Rekommenderade metoder för konsumtionsprognoser

Gå igenom viktiga riktlinjer för att få ut det mesta av dina konsumtionsbaserade prognoser.

Tillgängliga i: Lightning Experience

Tillgängliga i: Enterprise, Unlimited with Sales och i Agentforce 1 Sales Edition

Att tänka på vad gäller prestanda

Om du har mer än 14 miljoner poster för standardobjekt och egna objekt medför det högre kostnader för datakrediter och sidorna läses in långsammare.
Tätare parallella sidbesök kan leda till högre kostnader och latens.
I djupa användarhierarkier kommer användare på högre nivå åt mycket mer data, vilket kan resultera i varierande körtid och prestanda.
Mappa dina försäljningsfaser till prognoskategorier. Justera avslutssannolikhet baserat på historiska data för att öka din prognoss precision.
Kall cache kan också påverka prestandan.
För att minimera mängden data som öppnas, välj minimala prognosperioder, som 3 eller 6 månader, istället för längre varaktigheter som 12, 18 eller 24 månader.

För att förbättra prognosprestanda, partitionera objekt efter engagemangskategori och inkludera ett händelsedatumfält.
För att undvika onödig datainläsning, skapa flera datasjöobjekt (DLO) eller datamodellobjekt (DMO) för stora prognoser. Vi rekommenderar att du baserar DLO på specifika produkter och använder en DMO per prognostyp.
Källa varje DMO från antingen en CRM-dataström eller en icke-CRM-dataström.
För att förhindra datafel och otydlighet, undvik att kombinera CRM-dataströmmar och icke-CRM-dataströmmar inom samma DMO.
För att slå samman dagliga eller veckovisa data till en post per månad, gruppera rådata med Data 360-transformationer, vilket minskar datavolymerna.
För att ytterligare optimera datavolymen, kombinera flera mått i en post där det är möjligt.
För att upprätthålla ett magert dataavtryck, behåll endast de data du behöver i huvud-DMO och lagra regelbundet äldre data i olika DMO.
För att optimera datahantering i Data Cloud One-konfigurationen, använd separata datautrymmen för olika funktioner.

Löste denna artikel ditt problem?

Berätta för oss vad vi kan förbättra!