Usted está aquí:
Tipos de modelos predictivos admitidos
Los modelos predictivos tratan casos de uso de negocio comunes.
- Regresión para números
Casos de uso numéricos (regresión) que apuntan a resultados numéricos representados como datos cuantitativos (mediciones), como divisa, conteos o porcentajes. - Clasificación binaria para texto
Las soluciones de clasificación binaria apuntan a resultados de negocio con solo dos posibles resultados, que se representan como datos de texto. - Clasificación de clases múltiples (Beta)
Las soluciones de clasificación de clases múltiples proporcionan predicciones detalladas, una alineación más cercana con situaciones reales y la capacidad de realizar acciones dirigidas.
Regresión para números
Casos de uso numéricos (regresión) que apuntan a resultados numéricos representados como datos cuantitativos (mediciones), como divisa, conteos o porcentajes.
Ejemplo de regresiones
Estos son solo algunos ejemplos de cómo los modelos creados en Einstein Studio pueden ayudarle a mejorar resultados numéricos en su organización:
- Importe predicho de una oportunidad
- Tiempo predicho para el cierre de una oportunidad
- Valor de vida predictivo de cliente de una cuenta
- Satisfacción de cliente predicha de un caso
Algoritmos admitidos para la regresión
- Modelo lineal generalizado (GLM) - Regresión lineal
- XGBoost
- Máquina de potenciación del gradiente (GBM)
Clasificación binaria para texto
Las soluciones de clasificación binaria apuntan a resultados de negocio con solo dos posibles resultados, que se representan como datos de texto.
Resultados binarios
Estos resultados son normalmente preguntas de sí/no expresadas en términos de negocio, como abandonados o no abandonados, oportunidades ganadas o perdidas, empleados retenidos o no retenidos, etc. Para fines de análisis, Einstein Studio convierte los dos valores en valores booleanos verdadero y falso.
Soluciones de clasificación binaria de ejemplo
Estos son solo algunos ejemplos de cómo los modelos creados en Einstein Studio pueden ayudarle a mejorar resultados de clasificación binaria en su organización:
- Predecir la probabilidad de ganar una oportunidad
- Predecir la probabilidad de que una cuenta compre un producto específico
- Predecir la probabilidad de que un prospecto se convierta
- Predecir la probabilidad de que se abandone una cuenta
Algoritmos admitidos para clasificación binaria
- Modelo lineal generalizado (GLM) - Regresión logística
- XGBoost
- Máquina de potenciación del gradiente (GBM)
Clasificación de clases múltiples (Beta)
Las soluciones de clasificación de clases múltiples proporcionan predicciones detalladas, una alineación más cercana con situaciones reales y la capacidad de realizar acciones dirigidas.
Resultados de clases múltiples
Con Einstein Studio, puede utilizar la clasificación de clases múltiples para predecir la posibilidad de que los registros caigan en uno de tres y hasta 50 depósitos. En contraste con la clasificación binaria, que proporciona dos resultados únicamente (sí/no), los modelos de clases múltiples pueden gestionar múltiples resultados posibles.
Soluciones de clasificación de clases múltiples de ejemplo
Estos son solo algunos ejemplos de cómo Einstein puede ayudarle a mejorar resultados de clasificación de clases múltiples en su organización.
- Predecir el aumento de ventas o la venta cruzada más probable para una oportunidad
- Predecir qué producto es más probable que adquiera un cliente
- Predecir la siguiente fase más probable para una oportunidad
- Predecir el motivo de caso más probable
- Predecir el segmento de cuenta más probable
Consideremos un escenario de marketing donde se utiliza una clasificación de clases múltiples para predecir el canal de comunicación más efectivo para un cliente específico. El modelo evalúa la probabilidad de que un registro pertenezca a varias categorías, por ejemplo, para guiar el destino de campaña para un producto específico. Cuando un cliente interactúa con una marca a través de cualquier punto de contacto (como teléfono, email o chat), el modelo analiza estos datos y recomienda el canal apropiado basándose en su información demográfica e interacciones pasadas. El direccionamiento preciso garantiza que los clientes lleguen al canal de marketing que tiene más probabilidades de llevar a una compra, una venta incremental o una fidelidad de marca aumentada.
Algoritmos admitidos para soluciones de clasificación de clases múltiples
- XGBoost
- Máquina de potenciación del gradiente (GBM)
