Vous êtes ici :
Personnalisation des transformations de données d'entraînement et de score utilisées pour les prédictions de score de risque de collecte
Personnalisez les actifs de l'application Tableau Next créés pour prédire les scores de risque de recouvrement en fonction de vos besoins métiers.
Éditions requises
| Disponible avec : Lightning Experience |
| Disponible avec : Afficher la disponibilité des produits et des éditions. |
| Autorisations utilisateur requises | |
|---|---|
| Pour personnaliser les actifs de l'application Tableau Next : | Administrateur Data Cloud |
Personnalisez la transformation de données formation en fonction de vos besoins métiers, puis exécutez le modèle d'IA prédictive. Utilisez des métriques d'entraînement pour évaluer les performances du modèle et déterminer s'il est prêt à être activé. Les métriques d'entraînement fournissent des informations sur l'efficacité avec laquelle le modèle comprend les modèles et les relations dans les données d'entraînement, et indiquent son efficacité prédictive. Procédez de façon itérative jusqu'à l'obtention des résultats requis. Personnalisez la transformation de données batch de score en fonction des modifications que vous avez apportées à la transformation de données batch de formation. Exécutez la transformation de données score afin de prédire les scores de risque des nouveaux plans de collecte.
- Afficher et modifier la transformation de données par lot de formation, qui est incluse dans l ' application Tableau Next installée et configurée pour consolider les données de formation. Le nom de la transformation de données par lot d'apprentissage se présente sous le format <Nom de l'application> Formation BDT. Par exemple, si votre application nomme Collections, le nom de la transformation de données par lot de formation est Collections Training BDT.
- Exécutez la transformation de données que vous avez personnalisée précédemment.
- Statut transformation de données par lot.
- Réentraînez le modèle dans Einstein Studio en utilisant les données d'entraînement modifiées.
- Évaluez la qualité du modèle et déterminez s'il est prêt à être activé en utilisant les métriques d'entraînement.
- Modifiez le modèle si nécessaire.
-
Répétez les étapes 1 à 6 jusqu'à obtenir les résultats requis.
La qualité du modèle est un facteur de succès critique dans les solutions d’IA prédictive. Einstein Studio prend en charge l'amélioration continue et itérative des modèles prédictifs.
- Activez le modèle.
- Afficher et modifier la transformation de données par lot de score, qui est incluse dans l ' application Tableau Next installée et configurée pour prédire les scores de risque. Le nom de la transformation de données lot de score se présente sous le format <Nom de l'application> Score BDT. Par exemple, si votre application nomme Collections, le nom de la transformation de données par lot de score est Collections Score BDT.
- Exécutez la transformation de données de score que vous avez personnalisée précédemment.
- Statut transformation de données par lot.
- Pour vous assurer que toutes les mises à jour récentes des plans de collecte sont prises en compte et que les données les plus récentes sur le score de risque sont disponibles pour les plans de collecte, planifiez la transformation des données par lot de score en fonction de vos besoins métiers.
- Pour vous assurer que les données de formation sont étalonnées périodiquement, planifiez l'exécution de la transformation de données par lot de formation quelques fois par an, selon vos besoins métiers.
