위치:
목표 결과 정의
해결할 비즈니스 문제를 선택하여 시작합니다. 개선할 핵심 성과 지표(KPI)를 검사합니다. Einstein Discovery 기반 솔루션을 배포하면 가장 많은 혜택을 얻을 수 있는 후보 KPI를 탐색합니다.
사전 고려 사항
Einstein Discovery를 사용하여 데이터 탐색을 시작하려면 몇 가지 선결 문제를 고려하세요.
- 어떤 결과(KPI 등)를 탐색하려고 하십니까? Einstein Discovery가 세 가지 유형의 사용 사례인 숫자(측정값), 이진 분류(2개 값 텍스트 결과) 및 다중 클래스 분류(3~10개의 가능한 결과)와 관련된 패턴을 감지합니다. 대략적으로 말해서 유망한 솔루션 후보는 종종 대량의 데이터 및 많은 비즈니스 결정과 관련된 KPI를 수반합니다.
- 분석에 포함하려는 설명 변수는 무엇입니까? 다음 요소가 결과에 영향을 미칠 수 있습니다.
- 이 정보를 어디에서 찾을 수 있습니까? 가능한 데이터 소스는 무엇입니까? Salesforce 개체입니까? Salesforce 외부에 있는 데이터입니까?
- Einstein이 분석할 데이터가 충분합니까? 자세한 내용은 Einstein Discovery 기능 및 요구 사항을 참조하십시오.
자세한 아이디어는 Einstein Discovery에 필요한 모든 사항을 참조하십시오.
분석 및 개선할 결과 변수 식별
탐색할 결과 변수와 세분성을 결정합니다. 결과 변수는 KPI 값(수익, 할인, 비용 측정값 또는 기간 등) 또는 기타 정량화할 수 있는 결과일 수 있습니다. 또한 2개의 값(이진) 또는 3~10개의 값(다중 클래스)이 있는 범주(텍스트 필드)를 결과 변수로 사용할 수도 있습니다. 일반적으로 이진 결과는 연속 값 결과보다 예측 정확도가 떨어집니다. 경우에 따라 월별 고객 수익과 같은 새 메트릭이 생성되며, 결과 변수 메트릭을 만들 수도 있습니다.
또한 목표를 명료화합니다. 숫자 및 이진 분류 결과의 경우 Einstein Discovery는 결과 변수 최대화 또는 최소화를 기반으로 하는 분석을 지향합니다. 예를 들어, 순이익을 최대화하거나 고객 손실을 최소화하는 것을 목표로 할 수 있습니다. 다중 클래스 분류 결과의 경우 3~10개의 가능한 값 중에서 가장 가능성이 높은 결과를 예측하는 것이 목표입니다.
검사할 설명 변수 식별
결과를 설명하거나 영향을 미칠 수 있는 변수에 대해 고려합니다. 예를 들어 판매를 조사하기 위해 잠재적으로 영향력이 있는 변수는 할인, 리드 수신 및 마지막 연락 간 일수, 리드 소스, 지역, 수직 시장, 경쟁사, 프로모션을 포함할 수 있습니다. Einstein Discovery는 예측 변수 선택 시 변수를 최소화하고 정보를 최대화하기 위해 Einstein Discovery에서 생성한 모델에서 설명을 명확하게 규정하지 않거나 부정확한 변수를 없앱니다.
결과에 직접적으로 영향을 미치는 필드(예측 변수)를 선택하세요. 변수 데이터는 정돈되고 일관적이어야 합니다. 입력 예측 변수의 순서 및 의미는 모든 레코드에서 동일하게 유지해야 하며, 데이터 형식이 일치하지 않거나 “복잡한 데이터” 형태로 유지되거나 이상값이 포함되어 있으면 분석 결과의 품질이 저하될 수 있습니다.
이 경우 데이터를 결과 변수를 설명하거나 결과 변수에 영향을 미치는 파생 변수가 있는 분석 필드로 만듭니다. CRM Analytics 데이터 집합에서 데이터를 구축하려면 가장 영향력이 큰 변수를 성공적으로 선택, 생성, 변환하기 위한 주제 관련 전문 지식 및 데이터 리터러시가 필요합니다.
데이터 소스 및 필드 식별
결과 및 설명 변수를 기반으로 결과 변수와 관련된 비즈니스 프로세스에 대한 변수를 가장 잘 표현할 수 있는 데이터 소스를 결정합니다. 잠재적인 소스에는 Salesforce 개체(사용자 정의 개체 포함) 및 Salesforce 외부에 있는 데이터가 포함됩니다.
