Vous êtes ici :
Présentation des fonctionnalités et des actifs de l'application Tableau Next pour les collections
Examinez les fonctionnalités d'entrée et les actifs utilisés lors de l'installation et de la configuration de l'application Tableau Next pour Collections en utilisant le type de modèle de configuration Infrastructure de score, Score de risque des collections.
Éditions requises
| Disponible avec : Lightning Experience |
| Disponible avec : Afficher la disponibilité des produits et des éditions. |
Fonctionnalités d'entrée
La configuration du modèle Collections Risk Scoring inclut une série de champs prédéfinis que vous pouvez sélectionner en tant que fonctionnalités d'entrée pour l'entraînement et le score du modèle d'IA prédictive.
| Étiquette de la fonctionnalité d'entrée | Description |
|---|---|
| Total des frais | L'intérêt total et les frais associés à un plan de collecte. |
| Quartile de date d'échéance | La semaine de l'année à laquelle la date d'échéance tombe. |
| Durée de vie de la collection | Le nombre de jours entre la date d'échéance et la date de fermeture. |
| Code de motif | Un code unique qui représente le motif du plan de collecte. |
| Motif | La raison pour laquelle le processus de recouvrement a été initié, notamment le non-paiement des factures, la faillite, les factures impayées et les titulaires de compte décédés. |
| Chances de récupération | La probabilité de paiement d'une collecte. |
Actifs
Lorsque vous installez l'application Tableau Next pour Collections, ces actifs sont installés. Vous pouvez personnaliser ces actifs en fonction de vos besoins métiers.
- Transformation de données par lot de formation : Cette transformation de données par lot est créée et exécutée lors de l'installation de l'application Tableau Next. 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 le nom de l'application est Collections, le nom de la transformation par lot de formation est Collections Training BDT. Il collecte les données de plusieurs objets Modèle de données pertinents basés sur la configuration et crée les données d'entraînement aplaties dans une nouvelle transformation Objet Modèle de données. Le nouveau nom de l'objet modèle de données se présente sous le format RiskScore <Nom de l'application>. Par exemple, si le nom de votre application est Collections, le nom Objet modèle de données est Collections RiskScore. La transformation de données batch d'apprentissage utilise les données Collections historiques pour entraîner le modèle prédictif.
- Modèle IA prédictive Einstein : Le modèle est créé lors de l'installation de l'application Tableau Next. Entraînez le modèle en utilisant les données d'entraînement. La configuration de ce modèle est dérivée du modèle prédéfini, Collections Risk Scoring. Le modèle d'IA prédictive s'intitule Score de risque des collections et vous pouvez l'afficher dans Einstein Studio.
- Transformation de données lot de score : Cette transformation de données par lot est créée et exécutée lors de l'installation de l'application Tableau Next. Le nom de la transformation de données batch de score se présente sous le format <nom de l'application> Score BDT. Par exemple, si le nom de l'application est Collections, le nom de la transformation par lot de score est Collections Score BDT. Il collecte les données de plusieurs objets Modèle de données pertinents basés sur la configuration, et collecte également les données nouvelles et en cours du Plan de collecte. Utilise le Modèle Einstein entraîné pour attribuer les scores de risque sur ces derniers. Les données consolidées, ainsi que les scores de risque, sont stockées dans un objet Modèle de données Transformation nommé <Nom de l'application> Score de risque.
Cet article a-t-il résolu votre problème ?
Dites-nous ce que nous pouvons améliorer !
