Sales Creatio, team edition
PDF
Это документация Creatio версии 7.15.0. Мы рекомендуем использовать новую версию документации.

Предиктивный анализ данных

Эта статья посвящена основам настройки и применения предиктивного анализа данных в Creatio.

Основы предиктивного анализа данных

Предиктивный анализ позволяет на основании больших объемов исторических данных и текущих фактов спрогнозировать будущие события. Применение этого инструмента в бизнесе позволяет повысить скорость и точность принятия решений, освободить сотрудников от выполнения рутинных операций и увеличить показатели работы в целом.

Предиктивный анализ данных в Creatio реализуется с помощью настраиваемых алгоритмов — моделей машинного обучения. В разделе [Модели машинного обучения] вы можете создавать и обучать собственные модели для предиктивного анализа данных практически любого объекта системы.

НА ЗАМЕТКУ

Начиная с версии 7.14.0, все преднастроенные модели машинного обучения (такие как предиктивный скоринг лидов в продуктах Sales и Marketing Creatio или предиктивная маршрутизация обращений в продукте Service Creatio) представлены в новом пользовательском интерфейсе, где их конфигурирование выполняется без использования кода.
Обновленные модели доступны в реестре раздела [Модели машинного обучения] с номером версии “(7.14.0)” в названиях.
Для пользователей, которые начали использовать систему с версии 7.14.0 и выше, обновленные модели доступны по умолчанию. Пользователи, которые обновят систему до версии 7.14.0, продолжат использовать предыдущую версию преднастроенных моделей машинного обучения.
Для активации обновленных моделей машинного обучения перейдите в раздел [Модели машинного обучения] и установите признак [Прогнозирование активно] в профиле нужной модели.

Важно

Для использования функциональности предиктивного анализа данных в Creatio on-site необходимо выполнить предварительную настройку. Подробнее читайте в статье Установка сервиса машинного обучения”.

В Creatio реализованы следующие инструменты предиктивного анализа данных:

Прогнозирование значения справочного поля — позволяет настроить автозаполнение справочных полей, основываясь на данных системы. Например, вы можете настроить модель, которая будет предсказывать наиболее вероятную категорию контрагента. Подробнее >>> 

Прогнозирование значения числового поля — позволяет рассчитать значение числового поля. Например, спрогнозировать бюджет лида в зависимости от потребности клиента, размера его компании, страны проживания и отрасли. Подробнее >>> 

Предиктивный скоринг является одним из инструментов предиктивного анализа данных, используется для формирования рейтинга записи на основании анализа исторических и современных данных. Например, вы можете создать модель, которая будет оценивать перспективность ваших лидов на основании данных о бюджете и успешности перевода в продажу исторических записей. Подробнее >>> 

Creatio позволяет вам самостоятельно определять время запуска и количество записей, для которых необходимо выполнить прогнозирование. После создания и обучения модели используйте элемент бизнес-процесса [Прогнозировать данные] для включения предиктивного анализа данных в новые или уже настроенные бизнес-процессы (Рис. 1).

Рис. 1 — Использование предиктивного анализа данных в бизнес-процессе

chapter_predicting_business_process_account_category.png 

НА ЗАМЕТКУ

Предиктивный анализ данных является ресурсоемкой операцией, особенно, если в процессе задействовано значительное количество записей. Не рекомендуется запускать прогнозирование одновременно для большого количества записей системы, это может повлиять на ее производительность. Оптимальным является запуск прогнозирования отдельно для каждой записи, например, только при ее создании или изменении.

Содержание

Основные термины предиктивного анализа данных

Как создать модель прогнозирования значения справочного поля

Как создать модель прогнозирования значения числового поля

Как настроить определение рейтинга записей

Как настроить бизнес-процесс с прогнозированием

Обучение моделей

Был ли данный материал полезен?

Как можно улучшить эту статью?