您位於此處：
支援的預測模型類型
預測模型可處理常見業務使用個案。
- 數字迴歸
數值 (迴歸) 使用個案會使用以量值資料 (度量) 表示的數值成果，例如貨幣、計數或百分比。 - 文字的二元分類
二元分類解決方案以僅兩種可能結果的業務成果為目標，這些成果以文字資料來表示。 - 多類別分類
多類別分類解決方案提供詳細的預估、更符合實際狀況,以及採取目標動作的能力。
數字迴歸
數值 (迴歸) 使用個案會使用以量值資料 (度量) 表示的數值成果，例如貨幣、計數或百分比。
迴歸範例
以下是以 AI 模型 (先前稱為 Einstein Studio) 建立的模型如何協助您改善組織中數值成果的一些範例:
- 機會的預估金額
- 機會的預估結束時間
- 帳戶的預估客戶終身價值
- 個案的預估客戶滿意度
支援的迴歸演算法
- 廣義線性模型 (GLM) - 線性迴歸
- XGBoost
- 梯度增強機器 (GBM)
文字的二元分類
二元分類解決方案以僅兩種可能結果的業務成果為目標，這些成果以文字資料來表示。
二元成果
這些成果通常為是/否問題，以業務術語呈現，例如已流失或未流失、機會成交或未成交、員工保留或未保留等等。基於分析目的,AI Models (先前稱為 Einstein Studio) 會將這兩個值轉換為布林值 true 和 false。
二元分類解決方案範例
以下是以 AI 模型建立的模型如何協助您改善組織中二元分類成果的一些範例:
- 預估機會成交的可能性
- 預估帳戶購買特定產品的可能性
- 預估商機轉換的可能性
- 預估帳戶將流失的可能性
支援的二元分類演算法
- 廣義線性模型 (GLM) - 邏輯式迴歸
- XGBoost
- 梯度增強機器 (GBM)
多類別分類
多類別分類解決方案提供詳細的預估、更符合實際狀況,以及採取目標動作的能力。
多類別成果
透過 AI 模型 (先前稱為 Einstein Studio),您可以使用多類別分類來預估記錄屬於 3 個或最多 50 個分類之一的可能性。不同於二元分類 (提供兩個成果,是或否),多類別模型可以處理多個可能成果。
多類別分類解決方案範例
使用這些多類別使用個案改善您組織的成果。
- 從多個向上銷售或交叉銷售選項預估最有可能的產品
- 從產品型錄預估最有可能的產品種類
- 預估機會生命週期中最有可能的下一個銷售階段
- 將支援個案分類為數個個案原因種類之一
- 將帳戶分類為數個預先定義的客戶區段之一
例如,行銷小組使用多類別分類來預估特定客戶最有效的通訊管道。若要鎖定特定產品的行銷活動目標,模型會評估記錄屬於各種種類的可能性。當客戶使用接觸點 (例如電話、電子郵件或聊天) 時,模型會分析其人口統計和過去的互動,以建議適當的管道。精確定位可確保最佳行銷管道接觸客戶,以促進購買、追加銷售或提升品牌忠誠度。
此文章是否解決您的問題？
請讓我們知道，以便我們改進！
