Tipi di modello predittivo supportati

Esempio di regressioni

Di seguito sono riportati alcuni esempi di come i modelli creati in Einstein Studio possono migliorare gli esiti numerici nell'organizzazione:

• Ammontare previsto di un'opportunità
• Tempo necessario previsto per la chiusura di un'opportunità
• Valore previsto durata cliente di un account
• Soddisfazione del cliente prevista di un caso

Algoritmi supportati per la regressione

• Modello lineare generalizzato - Regressione lineare
• XGBoost
• GBM (Gradient Boost Machine)

Esiti binari

Questi risultati sono in genere domande con risposta sì/no formulate in termini aziendali, ad esempio abbandonato o non abbandonato, opportunità conseguita o persa, dipendente trattenuto o non trattenuto e così via. A scopo di analisi, Einstein Studio converte i due valori in valori true e false booleani.

Esempi di soluzioni di classificazione binaria

Di seguito sono riportati alcuni esempi di come i modelli creati in Einstein Studio possono migliorare gli esiti della classificazione binaria nell'organizzazione:

• Prevedere la probabilità di conseguire un'opportunità
• Prevedere la probabilità che un account acquisti un prodotto specifico
• Prevedere la probabilità di conversione di un lead
• Prevedere la probabilità di abbandono di un account

Algoritmi supportati per la classificazione binaria

• Modello lineare generalizzato - Regressione logistica
• XGBoost
• GBM (Gradient Boost Machine)

Esiti multiclasse

Con Einstein Studio, è possibile utilizzare la classificazione multiclasse per prevedere la probabilità che i record rientrino in uno dei tre bucket fino a un massimo di 50. A differenza della classificazione binaria, che fornisce solo due esiti (sì/no), i modelli multiclasse possono gestire più esiti possibili.

Nota I modelli di classificazione sono un servizio in versione beta soggetto alle condizioni dei servizi beta in Accordi - Salesforce.com o a un accordo beta unificato scritto se eseguito dal cliente e alle condizioni applicabili nell'elenco delle condizioni dei prodotti. L'utilizzo di questo servizio beta è a discrezione esclusiva del Cliente.

Esempi di soluzioni di classificazione multiclasse

Di seguito sono riportati alcuni esempi di come Einstein può migliorare i risultati della classificazione multiclasse nell'organizzazione.

• Prevedere il più probabile up-selling o cross-selling per un'opportunità
• Prevedere quale prodotto è più probabile che un cliente acquisti
• Prevedere la fase successiva più probabile di un'opportunità
• Prevedere il motivo caso più probabile
• Prevedere il segmento account più probabile

Si consideri uno scenario di marketing in cui una classificazione multiclasse viene utilizzata per prevedere il canale di comunicazione più efficace per un cliente specifico. Il modello valuta la probabilità che un record appartenga a varie categorie, ad esempio per guidare la destinazione delle campagne a un prodotto specifico. Quando un cliente interagisce con un marchio tramite qualsiasi punto di contatto, ad esempio telefono, email o chat, il modello analizza questi dati e consiglia il canale appropriato in base alle informazioni demografiche e alle interazioni precedenti. Un targeting preciso garantisce che i clienti vengano raggiunti dal canale di marketing che con maggiore probabilità porta a un acquisto, a un up-selling o a una maggiore fedeltà al marchio.

Algoritmi supportati per le soluzioni di classificazione binaria

• XGBoost
• GBM (Gradient Boost Machine)