Loading
Opsæt og vedligehold Retail Execution
Indhold
Filtrer efter (0)Tilføj
Vælg filtre

          Ingen resultater
          Ingen resultater
          Her er nogle søgetips

          Kontroller stavemåden for dine søgeord.
          Brug mere generelle søgeudtryk.
          Vælg færre filtre for at gøre søgningen bredere.

            Søg efter alle i Hjælp til Salesforce
            Søg efter alle i Hjælp til Salesforce
            Opdater forudsigelsesdata i Salesforce-organisationen

            breadcrumbDescription

            1. helpHomeLinkText
            2. docsHomeLinkTextShort
            3. Opsæt og vedligehold Retail Execution

            Opdater forudsigelsesdata i Salesforce-organisationen

            Brug Einstein Discovery-forudsigelser til at generere besøgsfrekvensanbefalinger. Du kan gøre det ved at oprette en outputforbindelse for at tilknytte forudsigelserne til din Salesforce-organisation, og derefter oprette en opskrift, der skriver forudsigelsesdata for besøgsfrekvensen i outputforbindelsen. Outputnoden i opskriften indeholder outputforbindelsen, et tilpasset objekt og tilknytningen fra datasættet til Salesforce-objektet.

            EditionsHeading

            Tilgængelig i: Professional, Enterprise og Unlimited Edition, hvor Consumer Goods Cloud er aktiveret.

            Når du bruger tilpassede objekter til at tilknytte forudsigelser til Salesforce-organisationen, skal du altid tilknytte data til disse tilpassede felter.

            Navn på tilpasset felt Beskrivelse API-navn Type af tilpasset felt
            Id Hvis du vil indlæse indsigter i AI-besøgsanbefalingsårsag i tilknytningsnoden i Next Best Action-strategien, skal du tilknytte registrerings-id til feltet EDInsightsId.    
            model_score Indeholder scoren fra modellen. F.eks. indtjeningsstigningsscoring i retail_store for intervallet mellem start_date og end_date (begge inklusive). model_score__c Tal
            predictor1 Indeholder værdien af den største bidragyder til model_score. predictor1__c Tekst
            predictor2 Indeholder værdien af den næststørste bidragyder til model_score. predictor2__c Tekst
            predictor3 Indeholder værdien af den tredjestørste bidragyder til model_score. predictor3__c Tekst
            impact1 Indeholder påvirkningen af den største bidragyder til model_score. impact1__c Tal
            impact2 Indeholder påvirkningen af den næststørste bidragyder til model_score. impact2__c Tal
            impact3 Indeholder påvirkningen af den tredjestørste bidragyder til model_score. impact3__c Tal
            start_date Indeholder startdatoen for intervallet i formatet åååå-mm-dd, for hvilket model_score er gyldigt. start_date__c Dato
            end_date Indeholder slutdatoen for intervallet i formatet åååå-mm-dd, for hvilket model_score er gyldigt. end_date__c Dato
            retail_store Indeholder id for detailbutik, for hvilket model_score er gældende. retail_store__c Id eller tekst
            Tip
            Tip Hvis du ønsker, at anbefalingsobjektet for besøgsfrekvens skal vise de rette forudsigelser, skal du konfigurere modelscoren, de tre bedste prædiktorer, de tre største påvirkninger og detailbutikken i outputnoden.
             
            Indlæser
            Salesforce Help | Article