Você está aqui:
Tipos de modelos preditivos suportados
Os modelos preditivos atendem a casos de uso de negócios comuns.
- Regressão para números
Casos de uso numéricos (regressão) usam resultados numéricos representados como dados quantitativos (medidas), como moeda, contagens ou porcentagens. - Classificação binária para texto
As soluções de classificação binária têm como alvo resultados de negócios com apenas dois resultados possíveis, que são representados como dados de texto. - Classificação multiclasse
As soluções de classificação multiclasse fornecem previsões detalhadas, alinhamento mais próximo com situações do mundo real e a capacidade de realizar ações direcionadas.
Regressão para números
Casos de uso numéricos (regressão) usam resultados numéricos representados como dados quantitativos (medidas), como moeda, contagens ou porcentagens.
Exemplo de regressões
Aqui estão apenas alguns exemplos de como modelos criados em Modelos de IA (anteriormente Einstein Studio) podem ajudá-lo a melhorar os resultados numéricos em sua organização:
- Valor previsto de uma oportunidade
- Tempo até o fechamento previsto de uma oportunidade
- Valor da vida útil do cliente previsto de uma conta
- Satisfação do cliente prevista de um caso
Algoritmos com suporte para regressão
- Modelo linear generalizado (GLM) – Regressão linear
- XGBoost
- Máquina de reforço de gradiente (GBM)
Classificação binária para texto
As soluções de classificação binária têm como alvo resultados de negócios com apenas dois resultados possíveis, que são representados como dados de texto.
Resultados binários
Esses resultados geralmente são perguntas do tipo sim/não expressas em termos de negócio, como rotatividade ou sem rotatividade, oportunidade ganha ou perdida, funcionário retido ou não retido etc. Para fins de análise, a IA Models (anteriormente Einstein Studio) converte os dois valores em verdadeiro e falso booleano.
Exemplo de soluções de classificação binária
Aqui estão apenas alguns exemplos de como modelos criados em Modelos de IA podem ajudá-lo a melhorar os resultados de classificação binária em sua organização:
- Prever a probabilidade de ganhar uma oportunidade
- Prever a probabilidade de uma Conta comprar um produto específico
- Prever a probabilidade de conversão de um lead
- Prever a probabilidade de rotatividade de uma conta
Algoritmos com suporte para classificação binária
- Modelo linear generalizado (GLM) – regressão logística
- XGBoost
- Máquina de reforço de gradiente (GBM)
Classificação multiclasse
As soluções de classificação multiclasse fornecem previsões detalhadas, alinhamento mais próximo com situações do mundo real e a capacidade de realizar ações direcionadas.
Resultados de várias classes
Com os Modelos de IA (anteriormente Einstein Studio), você pode usar a classificação multiclasse para prever a probabilidade de registros caírem em um de 3 e até 50 grupos. Em contraste com a classificação binária, que fornece dois resultados, sim ou não, modelos multiclasse podem lidar com vários resultados possíveis.
Exemplo de soluções de classificação multiclasse
Melhore os resultados em sua organização com estes casos de uso multiclasse.
- Prever o produto mais provável de várias opções de venda adicional ou de venda cruzada
- Prever a categoria de produto mais provável de um catálogo de ofertas
- Prever o próximo estágio de vendas mais provável no ciclo de vida da oportunidade
- Classifique casos de suporte em uma das várias categorias de motivo do caso
- Classifique contas em um dos vários segmentos de cliente predefinidos
Por exemplo, uma equipe de marketing usa classificação multiclasse para prever o canal de comunicação mais eficaz para um cliente específico. Para direcionar a campanha para um produto específico, o modelo avalia a probabilidade de que um registro pertença a várias categorias. Quando os clientes usam pontos de contato, como telefone, email ou chat, o modelo analisa sua demografia e interações anteriores para recomendar o canal adequado. O direcionamento preciso garante que o canal de marketing ideal entre em contato com os clientes para promover uma compra, uma venda adicional ou maior fidelidade à marca.
