위치:
실천 가능한 변수 및 처방
Data 360의 데이터를 사용하는 Einstein Studio 모델 빌더에서 실행 가능한 변수는 예측 결과에 영향을 미치도록 변경할 수 있는 Einstein에서 처음부터 생성된 모델의 필드입니다. 고객의 위치, 성별 및 나이와 같이 변경할 수 없는 다른 필드와 비교하여 실천 가능한 변수를 변경할 수 있습니다. 이러한 변수는 사용자가 더 성공적인 결과를 얻기 위해 취할 수 있는 제안된 작업(예약)을 제공하므로 중요합니다.
다음은 몇 가지 실천 가능한 변수 및 조정 방법입니다.
- 신용 한도: 제한 증가 제안
- 금리: 다양한 고객 그룹의 요율 설정
- 제품 가격: 제품 단가 증가
- 배송 옵션: 무료 또는 빠른 배송 제공
예측 모델에 대해 실천 가능한 변수를 설정한 후 다음 Salesforce 통합을 사용하여 처방전을 가져올 수 있습니다.
배치 데이터 변환
배치 데이터 변환 사용하여 대규모 데이터 집합에서 모델을 실행합니다. 모델은 모델 빌더에서 설정한 실천 가능한 변수를 기반으로 각 데이터 지점에 대한 예측을 생성합니다. 배치 데이터 변환은 실행 가능한 변수를 사용하여 처리를 처리합니다. 이러한 처리는 데이터 집합의 각 예측 옆에 있는 열에 추가되며, 대시보드와 같은 결정 도구에 유용합니다.
[변수 이름]: [새 값] - Discount_Offered: 10%
[ 영향 값] - 20(이 값은 할인을 5%에서 10%로 변경하면 예측된 전환 점수가 20포인트 증가함을 의미합니다).
플로
자동 플로를 사용하여 예측 인사이트를 가격 업데이트 또는 제안 시작과 같은 자동화, 개인 설정, 처방적 작업으로 전환합니다. 이렇게 하면 결정에 대한 설명 가능성과 신뢰도가 향상됩니다. 실천 가능한 변수 설정 후:
- 모델은 예측 점수만 반환하지 않습니다.
- 또한 모델은 결과를 개선하기 위해 수행할 조치를 제안하는 처방전을 반환할 수 있습니다. 다음과 같은 사용자 친화적인 출력을 위해 프롬프트 빌더 사용하는 것이 좋습니다. 제안 기간을 7일로 연장합니다.
해당 처방은 플로에서 호출 가능한 작업(cdpMlPrediction)의 출력 필드가 됩니다. 특정 고객, 제품 또는 지역에 대해 변경할 사항을 보여주는 화면을 구축할 수 있습니다. 플로는 다음을 수행할 수도 있습니다.
- 규정된 값을 기반으로 Messaging, 할인 또는 라우팅을 동적으로 조정합니다.
- 가장 영향을 미칠 가능성이 높은 작업을 기반으로 고객을 세분화합니다. 예를 들어, 할인을 제공하거나 서비스 담당자에게 에스컬레이션합니다.
플로에 담당자를 위해 생성된 화면 플로와 같은 화면 요소가 있는 경우 다음을 수행할 수 있습니다.
- 처방전을 자세히 설명합니다.
- 사용자에게 설명 가능성을 제공합니다. 예: 구매 가능성을 20% 늘릴 수 있으므로 10% 할인을 제공합니다.
시스템에 새 리드가 추가될 때의 플로 논리를 살펴보겠습니다.
- 트리거: 새 리드
- 예측: 변환 가능성이 낮음
- 처방: 24시간 이내에 팔로우업 제안
- 플로 결과: 상위 서비스 담당자에게 리드를 할당하고 같은 날 통화를 예약합니다.
이 흐름은 순서를 닫습니다. 리드를 점수화하는 것뿐만 아니라 리드에 대한 팔로우업을 할 수 있도록 작업을 정의하고 자동화합니다.
- 실천 가능한 변수 설정
모델 빌더에서 실천 가능한 변수는 모델의 예측 결과에 영향을 미치도록 변경할 수 있는 필드입니다. 실천 가능한 변수를 설정하면 모델이 처방전(사용자가 결과를 개선하기 위해 취할 수 있는 제안된 조치)을 제공할 수 있습니다.
