Criar um modelo do zero

Crie um modelo que use dados históricos para prever resultados futuros. Selecione e estruture sua fonte de dados e defina o resultado desejado. Em seguida, treine o modelo para revelar inferências e percepções preditivas usando IA, aprendizado de máquina e análise estatística.

1. Escolher tipo
   Com base no seu caso de uso, selecione um modelo binário, regressivo ou multiclasse (beta).

   

   

   Nota

   Os modelos de classificação são um serviço piloto ou beta que está sujeito aos Termos de serviços beta em Acordos - Salesforce.com ou um Acordo piloto unificado escrito, se executado pelo Cliente, e aos termos aplicáveis no Diretório de termos de produto. O uso desse serviço piloto ou beta fica a critério exclusivo do Cliente.

2. Selecionar dados
   Selecione a fonte de dados com a qual treinar seu modelo. O Einstein usa os dados para treinar e testar o modelo.
   Ao selecionar uma fonte de dados, considere algumas perguntas guiadas.

   Pergunta	Orientação
   Que resultado (como KPI) você deseja prever?	A modelagem preditiva detecta padrões relacionados a três tipos de casos de uso: regressão (números contínuos), classificação binária (resultados de texto de dois valores) ou multiclassificação (de 3 a 10 resultados possíveis). Os candidatos de dados ideais para modelagem preditiva costuma envolver KPIs associados a grandes volumes de dados e muitas decisões comerciais.
   Quais variáveis você deseja incluir?	Decidir quais variáveis incluir afeta a qualidade e a capacidade de interpretação de um modelo preditivo. Quando variáveis são relevantes e têm um significado, fica mais simples para as partes interessadas e os usuários de negócios entenderem os relacionamentos entre fatores e confiarem nos resultados previstos.
   Onde você pode encontrar essa informação?	É útil entender de onde os dados vêm ao avaliar a qualidade, identificar viés e aderir à governança e à conformidade dos dados.

3. Selecionar dados de treinamento
   Use todos os registros na fonte de dados para treinar o modelo. Ou especifique condições para restringir os registros usados para treinar o modelo.
   1. Para selecionar um subconjunto específico de dados para treinar o modelo, clique em Conjunto filtrado de registros.
   2. Defina uma condição de filtro.
      

      

      Importante

      Filtre seu conjunto de treinamento para usar menos de 20 milhões de linhas.

      Lógica	Descrição
      Requisitos da condição	Todas as condições são atendidas – se todas as condições forem verdadeiras, o filtro será aplicado. Se uma das condições for falsa, o filtro não será aplicado. Qualquer condição é atendida – se uma condição for verdadeira, o filtro será aplicado.
      Campo	Com base na fonte de dados. O atributo ou variável de dados a ser usado ao aplicar o filtro.
      Operador	Define o relacionamento entre o campo e a condição. Os operadores disponíveis dependem do tipo de dados.
      Valor	Valor específico para avaliar o campo. Para campos de texto, selecione um ou vários valores. Para campos numéricos, insira um valor. Para campos de data, use o calendário para selecionar uma data.

4. Definir a meta
   Selecione um problema de negócios que deseja resolver. Examine os principais indicadores de desempenho (KPIs) que você deseja melhorar. Explore quais KPIs candidatos podem se beneficiar mais da implementação de uma solução desenvolvida com IA.
   1. Selecione o campo para o qual deseja prever valores. Decida qual variável de resultado você quer explorar e em que granularidade. A variável de resultado pode ser um valor de KPI (como receita, desconto, medida de custo ou duração) ou outro resultado quantificável. Você também pode usar categorias (campos de texto) com dois valores (binários) como uma variável de resultado.
   2. Escolha maximizar ou minimizar sua meta. O Einstein cria e treina um modelo focado em maximizar ou minimizar a variável de resultado. Por exemplo, sua meta pode ser maximizar a margem líquida ou minimizar a rotatividade de clientes. O Einstein cria um modelo focado em alcançar uma maior margem líquida ou reduzir a rotatividade de clientes.
   
5. Preparar os dados
   Selecione quais campos incluir como variáveis no modelo. Certifique-se de que as variáveis sejam relevantes para o resultado de negócios que você deseja prever. Refine os dados para fornecer melhores resultados usando variáveis precisas, completas e representativas das operações de negócios do mundo real em termos de quantidade (volume) e variação (diversidade). Não use campos que contenham dados confidenciais ou informações de identificação pessoal (PII).

   Você também pode ativar o Autopilot para que o Einstein possa selecionar automaticamente as variáveis com maior impacto sobre sua previsão e caso de uso.

   

   Importante Damos suporte a até 50 variáveis de texto (campos) com 100 valores exclusivos ou mais. Um objeto de modelo de dados com variáveis de texto que excedam esse limite pode ser descartado ou não ficar visível durante a configuração do modelo.

   
6. Selecionar algoritmo
   O algoritmo é a abordagem, ou procedimento computacional, que o modelo usa para aprender com os dados e fazer previsões. Você também pode ativar a Seleção automática para que o Einstein possa selecionar automaticamente um algoritmo com o maior impacto sobre sua previsão e caso de uso.
   1. Escolha o algoritmo para seu modelo.
      

      Algoritmo	Descrição
      GLM	Padrão. O Modelo linear generalizado (GLM) é um algoritmo baseado em equação que geralmente é concluído rapidamente. Funciona melhor quando o relacionamento entre as variáveis e o resultado é relativamente simples. Apenas GLM pode produzir explicações com base na interação entre as variáveis, como o impacto combinado da região e do mês juntos.
      GBM	A Máquina de reforço de gradiente (GBM) é um algoritmo baseado em árvore em que as árvores de decisão são criadas de maneira sequencial para se encaixar melhor nos dados. Ela lida melhor com complexidade de dados como diferentes relacionamentos entre variáveis e distribuições de dados variados em comparação ao GLM.
      XGBoost	O Reforço de gradiente extremo (XGBoost) é uma extensão do GBM otimizada para eficiência. É um algoritmo baseado em árvore em que grupos de árvores de decisão são criados de maneira sequencial para se encaixar melhor nos dados, ao mesmo tempo evitando sobreajuste.

7. Revisar e treinar
   Treine seu modelo depois de revisar os detalhes.

   
   1. Revisar os detalhes do modelo. Opcionalmente, clique no ícone de lápis para editar uma etapa.
      

      Nota

      Você pode editar todas as etapas ao criar um modelo. Depois de criar o modelo, não é possível editar etapas como: Escolha Tipo, Selecionar dados e Definir meta.

   2. Clique em Salvar para inserir um nome e uma descrição opcional para seu modelo e clique em Salvar e treinar para criar o modelo.