탈 여부)" 필드가 비어 있는 모든 고객에 대해) 고객이 이탈할 지 여부를 나타내는 확률을 백분율로 표시하고 예측의 근거가 된 상위의 긍정적이고 부정적인 특성을 제공합니다.

Salesforce Console을 통해 표시되는 예측의 예

이제 서비스 담당자들이 이 귀중한 정보를 갖게 되어 어느 고객과 교류해야 할지 알고 이탈을 방지하기 위해 고객과 어떻게 교류해야 하는지 더 잘 알게 되었습니다. 그 결과, 궁극적으로는 실패하는 기회가 적어지고 기업의 매출이 증가할 것입니다.

Einstein Next Best Action

Einstein Next Best Action(NBA)에서는 규칙 기반 및 예측 모델을 사용하여 기업의 모든 구성원에게 인텔리전트하고 상황에 맞는 추천 및 제안을 할 수 있습니다. 작업은 효과가 극대화되는 순간에 전달되어 인사이트가 Salesforce 안에 직접 표시됩니다.

기업이 고객 이탈 때문에 어려움을 겪고 있었고 서비스 담당자들이 다른 고객에 비해 이탈 확률이 높은 고객을 볼 수 있는 예측 모델을 이미 만들었던 이전의 시나리오로 돌아가 보겠습니다. 이제 서비스 담당자들에게 고객 이탈을 방지하기 위해 고객에게 무엇을 추천하면 되는지 알려줄 수 있다면 어떨까요?

여러분은 Next Best Action을 사용하여 예측과 결과를 토대로 규칙 또는 제안(propositions)을 만들어 서비스 담당자가 고객에게 추천할 수 있는 최고의 권장 사항을 표시합니다. 이탈 확률이 80% 이상인 고객에게 2년 계약 연장 시 10% 할인을 추천하는 제안을 만드는 경우를 가정해 보겠습니다. 서비스 담당자가 이 범주에 해당하는 고객의 예측을 발견하면 해당 담당자에게는 다시 고객에게 연락하고 10% 할인권을 보내라는 권장 사항이 Lightning 콘솔에 직접 표시되고, 담당자가 이 작업을 즉시 Salesforce에서 모두 수행할 수 있습니다.

Salesforce Console 안에서 제안 만들기

필터를 사용하여 낮은 이탈 확률을 제외하는 전략을 만드는 예

모든 비즈니스의 여러 시나리오에 대해 만들 수 있는 후속 확인 방법의 조합은 워낙 많고 다양하므로, Salesforce에서 제안이 사용자에게 직접 자동으로 표시되도록 하면 사용자가 일하면서 추측해야 할 필요성을 없앨 수 있습니다.

Salesforce Console의 권장 사항 예

Einstein Discovery

Einstein 예측 빌더와 마찬가지로, Einstein Discovery를 사용하면 데이터 과학자를 직접 고용할 필요 없이 결과를 예측할 수 있습니다.

예측 빌더 예의 고객 이탈 문제로 돌아가 보겠습니다. 이 예의 소비재 기업에 운영을 최적화하기 위해 여러 팀과 협력하는 애널리스트가 몇 명 있다고 가정해 보겠습니다. 그리고 이 기업의 소중한 데이터가 Salesforce에 많이 보관되어 있는데 이 데이터에는 엄격한 요건이 적용됩니다. Salesforce 인스턴스에는 고객 이탈을 예측하는 데 유용할 수 있는 중요한 필드들이 있습니다. 예측 빌더의 예측을 Lightning 서비스 콘솔을 통해 수신하는 서비스 담당자들은 몇몇 고객이 이탈할 위험이 있음을 알아차리기 시작합니다. 예측 빌더는 이들에게 개괄적인 이유를 몇 개 알려주지만, 서비스 담당자들은 문제의 근본 원인을 알고 싶어합니다.

Einstein Discovery를 사용하면 누구나 모든 사내 데이터의 관련 패턴을 데이터 암호화 여부에 관계없이 완전히 이해하여 고객 이탈을 예측할 수 있습니다. 관리자는 이들이 예측 모델에 입력하는 데이터를 완전하게 통제하고 예측과 인사이트를 더 깊이 분석할 수 있습니다.

예를 들어 Einstein 예측 빌더는 서비스 담당자들에게 고객이 3개월 전에 마지막으로 구매했기 때문에 이탈할 가능성이 높음을 표시합니다. 게다가 이 고객의 매장은 제품 수요가 높은 지역에 있지 않기도 합니다. 이 인사이트를 얻게 된 서비스 담당자는 어떻게 대응할까요? 어떤 인사이트가 다른 인사이트보다 더 중요할까요? Einstein Discovery는 이런 질문에 답할 수 있습니다. Einstein Discovery가 특정 리테일 위치의 소비자 수요가 더 중요하다고 알려주면 어떨가요? 이 인사이트를 토대로, 서비스 팀은 영업, 마케팅 및 제품 팀과 협력하여 해당 위치의 수요를 충족하는 제품을 디자인하거나 해당 구역에서 마케팅을 강화하여 제품 인지도를 높일 수 있습니다.

Einstein Discovery를 사용해 무슨 일이 일어날지 예측하는 예와 이에 해당하는 그래프

Einstein 및 생성형 AI

최신 Salesforce Einstein 혁신은 Einstein을 활용하는 생성형 AI입니다. 생성형 AI가 부상함에 따라, 인터넷이 도입된 이후로 비즈니스계의 가장 중대한 기술적 지각 변동이 일어나기 시작했습니다. ChatGPT와 같은 생성형 AI를 통해 기업이 개인 맞춤형 대화식 소통을 통해 고객과 더욱 긴밀하게 상호작용할 수 있게 됩니다.

비즈니스는 Einstein을 통해 대형 언어 모델(LLM)에 자신의 CRM 데이터를 안전하게 접목하여 관련성 높은 고객 맞춤형 컨텐츠를 생성할 수 있습니다.

Einstein GPT는 저희의 신뢰할 수 있는 인프라 플랫폼인 Hyperforce를 기반으로 구축되어, 최고 수준의 보안 장치를 통해 데이터 프라이버시 및 컴플라이언스 문제를 해소할 수 있습니다. 또한 Einstein GPT는 Data Cloud에 대해 사전 구축된 커넥터를 통해 고객을 민감하게 식별함으로써, 매일 발생하는 수십억 건의 고객 이벤트에 대해 실시간 인사이트를 제공합니다. 이는 이메일, 보고서, 기술 문서, 코드와 같이 다양한 형태로 생성된 모든 컨텐츠가 고객과 밀접한 관련성을 갖게 된다는 의미입니다.

Einstein과 생성형 AI를 사용하려면 모델을 선택해야 합니다. 다시 말해 Salesforce 독점 모델 또는 OpenAI 및 Anthropic과 같은 파트너사의 공개 모델과 같이 개방적이며 확장 가능한 협력체계의 모델을 선택하거나 자체 모델을 활용할 수 있습니다. Salesforce는 데이터가 전혀 보존되지 않는 아키텍처를 통해 공개 모델이 민감한 데이터로 훈련할 수 없게 함으로써 고객 데이터가 Salesforce 외부에서 저장되지 못하게 합니다. 이를 통해 저희는 Salesforce의 신뢰 범위 내에서 고객 데이터가 안전하고 책임감 있게 활용되고 있다는 믿음을 드리고자 합니다.

Einstein을 통해 생성형 AI를 사용하면 대화형 인텔리전스를 활용해 Customer 360 전반에서 맞춤형 경험을 제공합니다. 이를 통해 거래를 신속하게 성사시키고 서비스 문의를 전례 없는 속도로 해결하며 고객 관계를 개선하고 궁극적으로는 매출을 증대할 수 있습니다. 예를 들어 특정 계정에 보낼 이메일을 작성하는 영업 사원이라면 Einstein을 활용하여 해당 계정에 연락을 취하는 주요 목적, 관련 이메일 예시, 최신 소식, 고객과의 마지막 소통 내용 등과 같은 적절한 맥락을 활용할 수 있습니다. 또한 Einstein은 CRM 데이터를 활용해 관련성 높은 혜택과 프로모션을 자동으로 반영하여 거래를 성사하는 데 도움을 줍니다. 이로써 안전하게 활용된 고객 데이터에 근거하며 맞춤형 혜택을 제공하는 이메일을 보낼 수 있게 됩니다. 이메일을 생성한 후 고객의 개인 데이터는 모델에서 남김없이 삭제됩니다. 또한 영업 사원은 이메일을 발송하기 전에 내용을 언제나 먼저 검토해볼 수 있습니다.

Einstein을 사용할 준비가 되셨나요?

지금까지 Einstein이 제공하는 기능을 몇 가지 확인하였습니다. 아래의 리소스 섹션을 확인하여 관심 주제에 대해 계속 알아보세요.