Financial Services Creatio, sales edition
Это документация Creatio версии 7.16.0. Мы рекомендуем использовать новую версию документации.

Настройка бизнес-процесса с прогнозированием

После того как вы создали модель машинного обучения, настройте бизнес-процесс, который будет запускать предиктивный анализ данных, используя элемент [Прогнозировать данные]. Это позволит вам самостоятельно определять время запуска и количество записей, для которых необходимо выполнить прогнозирование.

Пример настройки бизнес-процесс с прогнозированием значения справочного поля

Вы можете настроить запуск прогнозирования при сохранении новой записи контрагента с незаполненным полем [Категория] (Рис. 1).

В данном примере мы используем ранее созданную модель прогнозирования категории контрагента.

Рис. 1 — Пример реализации бизнес-процесса прогнозирования данных

chapter_predicting_business_process_account_category00004.png 

Для настройки прогнозирования:

1.Создайте новый бизнес-процесс из библиотеки процессов и добавьте на его схему элемент [Начальный сигнал]. Элемент будет активироваться при создании новой записи в разделе [Контрагенты]. Параметры начального сигнала (Рис. 2):

Рис. 2 — Параметры начального сигнала

chapter_predicting_predictive_signal_element_parameters.png 

a.[Сигнал какого типа получен?] — “Получен сигнал от объекта”.

b.[Объект] — “Контрагент”.

c.[Какое событие должно произойти?] — “Добавление записи”.

d.[Добавленная запись должна соответствовать условиям] — “Категория — не заполнено”.

e.[Выполнять следующие элементы в фоновом режиме] — признак установлен. В этом случае все элементы из группы [Действия системы], которые находятся на диаграмме процесса после начального сигнала, будут выполняться в фоновом режиме, а маска загрузки отображаться не будет.

2.Выберите в группе [Действия системы] элемент [Прогнозировать данные] и добавьте его на диаграмму процесса. Настройте свойства элемента (Рис. 3).

Рис. 3 — Панель настройки элемента [Прогнозировать данные]

chapter_predicting_predict_data_element_parameters.png 

a.[Модель машинного обучения] — выберите из списка модель, которая будет использоваться для прогнозирования данных. Например, для прогнозирования категории контрагента выберите из списка созданную ранее модель “Категория контрагента”. Настройка модели описана в статье Прогнозирование значения справочного поля.

На заметку

Перед использованием в бизнес-процессах модель необходимо обучить. Модели, не прошедшие обучение, недоступны для выбора в поле [Модель машинного обучения] элемента [Прогнозировать данные].

b.[Какой режим прогнозирования использовать?] — “Прогнозирование для одной записи”.

c.В поле [По какой записи выполнить прогнозирование?] нажмите кнопку btn_process_element_settings_lookup.png и выберите [Параметр процесса]. В появившемся окне на вкладке [Элементы процесса] выберите начальный сигнал, добавленный на предыдущем шаге, и параметр [Уникальный идентификатор записи].

3.Сохраните процесс.

В результате при каждом срабатывании элемента [Предсказать данные] будет использована определенная модель машинного обучения для прогнозирования данных указанной записи. В нашем примере, каждый раз при сохранении новой записи в разделе [Контрагенты] будет выполняться прогнозирование значения поля [Категория] и заполнение его прогнозным значением. Прогноз будет основываться на решениях, принятых пользователями при заполнении поля [Категория] исторических записей.

Пример настройки бизнес-процесса с рекомендательным прогнозированием

Вы можете настроить запуск прогнозирования рекомендаций продуктов определенного типа для проведения рекламной кампании (Рис. 4). Например, вы в любой момент можете запустить вручную бизнес-процесс, чтобы рекомендовать всем контактам с типом “Клиент” пять товаров с типом “Материнская плата”.

В данном примере мы используем ранее созданную модель рекомендательного прогнозирования.

Рис. 4 — Пример реализации бизнес-процесса с рекомендательным прогнозированием

chapter_predicting_business_process_reccomend.png 

Для настройки прогнозирования:

1.Создайте новый бизнес-процесс из библиотеки процессов. Используйте элемент [Простое], который уже добавлен на диаграмму, чтобы запустить бизнес-процесс вручную.

2.Выберите в группе [Действия системы] элемент [Прогнозировать данные] и добавьте его на диаграмму процесса. Настройте свойства элемента (Рис. 5).

Рис. 5 — Настройка параметров элемента [Прогнозировать данные]

 chapter_predicting_predict_data_element_bp_parameters.png

a.[Модель машинного обучения] — укажите название рекомендательной модели.

b.[Кому рекомендовать (Субъект)] — заполните фильтр, указав все или выбранные контакты, для которых будут составлены подборки рекомендаций. Фильтр обязательно должен быть заполнен, чтобы элемент прошел валидацию. В нашем примере нужно выбрать контакты с типом “Клиент”.

c.[Что рекомендовать (Предмет)] — заполните фильтр, если необходимо сузить выборку рекомендаций для решения конкретной бизнес-задачи. Например, можно рекомендовать клиентам только товары определенного типа. В нашем примере — материнские платы.

d.[Количество рекомендуемых элементов] — укажите, сколько записей должен содержать список рекомендаций. Например, можно ограничить количество рекомендаций до пяти.

e.[Рекомендовать объекты, с которыми ранее было взаимодействие] — установите признак, чтобы в рекомендации попали только те продукты, с которыми было взаимодействие.

3.Добавьте конечное событие и сохраните процесс.

В результате при каждом срабатывании элемента [Предсказать данные] будет использована указанная модель машинного обучения для составления списка рекомендаций. В нашем примере выборка записей для обучения будет ограничена типом товара “Материнская плата”. Список рекомендаций, состоящий из пять записей, будет составлен для всех контактов с типом “Клиент”.

Смотрите также

Основные термины предиктивного анализа данных

Прогнозирование значения справочного поля

Прогнозирование значения числового поля

Прогнозирование рейтинга записей

Рекомендательное прогнозирование

Настройка бизнес-процесса с прогнозированием

Обучение моделей

Был ли данный материал полезен?

Как можно улучшить эту статью?