Настроить предиктивный скоринг

PDF
Продукты
Все продукты

В Creatio вы можете настраивать и обучать модели машинного обучения, чтобы выполнять предиктивный скоринг записей в любом разделе системы. Предиктивный скоринг позволит определить вероятность наступления какого-либо события. Например, вы можете создать модель, которая будет оценивать вероятность перевода лидов в продажу на основании данных о бюджете и успешности перевода в продажу исторических записей. Предиктивный скоринг лидов с использованием данной модели прогнозирования доступен в системе по умолчанию. Эта модель реализована при помощи запросов и применения средств разработки. В данной статье мы рассмотрим пример настройки аналогичной модели пользовательскими средствами.

Предиктивный скоринг рассчитывается по шкале от 0 до 100 баллов. Вы можете отобразить рассчитанное значение на странице записи в виде числового поля или графика. Подробнее: Аналитика на странице записи.

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.

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 Лиды настроить прогноз вероятности перевода лида в продажу на основании стадии лида, бюджета и годового оборота.

Для этого настроим и обучим модель предиктивного скоринга.

Чтобы создать модель предиктивного скоринга:

  1. В рабочем месте Студия откройте раздел Модели машинного обучения.
  2. Нажмите кнопку Добавить модель — > Предиктивный скоринг.
  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 — “Предиктивный скоринг”. Поле заполняется автоматически при выборе типа модели на предыдущем шаге.
    3. Объект — выберите объект, по записям которого будет выполняться прогнозирование, в данном примере — “Лид”.
    Рис. 1 — Мини-карточка создания модели предиктивного скоринга
  4. Сохраните мини-карточку и перейдите к настройке параметров модели предиктивного скоринга по кнопке Далее.

2. Настроить параметры модели 

После заполнения обязательных полей укажите параметры модели:

  1. Какие записи считать успешными? — настройте фильтр, на основании которого система определит наиболее “успешные” записи. То есть, записи, которым изначально можно установить высокий рейтинг. В нашем примере лид считается успешным, если его бюджет превышает 50 000 долларов и лид был переведен в продажу. Для этого установите следующие фильтры: “Бюджет > 50 000,00” и “Стадия = Перевод в продажу”.

  2. От каких колонок зависит прогнозируемое значение? — выберите “Колонку объекта” или “Связанную колонку”, чтобы добавить колонки, которые будут проанализированы для определения рейтинга лида. Например, если рейтинг лида зависит от бюджета, годового оборота и положения лида в воронке, то выберите колонки объекта Бюджет, Годовой оборот и Стадия лида. Система проанализирует, каким образом эти колонки были заполнены в исторических записях, сравнит их с данными успешных лидов и рассчитает предиктивный рейтинг.

  3. Какие записи должны попасть в обучающую выборку? — настройте фильтр для формирования выборки данных, на которых будет обучаться модель. Система использует эти записи для определения соотношения предиктивного рейтинга лида и колонок, на которых основывается прогноз. В нашем примере необходимо выбрать для обучения модели только те записи, в которых указан бюджет лида. Для этого установите следующий фильтр: “Бюджет 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 хотите, чтобы прогноз сохранялся в другой колонке, то укажите ее в этом поле. Например, вы можете добавить колонку Предиктивный бюджет на страницу лида и сохранять в нее полученный прогноз. Добавить специальную колонку для сохранения результата прогнозирования можно в мастере разделов. Подробнее: Настроить поля страницы.
  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, если вы хотите, чтобы для всех записей ежедневно в заданное время выполнялось обновление результатов прогнозирования (Рис. 2). Если необходимо обновлять только избранные записи, настройте условия фильтра.

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

Рис. 2 — Параметры модели предиктивного скоринга

3. Добавить расширенные настройки 

Перейдите на вкладку Расширенные настройки, если вы хотите указать дополнительные параметры модели прогнозирования. Заполните поля аналогично тому, как это описано в настройках для модели прогнозирования справочного поля (Рис. 3) и нажмите кнопку Сохранить. Для начала обучения модели предиктивного скоринга нажмите кнопку Обучить модель.

Рис. 3 — Расширенные параметры модели предиктивного скоринга

Результат прогнозирования 

В результате в Creatio будет создана новая модель.

Если вы настроили пакетное прогнозирование данных, то прогноз будет обновляться ежедневно в заданное время для всех выбранных записей без необходимости настройки бизнес-процесса.

Чтобы самостоятельно определять время запуска и количество записей, для которых необходимо выполнить прогнозирование, необходимо настроить бизнес-процесс с элементом Прогнозировать данные. При запуске процесса будет производиться расчет предиктивного рейтинга для выбранных записей. Подробнее: Настроить процесс прогнозирования.

В нашем примере модель предиктивного скоринга лидов проанализирует данные в колонках Бюджет, Годовой оборот и Стадия лида для всех лидов, у которых заполнено поле Бюджет, и сравнит их с данными лидов, переведенных в продажи. Чем больше исторических данных используется для обучения модели, тем выше точность прогноза.

Когда будет получен экземпляр модели с точностью прогноза, равной или превышающей нижний порог допустимого качества, в разделе будет доступен предиктивный рейтинг лида, полученный на основании данных полей Бюджет, Годовой оборот и Стадия лида.