Introduzione
La maggior parte delle organizzazioni acquisisce efficienza mediante la previsione degli eventi che avranno un impatto sull'attività.
Molti degli obiettivi definiti riguardano le allocazioni delle scorte, i budget di marketing e altre aree in cui la qualità delle previsioni può migliorare l'efficienza.
Questo modulo illustra in che modo il modello di previsione di AI Builder può aiutare a definire la probabilità che un evento si verifichi in base al comportamento storico acquisto.
Modello di previsione di AI Builder
La previsione è un modello personalizzato di AI Builder. Durante il training, il modello di previsione analizzerà i criteri nei dati storici forniti. In base ai criteri rilevati, prevederà i risultati futuri per i nuovi dati.
È possibile usare la previsione per elaborare le domande nei seguenti modi:
Gli utenti possono scegliere una di due opzioni, ad esempio:
Il tuo soggiorno ti ha soddisfatto? Sì/No
Com'era la temperatura dell'acqua della piscina? Calda/Fredda
Hai preferenze per l'arrivo? Giorno/Sera
Gli utenti possono scegliere una tra più opzioni, ad esempio:
Quando è stato consegnato il pacco?
In anticipo
Puntuale
In ritardo
Perso
È anche possibile richiedere agli utenti di rispondere inserendo un numero, ad esempio:
Giorni di noleggio: 12
Numero di camere richieste: 2
Comportamento storico
Come con altri modelli personalizzati, il modello di previsione richiede il training prima di essere pubblicato e reso disponibile per l'uso nelle soluzioni.
Il primo obiettivo è determinare quali dati possono fornire il comportamento storico che aiuterà a determinare il potenziale risultato dei nuovi eventi. Non è necessario essere di parte nella selezione. L'uso di un'ampia serie di informazioni correlate fornirà più opzioni al motore di intelligenza artificiale per determinare le tendenze effettive e ciò che influenza il risultato.
Considerare i seguenti requisiti per i dati di training:
Devono trovarsi in Microsoft Dataverse.
Devono richiedere meno di 1,5 GB di spazio di archiviazione nel database.
Per risultati ottimali, occorre usare un minimo di 1.000 righe con una distribuzione realistica tra le opzioni.
Prestazioni e uso
Dopo ogni training, AI Builder indica un grado di prestazioni per consentire di valutare l'accuratezza della previsione:
Grado A: è il grado massimo, ma potrebbe essere tuttavia possibile un miglioramento.
Grado B: la previsione è corretta nella maggior parte dei casi, si può considerare un miglioramento.
Grado C: meglio di un'ipotesi casuale, ma si consiglia di regolare il modello per migliorarne le prestazioni.
Grado D: il risultato è simile o peggiore di un'ipotesi casuale o è prossimo al 100 percento di accuratezza. In entrambi i casi, il modello e i dati sottostanti devono essere rivisti per eseguire la previsione a un livello accettabile.
Quando il grado di prestazioni è a un livello soddisfacente per lo scenario aziendale, è possibile pubblicare il modello e renderlo disponibile per l'esecuzione sui dati live.
Sono disponibili diverse opzioni per l'uso del modello di previsione:
Esegui ora: richiesta on-demand di aggiornamento dei risultati sui dati live.
Previsione in tempo reale: applicabile a scenari in cui la previsione è richiesta istantaneamente.
Ora che si conoscono le nozioni fondamentali del modello di previsione di AI Builder, si apprenderà come risolvere i problemi aziendali con questi tipi di modelli.