Loading
Konfigurera och underhålla Butiksutförande
Innehållsförteckningar
Filtrera efter (0)Lägg till
Välj filter

          Inga resultat
          Inga resultat
          Här är några söktips

          Kontrollera stavningen av dina nyckelord.
          Använd mer allmänna söktermer.
          Välj färre filter för att utöka din sökning.

            Sök hela Salesforce-hjälpen
            Sök hela Salesforce-hjälpen
            Uppdatera förutsägelsedata i Salesforce-organisation

            Du är här:

            1. Salesforce-hjälp
            2. Dokument
            3. Konfigurera och underhålla Butiksutförande

            Uppdatera förutsägelsedata i Salesforce-organisation

            Använd Einstein Discovery-förutsägelser för att skapa besöksfrekvensrekommendationer. Du kan göra det genom att skapa en utdataanslutning för att mappa förutsägelserna till din Salesforce-organisation och sedan skapa ett recept som skriver förutsägelsedata för besöksfrekvens i utdataanslutningen. Utdatanoden i receptet innehåller utdatakontakten, ett anpassat objekt och mappningen från datauppsättningen till Salesforce-objektet.

            Versioner som krävs

            Tillgängliga i: Professional, Enterprise och Unlimited Editions som har Consumer Goods Cloud aktiverat.

            När du använder anpassade objekt för att mappa förutsägelser till Salesforce-organisationen ska du alltid mappa data till dessa anpassade fält.

            Namn på eget fält Beskrivning API-namn Egen fälttyp
            Id För att ladda insikter till orsaken för AI-besöksrekommendation, i mappnoden för Next Best Action-strategi ska du mappa post-id till fältet EDInsightsId.    
            model_score Innehåller poängen från modellen. Till exempel, poängen för intäktsökning för retail_store för intervallet mellan start_datum och slut_datum (båda inkluderade). model_score__c Nummer
            predictor1 Innehåller värdet för den bästa medarbetaren för model_score. predictor1__c Text
            predictor2 Innehåller värdet för den näst bästa medarbetaren för model_score. predictor2__c Text
            predictor3 Innehåller värdet för den tredje bästa medarbetaren för model_score. predictor3__c Text
            impact1 Innehåller påverkan för den bästa medarbetaren för model_score. impact1__c Nummer
            impact2 Innehåller påverkan för den näst bästa medarbetaren för model_score. impact2__c Nummer
            impact3 Innehåller påverkan för den tredje bästa medarbetaren för model_score. impact3__c Nummer
            start_date Innehåller startdatumet för det intervall i formatet yyyy-mm-dd för vilken model_score är giltig. start_date__c Datum
            end_date Innehåller slutdatumet för det intervall i formatet yyyy-mm-dd för vilken model_score är giltig. end_date__c Datum
            retail_store Innehåller butiks-ID för vilken model_score är tillämplig. retail_store__c ID eller text
            Tips
            Tips Om du vill att objektet Rekommendation om besöksfrekvens ska visa lämpliga förutsägelser konfigurerar du modellpoängen, de tre bästa förutsägelserna, de tre bästa effekterna och butiken i utdatanoden.
             
            Laddar
            Salesforce Help | Article