Настроить прогнозирование справочных полей

Продукты
Все продукты

В Creatio вы можете настраивать и обучать модели машинного обучения, чтобы выполнять прогнозирование значений заданных справочных полей. Поля будут заполняться автоматически на основании данных текущей записи и решений, принятых пользователями ранее в аналогичных ситуациях. Например, вы можете настроить модель, которая будет предсказывать наиболее вероятную категорию контрагента. Прогнозирование сервиса и группы ответственных по обращению с использованием данной модели машинного обучения доступно в системе по умолчанию.

На заметку. Подробная информация о моделях машинного обучения и их использовании для решения различных бизнес-задач доступна в модульном курсе Искусственный интеллект и машинное обучение в Creatio.

Формирование прогноза справочных полей осуществляется в несколько этапов:

  1. Настройка и обучение модели прогнозирования значений справочных полей.

  2. Настройка и запуск бизнес-процесса с элементом [ Прогнозирование данных ].

    Важно. Для использования функциональности предиктивного анализа данных в Creatio on-site необходимо выполнить предварительную настройку. Подробнее: Сервис машинного обучения.

1. Добавить новую модель 

Пример. Необходимо в разделе [ Контрагенты ] настроить прогноз категории контрагента на основании отрасли, годового оборота компании и количества ее сотрудников.

Для этого настроим и обучим модель прогнозирования справочных полей.

Чтобы создать модель прогнозирования значений справочных полей:

  1. В рабочем месте [ Студия ] откройте раздел [ Модели машинного обучения ].
  2. Нажмите кнопку [ Добавить модель ] —> [ Прогнозирование справочного поля ].
  3. Заполните мини-карточку создания модели (Рис. 1):
    1. [ Название ] — введите название модели, по которому ее будет легко найти в реестре раздела [ Модели машинного обучения ] и при настройке бизнес-процесса с элементом [ Прогнозирование данных ].
    2. [ Тип ] — тип модели машинного обучения. В данном примере — “Прогнозирование справочного поля”. Поле заполняется автоматически при выборе типа модели на предыдущем шаге.
    3. [ Объект ] — выберите объект, по записям которого будет выполняться прогнозирование, в данном примере — “Контрагент”.
    Рис. 1 — Мини-карточка создания модели прогнозирования значения справочного поля
    chapter_predicting_lookup_value_model_minicard.png 
  4. Сохраните мини-карточку и перейдите к настройке параметров модели прогнозирования справочного поля по кнопке [ Далее ].

2. Настроить параметры модели 

После заполнения обязательных полей укажите параметры модели:

  1. [ Какое значение необходимо прогнозировать? ] — выберите поле, для которого будет выполняться прогнозирование значения. Например, для прогнозирования категории контрагента выберите из списка поле [ Категория ]. В списке представлены все справочные поля, которые есть на странице указанного объекта. В результате прогнозирования поле будет автоматически заполнено одним из значений справочника [ Категории контрагентов ].
  2. [ От каких колонок зависит прогнозируемое значение? ] — выберите “Колонку объекта” или “Связанную колонку”, чтобы добавить колонки, которые будут использоваться системой для определения алгоритмов поведения, связанных с прогнозируемым полем. Например, если обычно вы определяете категорию контрагента, исходя из количества сотрудников, оборота и отрасли, в которой работает контрагент, то укажите колонки объекта [ Количество сотрудников ], [ Годовой оборот ] и [ Отрасль ]. Система изучит значения этих колонок в исторических записях и их соотношение со значениями колонки [ Категория ].
  3. [ Какие записи должны попасть в обучающую выборку? ] — настройте фильтр, на основании которого система будет отбирать записи для обучения моделей. В нашем примере необходимо сузить выборку, выбрав для обучения модели только те записи, в которых указана категория контрагента. Для этого установите следующий фильтр: “Категория заполнено”.

    Вы можете не указывать условия фильтрации. В этом случае для обучения будут использоваться все записи.

    На заметку. Вы можете сохранить и обучить модель уже на этом этапе по кнопке [ Обучить модель ]. В этом случае результаты обучения можно будет увидеть в поле [ Ожидаемая точность ]. Чтобы сохранить результаты прогнозирования, заполните поле [ В какую колонку сохранять результат прогнозирования ].

  4. [ В какую колонку сохранять результат прогнозирования? ] — укажите, где в системе будет сохраняться результат прогноза. Обычно прогнозное значение сохраняется в колонку, значение которой требовалось предсказать. Если вы не хотите, чтобы система изменяла значение прогнозируемой колонки, то укажите другую колонку для сохранения прогноза.
  5. [ Настройка автоматического обучения модели ] — перетяните ползунок вправо, чтобы задать параметры автоматического переобучения модели на основании обновленных исторических данных.

    1. В поле [ Переобучать через, дней ] укажите длительность перерыва между обучениями модели. По истечении указанного количества дней модель будет отправлена на переобучение с использованием исторических данных, которые соответствуют настроенным фильтрам. Первое обучение модели проводится по нажатию кнопки [ Обучить модель ]. Если вы не хотите переобучать модель, то оставьте поле незаполненным или введите “0”.

    2. В поле [ Нижний порог допустимого качества ] укажите наименьшее допустимое значение точности прогноза. При первом обучении модели это значение определит точность прогноза, по достижении которой экземпляры модели могут применяться для работы в системе. Экземпляры, не достигшие нижнего порога допустимого качества, системой не используются. Рекомендуется указывать нижний порог допустимого качества более 0,5. Точность прогноза варьируется от 0,00 до 1,00, где 1,00 — это максимально точный прогноз, а 0,00 — наименее точный. Точность прогноза рассчитывается как отношение количества правильно спрогнозированных значений к общему количеству исторических данных, на которых проводилось обучение. Подробно о механизме расчета точности прогнозов читайте в документации Google.

  6. В группе полей [ Настройка фонового обновления результатов прогнозирования ] перетащите вправо ползунок и настройте условия фильтра, если вы хотите, чтобы для выбранных записей ежедневно в заданное время выполнялось обновление результатов прогнозирования (Рис. 2). Если вы не зададите условия фильтра, но включите фоновое обновление результатов прогнозирования, то обновляться будут все записи.

На заметку. Временные промежутки, в которые будет осуществляться пакетное прогнозирование, настраиваются в справочнике [ Окна обслуживания системы ].

Рис. 2 — Параметры модели прогнозирования значений справочных полей
chapter_predicting_lookup_value_model_additional_parameters.png

3. Добавить расширенные настройки 

Перейдите на вкладку [ Расширенные настройки ], если вы хотите указать дополнительные параметры модели прогнозирования.

  1. В группе полей [ Добавить дополнительные колонки расширенными средствами? ] вы можете сформировать запрос на выборку дополнительных колонок, от которых зависит прогнозируемое значение. Обратите внимание, что для формирования запросов необходимо использовать средства разработки. Подробнее: Составление запросов на выборку данных для модели машинного обучения.

  2. В группе полей [ Расширенные параметры модели ] (Рис. 3) значения полей заполняются автоматически. При необходимости вы можете их редактировать и заменять другими числовыми значениями.

    1. [ Минимальное количество записей для обучения ] — минимальное количество записей, на основании которых может проводиться обучение модели.
    2. [ Максимальное количество записей для обучения ] — максимальное количество записей, на основании которых может проводиться обучение модели.
    3. [ Метод выбора прогнозируемого значения ] — выберите “Значимость, определяемая движком ML” или “Максимальная вероятность”.
      • Значимость, определяемая движком ML” — значение по умолчанию, которое используется, чтобы на основании механизмов машинного обучения (ML) определить уверенность в прогнозе. При уверенном прогнозе соответствующее значение будет записано в поле, которое выбрано для сохранения результатов.
      • Максимальная вероятность” — значение, которое позволяет указывать пользовательские настройки заполнения поля для сохранения результатов. При выборе этого варианта откроется еще одно поле для заполнения:
        [ Нижний предел вероятности для выбора прогнозируемого значения ] — минимальная вероятность при которой спрогнозированное значение будет добавлено автоматически. Если значение ниже указанного, то прогноз не будет записан автоматически, но будет показан при заполнении поля вручную.

       

      Рис. 3 — Расширенные параметры модели прогнозирования значений справочных полей
      chapter_predicting_lookup_value_model_advanced_parameters.png
  3. Нажмите кнопку [ Сохранить ]. Для начала обучения модели прогнозирования справочных полей нажмите кнопку [ Обучить модель ].

Результат прогноза 

В результате в Creatio будет создана новая модель. При запуске бизнес-процесса будет производиться прогнозирование и автозаполнение полей для выбранных записей.

Подробнее: Настроить бизнес-процесс с прогнозированием.

В нашем примере модель прогнозирования категории контрагента проанализирует значения колонок [ Количество сотрудников ][ Годовой оборот ] и [ Отрасль ] для контрагентов, у которых заполнена колонка [ Категория ]. Чем больше исторических данных используется для обучения модели, тем выше точность прогноза.

После получения экземпляра модели с достаточно высокой точностью прогноза в разделе будет доступно прогнозирование категории контрагента на основании данных в полях [ Количество сотрудников ][ Годовой оборот ] и [ Отрасль ]. Справочные поля будут автоматически заполняться прогнозными значениями, отсортированными по вероятности.

В зависимости от соотношения вероятностей система различает:

  • Уверенный прогноз.

  • Прогноз с несколькими близкими вероятностями.

  • Слабый прогноз.

Уверенный прогноз  

Уверенным называется прогноз, в котором есть один явный лидер. В этом случае поле автоматически будет заполнено спрогнозированным значением, а рядом с полем появится кнопка btn_strong_prediction.png. Если поле заполнено верно, то сохраните страницу.

При нажатии кнопки btn_strong_prediction00001.png отобразятся все варианты значений поля с их вероятностями, которые были получены в результате анализа.

Если вы измените значение в поле, то появится кнопка btn_middle_prediction.png. По нажатию кнопки отобразятся все значения, полученные в результате прогнозирования.

Прогноз с несколькими близкими вероятностями  

Если при анализе данных найдено несколько значений с близкими вероятностями, то поле останется незаполненным, а справа от него появится кнопка btn_middle_prediction00002.png. При нажатии этой кнопки отобразится прогноз с учетом вероятностей.

Слабый прогноз  

Слабый прогноз система получает в том случае, когда используемые для анализа данные не поддаются сравнению с историческими записями, на которых обучался текущий экземпляр модели. В случае получения слабого прогноза поле останется незаполненным, а справа от него появится кнопка btn_weak_prediction.pngbtn_weak_prediction.png. При нажатии кнопки отобразится прогноз с учетом вероятностей.