Olet tässä:
Tuetut ennustemallin tyypit
Ennustemallit käsittelevät yleisimpiä liiketoimintatarkoituksia.
- Numeroiden regressio
Numeroarvojen (regression) käyttötapaukset kohdistuvat numeerisiin lopputuloksiin, jotka esitetään kvantitatiivisina tietoina (mittareina), kuten valuutta, määrät tai prosenttiluvut. - Tekstin binääriluokitus
Binääriluokitteluratkaisut keskittyvät liiketoimintan lopputuloksiin, joilla on vain kaksi mahdollista tulosta, jotka esitetään tekstidatana. - Moniluokkainen luokitus
Moniluokkien luokitteluratkaisut tarjoavat yksityiskohtaisia ennusteita, tarkemman yhteyden todellisiin tilanteisiin ja kyvyn suorittaa kohdennettuja toimintoja.
Numeroiden regressio
Numeroarvojen (regression) käyttötapaukset kohdistuvat numeerisiin lopputuloksiin, jotka esitetään kvantitatiivisina tietoina (mittareina), kuten valuutta, määrät tai prosenttiluvut.
Esimerkki regressioista
Alla on vain muutama esimerkki siitä, miten AI-malleissa (aiemmalta Einstein Studiolta) luodut mallit voivat auttaa sinua parantamaan organisaatiosi numeerisia lopputuloksia:
- Mahdollisuuden ennustettu summa
- Mahdollisuuden ennustettu sulkemisaika
- Tilin ennustettu asiakkaan elinkaaren arvo
- Tapauksen asiakastyytyväisyys ennustettuna
Regressiolle tuetut algoritmit
- Yleistetty lineaarinen malli (GLM) - lineaarinen regressio
- XGBoost
- Gradient Boost Machine (GBM)
Tekstin binääriluokitus
Binääriluokitteluratkaisut keskittyvät liiketoimintan lopputuloksiin, joilla on vain kaksi mahdollista tulosta, jotka esitetään tekstidatana.
Binääriset lopputulokset
Nämä lopputulokset ovat tavallisesti kyllä/ei-kysymyksiä, jotka esitetään liiketoimintatermeissä, kuten churned tai not churned, opportunity won or lost, employee retained tai not retained jne. AI-mallit (aiemmalta Einstein Studiolta) muuntavat kaksi arvoa totuusarvoon true ja false analyysiä varten.
Esimerkki binääriluokituksen ratkaisuista
Alla on vain muutama esimerkki siitä, miten AI-malleissa luodut mallit voivat auttaa sinua parantamaan binääriluokittelun lopputuloksia organisaatiossasi:
- Ennusta mahdollisuuden voittamisen todennäköisyys
- Ennusta, kuinka todennäköisesti tili ostaa tietyn tuotteen
- Ennusta todennäköisyys, että liidi muunnetaan
- Ennusta, kuinka todennäköisesti tili vaihtuu
Binääriluokittelun tuetut algoritmit
- Yleistetty lineaarinen malli (GLM) - Logistic Regression
- XGBoost
- Gradient Boost Machine (GBM)
Moniluokkainen luokitus
Moniluokkien luokitteluratkaisut tarjoavat yksityiskohtaisia ennusteita, tarkemman yhteyden todellisiin tilanteisiin ja kyvyn suorittaa kohdennettuja toimintoja.
Moniluokkien lopputulokset
AI-mallit (aiemmalta Einstein Studiolta) sallivat sinun käyttää moniluokkien luokittelua ennustaaksesi, kuinka todennäköisesti tietueet osuvat yhteen 3:sta ja enintään 50:een kategoriaan. Toisin kuin binääriluokitus, joka tarjoaa kaksi lopputulosta, kyllä tai ei, moniluokkien mallit voivat käsitellä useita mahdollisia lopputuloksia.
Esimerkki moniluokkien luokittelun ratkaisuista
Paranna organisaatiosi lopputuloksia näillä moniluokkien käyttötarkoituksilla.
- Ennusta todennäköisin tuote useista lisä- tai ristiinmyyntivaihtoehdoista
- Ennusta todennäköisin tuotekategoria tarjousten katalogista
- Ennusta mahdollisuuden elinkaaren todennäköisin seuraava myyntivaihe
- Luokittele tukitapaukset yhteen useista tapausten syykategorioista
- Luokittele tilit yhteen useista esimääritetyistä asiakassegmenteistä
Esimerkiksi markkinointitiimi käyttää moniluokkien luokittelua ennustaakseen tehokkaimman viestintäkanavan tietylle asiakkaalle. Jos haluat kohdistaa kampanjan tiettyyn tuotteeseen, malli arvioi, onko todennäköistä, että tietue kuuluu eri kategorioihin. Kun asiakkaat käyttävät yhteydenottopisteitä, kuten puhelin, sähköposti tai chat, malli analysoi heidän väestötietonsa ja aiemmat vuorovaikutuksensa suositellakseen sopivaa kanavaa. Tarkka kohdistus varmistaa, että optimaalinen markkinointikanava tavoittaa asiakkaat edistääkseen ostamista, lisämyyntiä tai brändäysuskollisuutta.
