Catatan
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba masuk atau mengubah direktori.
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba mengubah direktori.
Dynamics 365 Customer Insights - Data hadir dengan berbagai opsi yang menggunakan AI dan machine learning untuk memprediksi data.
Prediksi menawarkan kemampuan untuk menciptakan pengalaman pelanggan yang lebih baik, meningkatkan kemampuan bisnis, dan aliran pendapatan. Kami sangat menyarankan Anda menyeimbangkan nilai prediksi Anda dengan efek yang dimilikinya dan bias yang mungkin diperkenalkan secara etis. Pelajari selengkapnya tentang cara Microsoft menangani AI yang Bertanggung Jawab.
Hasilkan wawasan menggunakan model prediksi siap pakai
Cara termudah untuk memulai dengan memprediksi data adalah model yang telah ditentukan sebelumnya, sering disebut sebagai model out-of-box. Mereka hanya membutuhkan data dan struktur tertentu untuk menghasilkan wawasan dengan cepat.
Model berikut tersedia:
- Nilai seumur hidup pelanggan: Mprediksi potensi pendapatan pelanggan selama seluruh interaksi dengan bisnis.
- Rekomendasi produk: Menyarankan serangkaian rekomendasi produk prediktif berdasarkan perilaku pembelian dan pelanggan dengan pola pembelian yang serupa.
- Churn langganan: Memprediksi apakah pelanggan berisiko tidak lagi menggunakan produk atau layanan langganan perusahaan Anda.
- Churn transaksional: Memprediksi apakah pelanggan individu mungkin tidak lagi membeli produk atau layanan Anda dalam jangka waktu tertentu.
- Analisis sentimen: Menganalisis sentimen umpan balik pelanggan dan mengidentifikasi aspek bisnis yang sering disebutkan.
Untuk memahami kesiapan data Anda untuk menghasilkan wawasan, lihat Gambaran umum laporan persiapan data.
Prasyarat data untuk model prediksi
Semua model prediksi siap pakai berbagi persyaratan data umum berikut. Lihat halaman model individual untuk persyaratan khusus model.
| Persyaratan | Detail lebih lanjut |
|---|---|
| Profil pelanggan terpadu | Harus telah menyelesaikan penyatuan data dengan setidaknya 1.000 profil (minimal 500 untuk churn transaksional) |
| Bidang ID Pelanggan | Harus ada dalam data transaksi atau langganan dan cocok dengan ID Pelanggan profil terpadu |
| Data riwayat | Setidaknya 12 bulan riwayat transaksi atau berlangganan; lebih disukai 2-3 tahun |
| Kelengkapan data | Kurang dari 20% nilai yang hilang di bidang wajib |
| Permissions | Setidaknya izin Kontributor |
Petunjuk / Saran
Sebaiknya Anda me-refresh model out-of-the-box secara teratur dengan data yang diperbarui untuk memastikannya menginformasikan kasus penggunaan bisnis Anda secara akurat. Data diperbarui secara ad-hoc saat sistem menyerap sumber data baru atau yang diperbarui. Namun, model hanya akan melakukan skor ulang dalam hal ini dan terus menggunakan data pelatihan yang ada.
Konfigurasikan jadwal Pembaruan dengan mengatur jadwal pelatihan ulang model selama konfigurasi. Model akan melatih ulang dan mencetak ulang pada jadwal ini, yang dapat Anda ubah kapan saja.
Kelola prediksi yang ada
Buka halamanPrediksi Wawasan. Pada tab Prediksi saya , lihat prediksi yang Anda buat, jenis prediksinya, nama tabel output, status, terakhir kali prediksi diedit, dan terakhir kali data di-refresh. Anda dapat mengurutkan daftar prediksi berdasarkan kolom mana pun.
Untuk melihat tindakan yang tersedia, pilih prediksi.
Halaman prediksi saya.
- Edit prediksi untuk mengubah propertinya.
- Segarkan prediksi untuk menyertakan data terbaru.
- Lihat detail prediksi.
- Masukkan laporan kegunaan data untuk melihat kesalahan, peringatan, dan rekomendasi.
- Hapus prediksi.
Memperbarui prediksi
Prediksi dapat diperbarui pada jadwal otomatis atau diperbarui secara manual sesuai permintaan. Untuk me-refresh semua prediksi secara manual, pilih Segarkan semua. Untuk menyegarkan prediksi secara manual, pilih dan pilih Segarkan. Untuk menjadwalkan penyegaran otomatis, buka PengaturanJadwal.
Petunjuk / Saran
Ada status untuk tugas dan proses. Sebagian besar proses bergantung pada proses hulu lainnya, seperti sumber data dan penyegaran profil data. ...
Pilih status untuk membuka panel Detail kemajuan dan melihat kemajuan tugas. Untuk membatalkan pekerjaan, pilih Batalkan pekerjaan di bagian bawah panel.
Di bawah setiap tugas, Anda dapat memilih Lihat detail untuk informasi kemajuan selengkapnya, seperti waktu pemrosesan, tanggal pemrosesan terakhir, dan kesalahan serta peringatan yang berlaku terkait dengan tugas atau proses. Pilih Lihat status sistem di bagian bawah panel untuk melihat proses lain dalam sistem.
Melihat laporan kegunaan data input
Laporan kegunaan data input memberikan tampilan konsolidasi tentang kesalahan dan peringatan yang mungkin dihasilkan oleh prediksi siap pakai Anda. Ini juga memberikan rekomendasi tentang cara meningkatkan kinerja model.
Laporan ini tersedia setelah model menyelesaikan proses pelatihannya. Setiap model mendapatkan laporan terpisah, terlepas dari apakah ia berhasil menyelesaikan pelatihan atau tidak.
Pada tab Prediksi saya , pilih prediksi dan pilih Masukkan laporan kegunaan data. Atau dari tampilan detail prediksi, pilih Masukkan laporan kegunaan data.
Contoh laporan kegunaan data input yang menampilkan tabel dengan error, peringatan, dan rekomendasi.
Laporan tersebut meliputi:
- Nama: Nama deskriptif kesalahan, peringatan, atau rekomendasi.
- Langkah: Fase model, latihan atau skor, dan informasinya mengacu pada.
- Negara: Tingkat keparahan informasi (kesalahan, peringatan, rekomendasi).
- Nama kolom: Kolom dalam tabel yang perlu dimodifikasi untuk meningkatkan performa model.
- Meja: Nama tabel yang perlu dimodifikasi untuk meningkatkan performa model.
- Rincian: Detail tentang kesalahan, peringatan, atau rekomendasi.