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.

Conheça o Einstein Discovery

Objetivos de aprendizagem

Após concluir esta unidade, você estará apto a:

  • Descrever os recursos do Einstein Discovery.
  • Explicar os tipos de casos de uso que o Einstein Discovery aborda.

O que é o Einstein Discovery?

O Einstein Discovery permite aumentar sua inteligência de negócios com modelagem estatística e aprendizado de máquina supervisionado em um ambiente de iteração rápida e sem código. Use os modelos do Einstein Discovery para exibir rapidamente insights sobre seus dados de negócios e prever resultados futuros. Implante um modelo do Einstein Discovery para injetar recomendações baseadas em aprendizado de máquina em toda a organização. Por exemplo, use as previsões do Einstein Discovery em seus fluxos de trabalho ou adicione previsões do Einstein Discovery às páginas do Salesforce para que o Einstein sugira maneiras de melhorar o resultado previsto. Para obter uma visão geral de tudo o que o Einstein Discovery pode fazer pela sua organização, confira Einstein Discovery: início rápido

Observação: o Einstein Discovery requer a licença CRM Analytics Plus ou a licença Previsões do Einstein, ambas disponíveis por um custo extra.

Com que tipos de casos de uso o Einstein Discovery pode ajudar?

O Einstein Discovery é compatível com os seguintes casos de uso comuns para resultados de negócios. 

Caso de uso

Aplica-se a

Regressão

Regressão de resultados numéricos representados em dados quantitativos (medidas), como moeda, contagens ou qualquer outra quantidade. Por exemplo, o Einstein Discovery pode ajudá-lo com o valor monetário de suas oportunidades.

Classificação binária

Resultados binários de dados de texto com apenas dois resultados possíveis. Estas são tipicamente perguntas sim/não que são expressas em termos de negócios. Por exemplo, o Einstein Discovery pode ajudá-lo a ganhar oportunidades.

Classificação multiclasse

Resultados com 3 a 10 resultados possíveis, representados como dados de texto. Por exemplo, um modelo multiclasse pode ajudá-lo a prever a próxima fase mais provável para uma oportunidade: se ela vai para a próxima fase, volta para uma fase anterior ou mesmo pula uma fase.

Ilustração mostrando os três casos de uso compatíveis, usando oportunidade como um exemplo.

Quais resultados de negócios você deseja melhorar?

As jornadas bem-sucedidas começam com o primeiro passo. Para as soluções do Einstein Discovery, o primeiro passo é selecionar um problema nos negócios que você deseja resolver. Em seu negócio, pesquise os indicadores de desempenho principais (KPIs) que podem se beneficiar mais com a implantação de uma solução alimentada pelo Einstein Discovery. O resultado de negócios deve se encaixar em um dos casos de uso compatíveis: regressão, classificação binária ou classificação multiclasse.

Neste módulo, exploramos um cenário de exemplo, em que o objetivo é maximizar os ganhos com oportunidades. O resultado do negócio é ganhar ou perder. Logo, estamos usando o Einstein Discovery para resolver um problema de classificação binária.

Como implementar uma solução do Einstein Discovery?

Ilustração mostrando a sequência de tarefas a serem concluídas neste módulo.

Este módulo acompanha você através das etapas comumente seguidas para implementar uma solução do Einstein Discovery. Cada unidade aborda uma etapa diferente no processo, desde a construção de um conjunto de dados do CRM Analytics até a exploração de insights de dados, além da previsão e melhoria dos resultados.

À medida que você se familiariza com as tarefas envolvidas com cada etapa, começará a entender a natureza iterativa de implementar uma solução bem-sucedida do Einstein Discovery. O Einstein Discovery foi projetado para exploração rápida, experimentação e melhoria iterativa. 

O progresso é cumulativo, não linear. Você aprende à medida que prossegue. A cada etapa do caminho, você usa feedback integrado para verificar seus resultados, rever suas suposições, fazer novas perguntas, fazer ajustes e tentar novamente. Limpar seus dados. Adicionar ou remover colunas no conjunto de dados. Aplicar filtros e transformações. Ajustar o limiar do modelo. E assim por diante. À medida que você ajusta sua abordagem, cada melhoria pode aproximar você de melhores resultados operacionais.

Recursos

Compartilhe seu feedback do Trailhead usando a Ajuda do Salesforce.

Queremos saber sobre sua experiência com o Trailhead. Agora você pode acessar o novo formulário de feedback, a qualquer momento, no site Ajuda do Salesforce.

Saiba mais Continue compartilhando feedback