Loading
Retail Executionin määrittäminen ja ylläpito
Sisällysluettelo
Suodatusperuste (0)Lisää
Valitse suodattimet

          Ei tuloksia
          Ei tuloksia
          Tässä on joitain hakuvinkkejä

          Tarkista avainsanojesi oikeinkirjoitus.
          Käytä yleisempiä hakutermejä.
          Laajenna hakua valitsemalla vähemmän suodattimia.

            Hae koko Salesforce-ohjeesta
            Hae koko Salesforce-ohjeesta
            Ennustedatan päivittäminen Salesforce-organisaatiossa

            Olet tässä:

            1. Salesforce-ohje
            2. Asiakirja
            3. Retail Executionin määrittäminen ja ylläpito

            Ennustedatan päivittäminen Salesforce-organisaatiossa

            Käytä Einstein Discovery -ennusteita luodaksesi vierailujen suosituksia. Voit tehdä niin luomalla lähtöyhteyden kartoittaaksesi ennusteet Salesforce-organisaatioosi ja sitten luomalla reseptin, joka kirjoittaa vierailujen yleisyyden ennustetiedot lähtöyhteydessä. Reseptin output-noodi sisältää output-liittimen, mukautetun objektin ja kartoituksen datajoukosta ja Salesforce-objektiin.

            Vaaditut versiot

            Käytettävissä: Professional Edition-, Enterprise Edition- ja Unlimited Edition -versioissa, joissa Consumer Goods Cloud on käytössä.

            Kun käytät ennusteiden kartoittamiseksi Salesforce-organisaatioon mukautetuttuja objekteja, kartoita data aina näihin mukautettuihin kenttiin.

            Mukautetun kentän nimi Kuvaus API-nimi Mukautetun kentän tyyppi
            Tunnus Lataa havainnot AI-vierailun suosituksen syyhyn kartoittamalla Tietueen tunnus -kenttä EDInsightsId-kenttään Next Best Action -strategian Kartta-noodissa.    
            model_score Sisältää mallista saadut pisteet. Esimerkiksi retail_store-myymälän tuoton kasvun pisteet aikaväliltä start_date ja end_date (mukaan lukien molemmat). model_score__c Numero
            predictor1 Sisältää model_score-arvoon eniten vaikuttaneen osatekijän arvon. predictor1__c Teksti
            predictor2 Sisältää model_score-arvoon toiseksi eniten vaikuttaneen osatekijän arvon. predictor2__c Teksti
            predictor3 Sisältää model_score-arvoon kolmanneksi eniten vaikuttaneen osatekijän arvon. predictor3__c Teksti
            impact1 Sisältää model_score-arvoon eniten vaikuttaneen osatekijän vaikutuksen. impact1__c Numero
            impact2 Sisältää model_score-arvoon toiseksi eniten vaikuttaneen osatekijän vaikutuksen. impact2__c Numero
            impact3 Sisältää model_score-arvoon kolmanneksi eniten vaikuttaneen osatekijän vaikutuksen. impact3__c Numero
            start_date Sisältää model_score-arvolle kelpaavan aikavälin alkamispäivän muodossa yyyy-mm-dd. start_date__c Päiväys
            end_date Sisältää model_score-arvolle kelpaavan aikavälin päättymispäivän muodossa yyyy-mm-dd. end_date__c Päiväys
            retail_store Sisältää sen vähittäismyymälän tunnuksen, jota model_score koskee. retail_store__c Tunnus tai teksti
            Vihje
            Vihje Jos haluat vierailujen yleisyyden suositusobjektin näyttävän asiaankuuluvia ennusteita, määritä mallin pisteet, kolme tärkeintä ennustavaa osatekijää, kolme tärkeintä vaikutusta ja myymälä output-noodissa.
             
            Ladataan
            Salesforce Help | Article