Gode fremgangsmåter for forbruksprognoser
Se gjennom viktige retningslinjer for å få best mulig utbytte av forbruksbaserte prognoser.
Nødvendige utgaver
| Tilgjengelig i Lightning Experience |
| Tilgjengelig i Enterprise, Ubegrenset med salg, og i Agentforce 1 Sales Edition |
Viktige punkter om ytelse
- Hvis du har mer enn 14 millioner poster for standardobjekter og tilpassede objekter, fører du til høyere datakredittekostnader og langsommere innlasting av sider.
- Flere parallelle sidebesøk kan føre til høyere kostnader og latens.
- I dype brukerhierarkier får brukere på høyere nivå tilgang til mye mer data, noe som kan føre til varierende kjøretid og ytelse.
- Tilordne salgsfasene dine til prognosekategorier. Justere avslutningssannsynlighet basert på historiske data, slik at prognosenøyaktigheten øker.
- Kald buffer kan også påvirke ytelsen.
- For å minimere mengden data som åpnes, velger du minimale prognoseperioder, som 3 eller 6 måneder, i stedet for lengre varigheter som 12, 18 eller 24 måneder.
Datavolum og objektbehandling
- For å forbedre prognoseresultater måler partisjonen objekter etter engasjementskategori og inkluderer et hendelsesdatofelt.
- For å unngå unødvendig datalasting oppretter du flere DLO-er (Data Lake Objects) eller DMO-er (Data Model Objects) for store prognoser. Vi anbefaler at du baserer DLO-er på bestemte produkter og bruker ett DMO per prognosetype.
- Kilde hvert DMO fra en CRM-datastrøm eller en ikke-CRM-datastrøm.
- For å hindre datafeil og tvetydighet unngår du å kombinere CRM- og ikke-CRM-datastrømmer i det samme DMO-et.
- Hvis du vil konsolidere daglige eller ukentlige data i én oppføring per måned, grupperer du rådata med Data 360-transformasjoner, noe som reduserer datavolumer.
- For å optimalisere datavolum ytterligere kombinerer du flere målinger i én oppføring der det er mulig.
- For å opprettholde et lean-datavtrykk beholder du bare dataene du trenger i hoved-DMO-er, og lagrer regelmessig eldre data i forskjellige DMO-er.
- For å optimalisere databehandlingen i Data Cloud One-oppsettet bruker du separate dataområder for forskjellige funksjoner.
Hjalp denne artikkelen med å løse problemet ditt?
La oss få vite det slik at vi kan forbedre!
