Loading
CRM Analytics
Glosario de Einstein Discovery

Usted está aquí:

  1. Ayuda de Salesforce
  2. Documentos
  3. CRM Analytics

Glosario de Einstein Discovery

Familiarícese con terminología asociada de forma común con Einstein Discovery.

Variable procesable
Una variable procesable es una variable explicativa que las personas pueden controlar, como decidir qué campaña de marketing utilizar para un cliente concreto. Contraste estas variables con variables explicativas que no se pueden controlar, como la dirección de un cliente o la edad de una persona. Si una variable está designada como procesable, el modelo utiliza análisis prescriptivo para sugerir acciones (mejoras) que el usuario puede llevar a cabo para mejorar el resultado predicho.
Resultado actual
Un resultado actual es el valor en el mundo real de la variable de resultado de una observación cuando se produce el resultado. Einstein Discovery calcula el desempeño del modelo comparando hasta qué punto se aproximan los resultados predichos a los resultados actuales. Un resultado actual se denomina a veces un resultado observado.
Algoritmo
Consulte algoritmo de modelado.
Conjunto de datos de Analytics
Un conjunto de datos de Analytics es una recopilación de datos relacionados que se almacena de una forma desnormalizada y altamente comprimida. Los datos se optimizan para el análisis y la exploración interactiva.
Atributo
Consulte variable.
Media
En Einstein Discovery, la media representa el significado estadístico para una variable.
Sesgo
Si Einstein Discovery detecta sesgos en sus datos, significa que las variables se están tratando de forma desigual en su modelo. La eliminación de sesgos de su modelo puede producir modelos más éticos y responsables y, por lo tanto, predicciones. Consulte impacto dispar.
Caso de uso de clasificación binaria
El caso de uso de clasificación binaria se aplica a resultados de negocio que son binarios: campos categóricos (texto) con solo dos valores posibles, como ganar-perder, superar-no superar, público-privado, retener-abandonar, etc. Estos resultados separan sus datos en dos grupos diferentes. Para fines de análisis, Einstein Discovery convierte los dos valores en Booleano verdadero y falso. Einstein Discovery utiliza regresión logística para analizar resultados binarios. La clasificación binaria es uno de los casos de uso principales que admite Einstein Discovery. Compare con clasificación de clases múltiples.
Cardinalidad
Cardinalidad es el número de distintos valores en una categoría. Las variables con alta cardinalidad (demasiados valores distintos) pueden dar como resultado visualizaciones complejas difíciles de leer e interpretar. Einstein Discovery admite hasta 100 categorías por variable. Puede opcionalmente consolidar las categorías restantes (categorías con menos de 25 observaciones) en una categoría denominada Otro. Los valores nulos se colocan en una categoría denominada Sin especificar.
Variable categórica
Una variable categórica es un tipo de variable que representa valores cualitativos (categorías). Un modelo representa un caso de uso de clasificación binaria o de clases múltiples que tiene una variable de categoría como su resultado. Consulte categoría.
Categoría
Una categoría es un valor cualitativo que suele contener datos categóricos (texto), como Categoría de productos, Estado de prospecto y Asunto de caso. Las categorías son útiles para agrupar y filtrar sus datos. A diferencia de las mediciones, no es posible realizar operaciones matemáticas en las categorías. En Ayuda de Salesforce para conjuntos de datos de Analytics, se hace referencia a categorías como dimensiones.
Causalidad
Causalidad describe una relación de causa y efecto entre cosas. En Einstein Discovery, causalidad hace referencia al grado en que las variables influyen las unas en las otras (o no), como entre variables explicativas y una variable de resultado. Algunas variables pueden tener un efecto directo y obvio entre sí (por ejemplo, cómo afectan precio y descuento en el margen de ventas). Otras variables pueden tener un efecto menor y menos obvio (por ejemplo, cómo puede afectar la climatología en la entrega a tiempo). Muchas variables no tienen efecto sobre las demás: son independientes y se excluyen a sí mismas (por ejemplo, registros de pérdidas y ganancias de equipos de fútbol y tipos de cambio de divisa). Es importante recordar que no puede presuponer una relación casual entre variables basándose simplemente en una correlación estadística entre ellas. De hecho, la correlación le proporciona una pista que indica más investigación en la asociación entre esas variables. Solo con más exploración puede determinar si un vínculo casual entre ellas existe realmente y, si es así, cuán significativo es ese efecto.
Coeficiente
Un coeficiente es un valor numérico que representa el impacto que una variable explicativa (o un par de variables explicativas) tiene en la variable de resultado. El coeficiente cuantifica el cambio en el medio de la variable de resultado cando existe un cambio de una unidad en la variable explicativa, asumiendo que todas las otras variables en el modelo permanecen constantes.
Perspectiva comparativa
Perspectivas comparativas son perspectivas derivadas de un modelo. Las perspectivas comparativas revelan información acerca de las relaciones entre variables explicativas y la variable de resultado en su historia. Con perspectivas comparativas, aísla factores (categorías o depósitos) y compara su repercusión con otros factores o con medias globales. Einstein Discovery muestra gráficos en cascada para ayudarle a visualizar estas comparaciones.
Correlación
Una correlación es simplemente la asociación (o “co-relación”) entre dos o más cosas. En Einstein Discovery, la correlación describe la asociación estadística entre variables, habitualmente entre variables explicativas y una variable de resultado. La fuerza de la correlación se cuantifica como un porcentaje. Cuanto más alto es el porcentaje, más fuerte es la correlación. Sin embargo, tenga en cuenta que correlación no es causalidad. La correlación simplemente describe la fuerza de la asociación entre variables, no si afectan causalmente las unas a las otras.
Conteo
Un conteo es el número de observaciones (filas) asociadas con un análisis. El conteo puede representar todas las observaciones en el conjunto de datos, o el subconjunto de observaciones que cumplen criterios de filtro asociados.
Conjunto de datos
Vea Conjunto de datos de Analytics.
Variable de fecha
Una variable de fecha es un tipo de variable que contiene datos de fecha/hora (temporales).
Variable dependiente
Consulte variable de resultado.
Asistente de implementación
El Asistente de implementación es la herramienta de Einstein Discovery utilizada para implementar modelos en su organización de Salesforce.
Perspectivas descriptivas
Perspectivas descriptivas son perspectivas derivadas de datos históricos utilizando análisis descriptivos. Las perspectivas descriptivas muestran qué sucedió en sus datos. Por ejemplo, Einstein Discovery en Reportes produce perspectivas descriptivas para reportes.
Perspectivas de diagnóstico
Perspectivas comparativas son perspectivas derivadas de un modelo. Mientras que las perspectivas descriptivas muestran qué sucedió en sus datos, las perspectivas de diagnóstico muestran por qué sucedió. Perspectivas de diagnóstico profundizan más en correlaciones para ayudarle a comprender qué variables afectan de forma más significativa a los resultados de negocio que está analizando. El término por qué hace referencia a una elevada correlación estadística, no necesariamente a una relación de causa.
Impacto dispar
Si Einstein Discovery detecta impacto dispar en sus datos, significa que los datos reflejan prácticas discriminatorias en una población determinada. Por ejemplo, sus datos pueden revelar disparidades de género en salarios iniciales. La eliminación del impacto dispar de su modelo puede producir perspectivas más éticas y responsables y, por lo tanto, predicciones justas y equitativas.
Valores dominantes
Si Einstein Discovery detecta valores dominantes en una variable, significa que los datos están desfasados. La mayoría de los valores están en la misma categoría, lo que limita el valor del análisis.
Derivación
Con el tiempo, el desempeño de un modelo implementado puede ir a la deriva, siendo menos preciso en la predicción de resultados. La desviación puede producirse debido a factores cambiantes en los datos o en su entorno de negocio. La desviación también puede ser resultado de supuestos obsoletos ahora integrados en la historia en que está basado el modelo. Para remediar un modelo que se derivó, lo actualiza ajustando la configuración de historia, manteniéndolo en datos más recientes e implementándolo de nuevo.
Duplicados
Si Einstein Discovery detecta una condición duplicada en sus datos, significa que dos o más variables explicativas están altamente correlacionadas (por ejemplo, Ciudad y Código postal). Estas variables tienen un impacto duplicado en el resultado. Einstein Discovery recomienda elegir una sola variable para mejorar resultados. Considere mantener el campo más descriptivo (por ejemplo, Ciudad) para hace que las perspectivas sean más fáciles de interpretar. Esta condición también se conoce como multicolinealidad.
Uso ético
El uso ético refleja la aplicación de IA y aprendizaje automático para fines justos e imparciales. Con Einstein Discovery, es la práctica de producción de historias éticas y responsables, perspectivas y predicciones. Para una descripción general, realice el módulo Creación responsable de inteligencia artificial de Trailhead.
Variable explicativa
Una variable explicativa es una variable que explora para determinar si, y en qué grado, puede influir en la variable de resultado para su historia. Einstein Discovery calcula las asociaciones estadísticas entre variables explicativas y la variable de resultado Basándose en la fuerza de la asociación, puede investigar aún más si y cómo afecta esa variable explicativa la variable de resultado. Una variable explicativa se denomina a veces una variable de entrada, una función, una variable de predictor o una variable independiente.
Función
Consulte variable explicativa o variable predictiva.
Selección de funciones
Selección de funciones implica elegir el conjunto de funciones óptimo (variables explicativas o predictivas) en un modelo. En teoría, un modelo contiene el número de variables explicativas que mejor explican variaciones en la variable de resultado. Un modelo con demasiado pocas variables explicativas puede ser demasiado ambigua para detectar patrones subyacentes en los datos, dando como resultado un modelo infraajustado. Un modelo con demasiadas variables explicativas puede ser demasiado específica y compleja para filtrar ruido en los datos, dando como resultado un modelo sobreajustado. Una selección de funciones con éxito incluye las variables explicativas más influyentes sin variables ocultas importantes (variables explicativas importantes que faltan en el modelo).
Análisis de primer orden
En una perspectiva, un análisis de primer orden examina cómo una variable explicativa explica la variación en la variable de resultado. El análisis de primer orden se denomina a veces análisis bivariado.
Modelo lineal generalizado (GLM)
Modelo lineal generalizado es un algoritmo de modelo basado en regresión que Einstein Discovery utiliza para crear un modelo.
Objetivo
Un objetivo especifica el resultado deseado para su modelo. El objetivo de un modelo incluye su variable de resultado además de su dirección preferida (minimizar o maximizar) para el resultado. Por ejemplo, su objetivo podría ser maximizar el margen o minimizar costos. Einstein Discovery utiliza el objetivo del modelo para orientar su análisis y explicar las perspectivas que descubrió desde el análisis.
Potenciación del gradiente
Potenciación del gradiente es un algoritmo de aprendizaje automático en el árbol de decisiones que Einstein Discovery utiliza para crear un modelo. También denominado Máquina de Potenciación del gradiente (o GBM).
Pista
Consulte señal.
Valores idénticos
Si Einstein Discovery detecta valores idénticos en sus datos, significa que todos los valores para una variable pertenecen a la misma categoría. Tener valores idénticos aumenta la complejidad (pero no beneficia) en el análisis de sus datos.
Importancia
Importancia es la influencia relativa de una variable en el resultado predicho del modelo. En Einstein Discovery, la importancia indica cuánto elige el modelo utilizar una variable al predecir el resultado. El nivel de importancia se cuantifica como un porcentaje. Cuanto mayor sea el porcentaje, mayor la repercusión. Importancia es una medición avanzada que tiene en cuenta las interacciones entre variables. Si dos variables están altamente correlacionadas y contienen información similar, el modelo elige la mejor variable para utilizar. Por ejemplo, cuando se predice el uso energético las variables de temperatura y número de horas de aire acondicionado están altamente correlacionadas, pero solo una de las variables recibe un puntuaje de alta importancia.
Mejora
Una mejora es una acción sugerida, basada en análisis prescriptivo, que un usuario puede realizar para mejorar la probabilidad de un resultado deseado. Las mejoras están asociadas con variables procesables, que son variables explicativas que los usuarios pueden controlar. Realizar una acción sugerida puede mejorar el resultado predicho. Una mejora es similar a una prescripción en análisis predictivo.
Imputación
La imputación es una técnica estadística para sustituir valores numéricos que faltan por valores derivados de otro subconjunto de sus datos. Con la imputación activada, las observaciones con valores que faltan se cuentan de forma segura durante el análisis.
Variable independiente
Consulte variable explicativa o variable de predicción.
Perspectiva
Una perspectiva es un hallazgo en sus datos. Cuando crea un modelo, Einstein Discovery analiza los datos en su conjunto de datos y genera perspectivas basadas en su análisis. Las perspectivas proporcionan un punto de inicio para que investigue las relaciones entre las variables explicativas de su modelo y su objetivo.
Validación cruzada K-fold
Proceso de validación de modelos en que Einstein Discovery divide de forma aleatoria todas las observaciones en el conjunto de datos de Analytics en cuatro particiones separadas de igual tamaño. A continuación, completa cuatro pases de prueba (pliegues) en que tres de las particiones sirven como el conjunto de entrenamiento y una partición sirve como el conjunto de prueba. Para cada pliegue, Einstein Discovery compila mediciones de modelo, luego toma un promedio de las mediciones para todos los cuatro pliegues.
Fuga
La fuga se produce cuando los datos utilizados para entrenar su modelo incluyen una o más variables que contienen la información que está intentando predecir. Esto puede dar como resultado modelos extremadamente precisos cuando, en la actualidad, son problemáticos. Para remediar la fuga de datos, elimine cualquier variable de su modelo que esté causando la fuga.
Regresión lineal
En Einstein Discovery, la regresión lineal es una técnica analítica utilizada para el caso de uso numérico.
Regresión logística
En Einstein Discovery, la regresión logística es una técnica analítica utilizada para el caso de uso de clasificación binaria.
Variable oculta
Una variable oculta es una variable explicativa que falta en su modelo pero que explica de forma significativa las variaciones en la variable de resultado.
Medio
Una media es la media estadística: la suma de todos los elementos dividida por el número de elementos.
Medición
Un valor numérico que cuantifica algo. Consulte variable numérica.
Modelo
Un modelo es la ecuación personalizada sofisticada basada en una comprensión estadística integral de resultados pasados utilizados para predecir resultados futuros. Un modelo acepta los valores de una o más variables de predictor como entrada y produce un resultado predicho como resultado, junto con factores y mejoras principales (si se solicita). Einstein Discovery le guía por los pasos para crear un modelo basándose en el resultado que desea mejorar (el objetivo de su modelo), los datos que reúna para tal fin (en el conjunto de datos de Analytics) y otros ajustes que indican a Einstein Discovery cómo dirigir el análisis y comunicar sus resultados.
Algoritmo de modelado
Un algoritmo de modelado es lo que utiliza Einstein Discovery para crear un modelo. Einstein Discovery utiliza uno de los algoritmos siguientes: el modelo lineal generalizado (GLM) es un algoritmo basado en regresión, mientras que la máquina de mejora de gradiente (GBM) y XGBoost son algoritmos de aprendizaje automático basados en árboles de decisiones.
Gestor de modelos
El Gestor de modelos es la herramienta de Einstein Discovery utilizada para gestionar predicciones y modelos que desarrolló.
Desempeño de modelo
Desempeño de modelo son las mediciones utilizadas para describir el desempeño del modelo predictivo. Estas mediciones (indicadores de calidad, que se denominan a veces estadísticas de ajuste) muestran lo bien que se ajustan las predicciones del modelo a los datos de entrenamiento en el conjunto de datos. Para definiciones de indicadores de calidad mostrados en Desempeño de modelo, consulte Evaluar la calidad de los modelos.
Caso de uso de clasificación de clases múltiples
El caso de uso de clasificación de clases múltiples dirige resultados de negocio que tengan entre 3 y 10 valores de resultado, como cinco posibles planes de servicio u ocho posibles pólizas de seguros. La clasificación de clases múltiples es uno de los casos de uso principales que admite Einstein Discovery. Compare con Clasificación binaria.
Ruido
Ruido es cualquier dato que no explica con sentido las variaciones en su variable de resultado. Consulte señal.
Variable numérica
Una variable numérica es un tipo de variable que representa valores cuantitativos (números), como ingresos o precio. Puede realizar operaciones matemáticas en variables numéricas, como calcular los ingresos totales o el precio medio. Un valor numérico tiene una unidad de medición asociada, como divisa, volumen o peso. Un modelo que representa un caso de uso numérico tiene una variable de resultado numérica. En la documentación del conjunto de datos de Analytics, se hace referencia a la columna numérica como una medición.
Caso de uso numérico
En Einstein Discovery, el caso de uso numérico se aplica a variables de resultado de modelo que son numéricos. Predecir un campo numérico es un problema de regresión con su propio conjunto de mediciones para medir la calidad del modelo. Einstein Discovery utiliza regresión lineal para analizar resultados numéricos. El caso de uso numérico es uno de los casos de uso principales que admite Einstein Discovery.
Observación
Una observación representa una instancia de los datos que desea analizar. Una observación es similar a una fila de datos en un conjunto de datos de CRM Analytics o a un registro en un objeto de Salesforce. Por ejemplo, si el objetivo de su modelo es maximizar ganancias de oportunidad, cada observación representa una sola oportunidad.
Incidencias
Consulte conteo.
Resultado
Un resultado es el resultado de negocio que está intentando analizar o predecir. Un resultado es habitualmente un indicador de desempeño clave (KPI), como margen de ventas o ganancias de oportunidades.
Variable de resultados
En un modelo, la variable de resultado es la columna seleccionada como el enfoque principal y único para análisis y predicciones. El objetivo de un modelo es maximizar o minimizar su variable de resultados. A veces se hace referencia a una variable de resultado como la respuesta, la variable de objetivo o la variable dependiente.
Valor atípico
Si Einstein Discovery detecta anomalías en sus datos, significa que una variable contiene puntos de datos que son inusualmente diferentes al valor medio (más de cinco veces la desviación estándar de la media para esa variable). Números inusualmente pequeños o grandes, posiblemente de errores de entrada de datos o eventos poco comunes, afectan a las medias y desviaciones estándar, lo que puede reducir la precisión de perspectivas o predicciones. Los valores atípicos se pueden excluir de forma selectiva de un modelo.
Sobreajuste
En análisis predictivo, el sobreajuste se produce cuando un modelo tiene un buen desempeño en predecir resultados en los datos de entrenamiento en el conjunto de datos, pero un menor desempeño al predecir resultados para otros datos, como datos de producción. El uso de demasiadas variables explicativas puede dar como resultado un modelo predictivo muy complejo que captura el ruido en sus datos. Para mitigar el sobreajuste, Einstein Discovery utiliza regresión de arista y regularización. Consulte también infraajuste.
Desempeño
Para modelos predictivos, el desempeño es una medición cualitativa de la precisión con la que un modelo predice resultados. Einstein Discovery proporciona mediciones de modelo que miden el desempeño del modelo de diferentes formas.
Resultado predicho
Una predicción. Einstein Discovery calcula el desempeño del modelo comparando hasta qué punto se aproximan los resultados predichos a los resultados actuales.
Predicción
En Einstein Discovery, una predicción es un valor derivado, producido por un modelo, que representa un posible resultado futuro. Puede pensar en una predicción como el resultado de un modelo predictivo basado en las entradas de variables de predictor que el modelo acepta.
Definición de predicción
En Servicio de predicción de Einstein, un recurso principal que contiene uno o más modelos. Si una definición de predicción contiene múltiples modelos, cada modelo produce predicciones para un segmento diferente de los datos.
Campo de predicción
Un campo de predicción es un campo donde Einstein almacena puntuajes de predicción para un objeto de Salesforce. Durante la implementación, Einstein puede crear este campo automáticamente (denominado un campo de predicción automatizado), o se puede crear un campo de predicción personalizado más adelante si es necesario.
Análisis predictivo
Análisis predictivo es la práctica de análisis de datos históricos y actuales, basándose en IA, aprendizaje automático, modelado predictivo y técnicas estadísticas Einstein Discovery utiliza análisis predictivo para identificar patrones y predecir resultados futuros probabilistas.
Modelo predictivo
Consulte modelo.
Variable de predictor o predictor
Una variable que un modelo espera como entrada. Una solicitud de predicción pasa valores para cada variable de predictor que requiere el modelo. Basándose en los valores de entrada proporcionados, la ecuación del modelo produce una predicción como resultado. Los predictores también se conocen como funciones y variables independientes.
Prescripción
Consulte mejora.
Análisis prescriptivo
Análisis prescriptivo es la práctica de sugerir acciones para mejorar resultados predichos.
Variable Proxy
Una variable proxy es una variable explicativa que está altamente correlacionada con otra variable explicativa en relación con la variable de resultado. Cuando una variable proxy, como la dirección de calle de un solicitante de préstamo, está altamente correlacionada con una característica protegida, como etnia, puede reflejar prácticas discriminatorias que comprometen sus análisis y predicciones con sesgo no deseado. Einstein Discovery le ayuda a identificar variables proxy de modo que puede eliminarlas, y el sesgo que reflejan, desde consideraciones en sus modelos, perspectivas y predicciones.
R2
R2 mide la capacidad del modelo de una regresión para explicar la variación en el resultado. Representa la proporción de la varianza en la variable de resultado que es predecible de una o más variables explicativas. En general, cuanto más alto es R2, mejor predice el modelo resultados. R2 es una medición utilizada habitualmente para casos de uso numéricos.
Datos clasificados
Datos clasificados se utiliza para distribuir datos por probabilidad. También conocido como fracción acumulativa, los datos clasificados se presentan a menudo como decimales o cantidades. En Einstein Discovery, los gráficos de ganancias y cargas se trazan en un eje x del porcentaje de datos clasificados. Por ejemplo, una fracción de datos acumulativa de 0,1 equivale al decil superior o el 10% de registros con las mayores puntuaciones.
Actualizaciones recomendadas
Al analizar sus datos, Einstein Discovery busca problemas, como anomalías o duplicados, que pueden disminuir el valor del análisis. Si se detecta, Einstein Discovery le presenta actualizaciones recomendadas para solucionar estos problemas de datos en su modelo.
Residual
Un residual es la diferencia matemática entre el valor observado (o real) y el valor predicho. Se calcula como residual=observed value-predicted value. Los valores residuales también se conocen como errores y se utilizan para evaluar la calidad y la precisión del modelo. Un residual positivo significa que la predicción era demasiado baja, mientras que un residual negativo significa que la predicción era demasiado alta.
Respuesta
Consulte variable de resultado.
Regresión de arista
Regresión de arista es un enfoque de regularización que Einstein Discovery utiliza para mitigar el sobreajuste de modelo evitando que los coeficientes sean demasiado largos.
Muestreo
Tecnología de selección aleatoria de un subconjunto de observaciones para analizar con el propósito de reducir el tiempo necesario para analizar los datos. La muestra debe ser lo suficientemente grande para ser suficientemente representativa de la variabilidad en los datos.
Puntuaje
(sustantivo) Una predicción asociada con una observación. (verbo) El proceso de predecir resultados para un conjunto de observaciones.
Análisis de segundo orden
En una perspectiva, un análisis de segundo orden examina cómo la combinación de dos variables explicativas explica la variación en la variable de resultado. En el análisis de segundo orden, el impacto combinado de ambas variables juntas en el resultado se denomina a veces el efecto de interacción. El análisis de segundo orden se denomina a veces análisis multivariado.
Segmento
Un segmento es un subconjunto de observaciones (filas) que cumplen los criterios especificados en el filtro de segmento. Consulte segmentación.
Segmentación
La segmentación implica el filtrado de sus datos para centrarse en su predicción en un grupo concreto, como un tipo de cliente o región.
Variable confidencial
Una variable confidencial contiene datos que se podrían asociar posiblemente con un tratamiento desigual. Algunos ejemplos son variables asociadas con raza, género, religión, origen nacional, orientación sexual, discapacidad o edad. Los ejemplos menos obvios incluyen variables proxy, como dirección postal o código postal, que pueden reflejar prácticas discriminatorias. Einstein Discovery utiliza variables confidenciales para detectar posibles sesgos en sus datos.
Señal
Señal es una indicación de un patrón estadísticamente significativo y posiblemente importante en sus datos. Por ejemplo, una perspectiva puede describir una alta correlación entre una variable explicativa y la variable de resultado. Al investigar más la relación, podrá obtener información acerca de si la correlación ayuda a explicar variaciones en el resultado (posible señal) o no (posible ruido). Se hace referencia a veces como pista.
Perspectivas de datos
Perspectivas de datos es un conjunto de análisis descriptivo y de diagnóstico que Einstein Discovery genera basándose en los datos y ajustes del modelo.
Asistente de configuración de modelo
El asistente de configuración de modelo es la herramienta de Einstein Discovery utilizada para definir ajustes de su modelo, como el objetivo de la historia, selecciones de datos y otras preferencias. Einstein Discovery utiliza estos ajustes de modelo para analizar los datos, producir perspectivas y generar predicciones.
Predictor más potente
Si Einstein Discovery detecta un predictor más potente en sus datos, significa que una variable explica la mayor variación en los datos. Elimine la variable si existe una relación matemática obvia entre ella y el resultado (por ejemplo Costo y Precio). Del mismo modo, elimine la variable si se conoce solo tras conocer el resultado (por ejemplo, Razón de abandono en un análisis de abandono del cliente). La exclusión de variables de predictor más potente puede exponer patrones más sutiles en sus datos.
Estado terminal
Datos finalizados y que no se espera que cambien. Un ejemplo de datos finalizados es la fecha en que se envió un pedido. Un registro que alcanzó su estado terminal representa un resultado actual (también denominado resultado observado). Defina las condiciones bajo las cuales la variable de resultados de su modelo alcanzó su estado terminal.
Variable de texto
Consulte variable categórica, resultado binario.
Umbral
En un modelo de clasificación binaria, el valor umbral indica a su modelo cómo clasificar un resultado binario. Si la probabilidad calculada está por encima del valor de umbral, Einstein clasifica el resultado de una forma (como Verdadero o Positivo). Si la probabilidad calculada está por debajo del valor de umbral, Einstein clasifica el resultado de la otra forma (como Falso o Negativo). El umbral predeterminado es 0,5, pero puede ajustar este valor al alza o a la baja para dar cabida a su caso de uso. El umbral se denomina a veces el Umbral de clasificación o Umbral de decisión.
Predictores principales
Predictores principales son las condiciones que dirigen de forma más significativa el resultado predicho, en orden descendente de magnitud. Una condición es un valor de datos asociado con una columna. En Einstein Discovery, un predictor consiste en una o dos condiciones. Consulte variables de predictor.
Conjunto de entrenamiento
En análisis predictivo, el conjunto de entrenamiento es la parte de los datos en su conjunto de datos que Einstein Discovery utiliza para entrenar su modelo para realizar predicciones. Consulte también conjunto de validación.
Infraajuste
En análisis predictivo, el infraajuste se produce cuando un modelo tiene un mal desempeño en la predicción de resultados en los datos de entrenamiento en el conjunto de datos. El infraajuste es a menudo un resultado de un modelo excesivamente sencillo en el que no hay suficientes variables para un algoritmo estadístico para capturar los patrones subyacentes en los datos. Consulte también sobreajuste.
Texto sin estructurar
Texto sin formato que varía en contenido y longitud. Ejemplos incluyen comentarios de clientes, comentarios de encuestas, publicaciones de redes sociales, mensajes de texto y mensajes de email. Contraste con variable categórica.
Conjunto de validación
En análisis predictivo, el conjunto de validación es la parte de los datos en su conjunto de datos que Einstein Discovery utiliza para validar las predicciones generadas por su modelo entrenado. Consulte también conjunto de entrenamiento.
Variable
Una variable representa una característica de los datos que está analizando. Una variable es similar a una columna en un conjunto de datos o un campo en un objeto de Salesforce. Por ejemplo, una oportunidad tiene variables (como el tipo de oportunidad, el origen de prospecto, el año fiscal, el importe previsto) que describen propiedades asociadas con cada oportunidad. Cada variable tiene un solo tipo de datos (número, texto o fecha). Einstein Discovery analiza relaciones entre dos tipos de variables: variables de resultados y variables explicativas. Los científicos de datos a veces hacen referencia a las variables como atributos o funciones.
XGBoost
XGBoost es un algoritmo de aprendizaje automático en el árbol de decisiones que Einstein Discovery utiliza para crear un modelo.
 
Cargando
Salesforce Help | Article