Förutsägelser av betygsramverk
Pitcha rätt produkter till kunder och öka dina intäkter genom att analysera kunders sannolikhet att köpa finansiella tillgångar. Minska kundbortfall genom att vidta steg baserat på kundens sannolikhet för bortfall. Sälj en tillgång till en intresserad kund baserat på förutsägelser och öka din kunds förvaltade tillgångar. Få förutsägelsebetyg baserat på data från dina konton och kontakter.
Versioner som krävs
| Tillgängliga i: Enterprise, Performance och Unlimited Editions av Lightning Experience där Financial Services Cloud, CRM Analytics för Financial Services Cloud, AI Accelerator och betygsramverk har aktiverats |
För att få förutsägelser om kunders sannolikhet att köpa finansiella tillgångar, sannolikheten för bortfall eller sannolikheten att lägga till tillgångar, skapa en CRM Analytics-mallkonfiguration i Betygsramverk med Förutsägelsebetyg (Financial Services Cloud) som mallkonfigurationstyp.
- Om du vill definiera en fördefinierad målvariabel för att få förutsägelser om kunders sannolikhet att köpa finansiella tillgångar, välj Konton har nyligen köpta finansiella konton (sannolikhet för inköp) eller Konton har associerade säljprojekt som är avslutade (sannolikhet för inköp).
- Om du vill definiera en fördefinierad målvariabel för att få förutsägelser om kunders sannolikhet för bortfall, välj Kontostatus har ändrats till Inaktiv (sannolikhet för bortfall).
- Om du vill definiera en fördefinierad målvariabel för att få förutsägelser om kunders sannolikhet att lägga till tillgångar, välj Tillgångar under förvaltning har ökat för konton (sannolikhet att lägga till tillgångar).
För att få förutsägelser baserade på data från dina konton och kontakter, skapa en CRM Analytics-mallkonfiguration i Betygsramverk med Förutsägelsebetyg för konton eller kontakter (Financial Services Cloud) som mallkonfigurationstyp och definiera en egen målvariabel.
De appar som skapas baserat på mallkonfigurationen innehåller dessa förkonfigurerade recept.
| Recept | Beskrivning | Utdata |
|---|---|---|
| Hämta data för att skapa exempeldatauppsättning | Receptet skapar en datauppsättning som används för att skapa en exempeldatauppsättning genom att utvärdera ögonblicksbilddata för konton, ögonblicksbilddata för finanskonton, uppgifter, händelser, kundcase och data från objektet som valts för att lära upp modellen. | Exempel på datauppsättning |
| Hämta exempeldatauppsättning | Receptet skapar en datauppsättning som Einstein lär sig från genom att utvärdera ögonblicksbilddata för konton, ögonblicksbilddata för finanskonton, datauppsättningen som skapats av receptet Hämta data för att skapa exempeldatauppsättningar och data från objektet som valts för att lära upp modellen. | Exempel på datauppsättning |
| Förutsägelsedatauppsättning | Receptet skapar en datauppsättning baserat på vilken Einstein skapar förutsägelser genom att utvärdera finanskonton, finanskontoavgifter, leads, uppgifter, kundcase och data från det objekt som du vill få förutsägelser för. | Förutsägelsedatauppsättning |
| Få Financial Services Cloud-förutsägelser | Receptet skapar förutsägelser och de tre viktigaste faktorerna som kan påverka förutsägelserna genom att utvärdera förutsägelsedatauppsättningen. | Skriver förutsägelsedetaljer och de tre bästa förutsägarna till writeback-objektets fält som väljs när mallkonfigurationen konfigureras i Betygsramverk. |
Du kan ändra recepten i dessa scenarion.
- Ditt schema avviker från Financial Services Cloud-schemat.
- Ett eget fält i en befintlig enhet ändras.
- Lagringen av funktionsdata ändras från en befintlig enhet till en egen enhet.
- Datan laddas inte korrekt.
- Appen slutar fungera på grund av felaktiga datavärden.
