您位於此處：
更新 Salesforce 組織中的預估資料
您可以使用 Einstein Discovery 預估產生造訪頻率建議。方法是建立輸出連線將預估對應至您的 Salesforce 組織，然後建立配方在輸出連線中寫入造訪頻率預估資料。配方中的輸出節點包含輸出連接器、自訂物件，以及從資料集到 Salesforce 物件的對應。
必要版本
| 提供版本：啟用 Consumer Goods Cloud 的 Professional、Enterprise 和 Unlimited 版本。 |
當您使用自訂物件將預估對應至 Salesforce 組織時，請一律將資料對應至這些自訂欄位。
| 自訂欄位名稱 | 描述 | API 名稱 | 自訂欄位類型 |
|---|---|---|---|
| 識別碼 | 若要將洞察載入至「AI 造訪建議」原因，請在 Next Best Action 策略的「對應」節點中，將「記錄識別碼」對應至 EDInsightsId 欄位。 | ||
| model_score | 包含模型中的分數。例如，在從 start_date 到 end_date (皆含) 的間隔其 retail_store 的收入提升分數。 | model_score__c | 數字 |
| predictor1 | 包含 model_score 的首要貢獻因子值。 | predictor1__c | 文字 |
| predictor2 | 包含 model_score 的第二首要貢獻因子值。 | predictor2__c | 文字 |
| predictor3 | 包含 model_score 的第三首要貢獻因子值。 | predictor3__c | 文字 |
| impact1 | 包含 model_score 的首要貢獻因子影響。 | impact1__c | 數字 |
| impact2 | 包含 model_score 的第二首要貢獻因子影響。 | impact2__c | 數字 |
| impact3 | 包含 model_score 的第三首要貢獻因子影響。 | impact3__c | 數字 |
| start_date | 包含 model_score 有效之間隔的開始日期，格式為 yyyy-mm-dd。 | start_date__c | 日期 |
| end_date | 包含 model_score 有效之間隔的結束日期，格式為 yyyy-mm-dd。 | end_date__c | 日期 |
| retail_store | 包含 model_score 適用的零售商店識別碼。 | retail_store__c | 識別碼或文字 |
小秘訣 如果您想要造訪頻率建議物件顯示適當的預估，請在輸出節點中設定模型分數、前三個預測因子、前三個影響以及零售商店。
此文章是否解決您的問題？
請讓我們知道，以便我們改進！
