Akkio — это простое в использовании, высокопроизводительное, гибкое и доступное решение для машинного обучения для Salesforce.

  • Невероятно прост в использовании. Просто подключите свою учетную запись Salesforce, выберите ключевой результат для предсказания или предсказания и разверните результат обратно в Salesforce.
  • Высокая производительность. Прогностическая мощность, которая соответствует или превосходит все основные поставщики машинного обучения, но за минуты, а не за часы.
  • Полная гибкость. Комбинируйте данные из нескольких разных источников с данными Salesforce для создания прогностических моделей.
  • Очень доступно. Платите за предсказание ключевых результатов, а не за количество пользователей Salesforce.

У Salesforce есть Einstein, но он невероятно дорогой — 150 долларов за пользователя в месяц. И быстрое прочтение недавних обзоров Эйнштейна также показывает ряд ограничений:

Возможность быстро и недорого интегрировать машинное обучение в Salesforce меняет правила игры. Машинное обучение может помочь вам подсчитывать потенциальных клиентов, расставлять приоритеты по возможностям, оценивать размер сделки и обеспечивать значительный рост доходов, поскольку оно повышает эффективность ваших продаж.

Это руководство покажет вам, насколько это просто и эффективно, на примере использования Akkio для ранжирования новых лидов по вероятности того, что они превратятся в закрытый бизнес.

Шаг 1. Подключите свою учетную запись Salesforce к Akkio.

Войдите в свою учетную запись Аккио. Создайте новый поток и в разделе «Входы» выберите Salesforce. Вам будет предложено подключить свою учетную запись Salesforce (что потребует от вас входа в Salesforce и подтверждения подключения Akkio).

Важное примечание. В вашей учетной записи Salesforce должен быть включен доступ к API для подключения к внешним службам, таким как Akkio.

Как только ваша учетная запись Salesforce будет подключена, Akkio начнет загрузку ваших данных. Через некоторое время вы увидите что-то вроде этого:

Вы можете выбрать любой набор входных данных для построения модели машинного обучения. Если у вас есть ключевые данные в двух местах, используйте функцию Объединить, чтобы сопоставить записи с их ключевыми результатами. Вы также можете объединить данные из внешних источников, даже если эти данные не имеют совпадающих уникальных идентификаторов, используя шаг потока Нечеткое совпадение.

В этом примере мы запустим прогноз конверсии для лидов, поэтому в качестве входных данных выберем набор данных «Лид».

Шаг 2. Предскажите ключевые результаты

Затем мы добавляем шаг прогнозирования, выбрав «Добавить шаг» слева и выбрав «Прогнозировать». Для этой модели мы будем прогнозировать конверсию, поэтому мы выберем «подписался» в качестве цели прогнозирования из списка и нажмем «Создать модель прогнозирования». Каждая пользовательская модель машинного обучения обучается на 80 % данных и тестируется на оставшихся 20 % данных. Обучение занимает около 30 секунд, и когда оно завершено, нам предоставляется отчет модели, который помогает нам понять, как работает модель. Наши результаты выглядят так:

Увеличивая производительность, вы можете видеть, что модель работает отлично — она правильно классифицирует тон обзора как положительный или отрицательный более чем в 90% случаев.

Модель дает действительно ценный бизнес-результат, особенно когда мы объединяем ее с процентной вероятностью того, что лид конвертируется в закрыто-выигранное. Выполнив быстрое тестирование модели на исторических данных, мы можем легко принять бизнес-решение об отказе от двух третей текущих потенциальных клиентов (вероятность конверсии которых составляет менее 5 %), сохраняя при этом 98 % конверсий.

Это значительное улучшение эффективности отдела продаж! Теперь, когда модель готова к работе, следующим шагом будет отправка прогнозов обратно в Salesforce и настройка автоматического запуска при появлении новых записей потенциальных клиентов.

Шаг 3. Развертывание в Salesforce

Мы добавляем еще один шаг в меню «Поток» слева, чтобы развернуть наши прогнозы обратно в Salesforce — прокрутите до «Развернуть» и выберите «Salesforce» в качестве нашей цели.

Здесь мы видим предварительный просмотр полей вывода и несколько вариантов. Сначала мы развернем наши прогнозы обратно в объект «Интерес» в Salesforce, поэтому выберите «Лид». Затем мы можем выбрать частоту запуска (в данном случае каждые полчаса). Мы можем решить, хотим ли мы сразу применить модель к каждой существующей записи — мы делаем это, поэтому мы выбираем «True» для «Run on Deploy».

Наконец, нажмите «Развернуть» в правом верхнем углу, и поля прогнозирования будут добавлены в Salesforce и заполнены. При первом запуске процесс может занять некоторое время, в зависимости от размера вашей базы данных SF.

Шаг 4. Добавьте прогнозы Akkio в представления Salesforce.

Теперь вернитесь в свою учетную запись Salesforce и перейдите к представлению «Интерес». Под колесом настроек выберите «Выбрать поля для отображения» и добавьте поля Akkio в свое представление (в данном случае «Akkio подписался» и «Вероятность подписки — да»).

Теперь вы должны увидеть прогнозы модели, и вы можете быстро отсортировать их от самой высокой до самой низкой вероятности конверсии!

После первого запуска модель будет прогнозировать только те записи, которые изменились с момента последнего запуска. Новые лиды, поступающие в Salesforce, будут оцениваться каждые полчаса.

Подведение итогов

Akkio — это простой в использовании, мощный, гибкий и доступный способ использовать возможности машинного обучения в рабочих процессах Salesforce. Готовы ли вы добиться большего успеха, чем Эйнштейн, или просто хотите использовать возможности машинного обучения с меньшими затратами, Akkio позволяет легко сократить ваши ключевые показатели эффективности продаж и маркетинга, оставаясь при этом в рамках бюджета. Попробуйте бесплатную пробную версию Akkio или уровень бесплатного использования и убедитесь в этом сами.

Первоначально опубликовано на https://www.akkio.com.