機械翻訳について

機械学習モデルを最初から作成

機械学習モデルは、まったく最初から作成できます。 このモデルを使用して、類似したレコードを予測したり、アカウント、担当者、商談および営業リードの結果を予測できます。

モデルを最初から作成するには、「基本情報」ステップで追加の設定が必要です。 それ以外の場合、プロセスは、Oracle提供のものから同様のアカウント・モデルを作成する場合と同じです。

1. 「機械学習モデル」ページにナビゲートします。
2. 「機械学習モデル」ページで、「作成」をクリックします。

3. 「基本情報」ステップで、次を入力します。

   • モデル名
   • モデルがカバーするユース・ケースの名前
   • オプションの説明
4. オブジェクトを選択します。 次のオプションがあります。
   • アカウント
   • 担当者
   • 商談
   • 営業リード
   • Salesの任意のカスタム・オブジェクト
5. 「類似レコードの識別」または「結果の予測」のいずれかのモデル・タイプを選択します。
   • 予測結果- このモデル・タイプは、商談が成約する可能性が高いかどうかを予測するなどの予測に使用されます。 また、ディール・サイズ(数値)またはクローズまでの時間(日数)またはアカウント・スコア(数値)を予測するために使用することもできます。
   • 類似レコードの識別- このモデル・タイプは、表示されているレコードと類似する他の顧客の検索など、類似するレコードの検索に使用されます。 また、作業中の商談と同様の機会を見つけるためにも使用できます。
6. 「結果の予測」を選択した場合は、予測する属性を選択します。 このユース・ケースで成功した結果とみなされる結果を選択します。 たとえば、商談の予測では、成約の結果を成約基準とみなすことができます。 商談を受注または失注するかどうかを予測するには、ステータス・カテゴリを選択します。
7. データセットに含めるレコードを選択します。
   • 予測モデル- これは、機械学習モデルがトレーニングされるデータ・セットです。 たとえば、モデルで商談の結果を予測する必要がある場合は、過去のクローズ済商談から学習することで、受注結果と失注結果の両方のパターンを学習する必要があります。 モデル・トレーニング中、モデルは受注済および失注済商談とは異なるパターンから学習します。
   • 類似レコード・モデル- 類似レコードが見つかったデータ・セットです。 たとえば、有効な取引先がトレーニングデータセットの一部として使用されている場合、取引先ごとに、有効な取引先から同様のレコードのみが検索されます。 非アクティブなアカウントは、類似レコードとして表示されません。
8. 「次」をクリックします。
9. 「属性選択」ページで、モデルで使用する属性を追加します。
   ノート: 追加の関連レコードから属性を追加して、より正確な予測を生成し、関連レコードから関連する予測子を含むより優れたインサイトを生成できるようになりました。
   たとえば、アカウント関連レコードの属性を含む商談予測モデルを作成できるようになりました。 次の関連レコードがサポートされています:

   • 商談アカウント
   • 商談プライマリ担当者
   • リード・アカウント
   • リード・プライマリ担当者
   • すべての親オブジェクトのカスタム・オブジェクト関係
   • カスタム親オブジェクト用に構築されたモデルのカスタム・オブジェクト関係
10. 「データの準備」をクリックして、選択した属性からモデルを作成するのに十分なデータが存在するかどうかを検証します。

    検証プロセスの実行中に、機械学習ページの「ステータス」列に「実行中」ステータスが表示されます。

11. ステータス変更を確認するには、「リフレッシュ」をクリックします。

12. ステータスが「エラー」の場合、モデルに選択した一部の属性に十分なデータがないことを意味します。 少なくとも30%のレコードに属性の値が必要です。 操作方法:
    1. モデルの名前リンクをクリックします。
    2. 「属性選択」ステップをクリックして、エラーのリストを表示します。
    3. 使用できない属性を削除します。
    4. 「データの準備」を再度クリックします。
13. モデルが「準備済」ステータスの場合、モデルをさらに分析および調整するのに十分なデータがあります。
14. 「機能」ステップをクリックします。
15. 任意の属性の「処理」→「編集」をクリックして、値を分類することでモデルを微調整します。
16. 「計算タイプ」ページでは、モデルで考慮するカテゴリを1つ以上指定できます。 カテゴリは、モデルの学習方法およびレコードのクラスタの作成方法に影響します。 たとえば、モデルに特定の属性に対する一意の値が多すぎることがわかった場合は、ここでそれらをグループ化できます。 使用可能な計算タイプは、属性によって異なります。
    • 日付範囲: 指定した2つの日付属性間の日数を計算します。
    • 日付範囲バケット: 指定した2つの日付属性間の日数カテゴリを作成します。
    • 経過日バケット: この計算タイプは、作成日などの日時属性に使用します。 日付ではなく、0-1年、1-2年、2-3年などで経過グループを定義できます。 モデルでは、この機能と予測結果の間の類似性または関係を識別する際に、年齢バケットが考慮されます。
    • 数値バケット: この計算タイプは、潜在的売上や組織規模などの数値属性に使用します。 たとえば、ディール金額で検索するかわりに、0から100,000、100,000から200,000などの均等範囲の数値バケットを作成できます。 この機能と予測結果の間の類似性または関係を識別する場合は、数値バケットを考慮します。
    • カテゴリ: この計算タイプを使用して、属性条件に基づいてカテゴリを作成できます。 たとえば、国をラテン・アメリカ、北米、アジア太平洋およびヨーロッパとしてグループ化することで、アカウントを世界の地域別に分類できます。 または、商談売上または組織規模を使用して、アカウントを大、中、小に分類できます。
17. 次に、ビジネスを行う国を地理的地域別に分類する方法を示します。
    1. 国の「処理」→「編集」をクリックします。
    2. 「計算タイプ」リストから、「カテゴリ」を選択します。
    3. 「カテゴリ値」フィールドに、North Americaと入力します。
    4. 「演算子」リストから、「次と等しい」を選択します。
    5. 「値」フィールドで、North Americaのいずれかの国を検索して入力します。
    6. 「別のルールの追加」(プラス記号)をクリックし、2番目の国を追加します。
    7. カテゴリのすべての国を追加するまで、プロセスを繰り返します。
    8. 「カテゴリの追加」をクリックして、カテゴリを追加します。
    9. 「完了」をクリックします。
    
    
    
18. 計算タイプの追加が完了したら、「送信」をクリックしてモデルを実行します。
19. ステータスをリフレッシュするには「リフレッシュ」をクリックします。
20. モデル・ステータスが「実行中」から「準備完了」に変わったら、「処理」→「編集」をクリックします。 「処理」メニューは、ページの右側にあるハンバーガー・アイコンです。
21. 「レビュー」ステップをクリックして、選択したアカウントについてモデルが検索する類似アカウントを確認します。
22. 「アカウント」フィールドから、モデルによって予測される類似アカウントを表示するアカウントを選択します。
23. 「分析」をクリックして、分析レポート・ページでモデルに関する情報を確認します。

24. レポートには、モデルの改善方法に関するヒントが含まれています。 たとえば、一意の値が少なすぎるフィールドや、一意の値が多すぎるフィールドがあることがレポートに示されます。

    フィールドの値が少なすぎる場合は、より多くのデータをインポートするか、その属性をモデルから削除することが必要になります。 値が多すぎる場合は、「機能」ステップでそれらをカテゴリにグループ化する必要があります。

    その他の有用な情報を次に示します。

    • 選択済アルゴリズム: モデルに対して実行されたアルゴリズム。 アルゴリズムを変更できないため、このフィールドは無視できます。
    • モデル正確性: モデルの正確性をパーセンテージで表示します。 良いモデルの精度は75%を超えています。 値が小さい場合は、属性を変更して正確性を向上させます。
    • 予測精度レポート: クラスごとの予測精度を表示します。 適切なモデルでは、予測クラスごとに必要な精度が得られます。 たとえば、商談結果予測モデルでは、受注レコードと失注レコードの両方を予測する際に必要な精度が得られます。
    • クラスタ数: モデル内のアカウントのグループの数。 クラスタの数が多くなるほど、類似アカウントの数が少なくなります。 クラスタの数は20個程度が適当です。
    • 「データ分析」タブには、各属性の個別値の数や空の値の割合などが表示されます。
    • 「モデル分析」タブには、「類似レコードの識別」モデルのクラスタ数と分布の円グラフが表示されます。 また、特徴の重要度およびクラスごとの予測精度も示しています。
25. 「次」をクリックします。
26. 「デプロイ」ページで、それらの実行および繰返しを開始する日時を入力します。
    1. 日時: スケジュールを開始する日時を入力します。
    2. 繰返し: データ変更の頻度に応じて、モデルを再作成する頻度を設定します。
       • 日次
       • 週次
       • 月次
27. 予測結果モデル・タイプの予測結果を保存する方法を指定します:
    • スコアリング繰返し: 予測を更新(再度スコアリング)する頻度に応じて、予測を作成して保存する頻度を設定します。
    • 予測データセット: 予測データ・セットを識別するためのデータ・セット・フィルタを追加します。 たとえば、すべてのオープン商談またはリードについて予測します。
28. 「デプロイ」をクリックします。

    モデルがアクティブになります。

    ノート: アクティブにできるのは、一度に1つのモデルのみです。 アクティブなモデルがすでにある場合は、置き換えることを確認する必要があります。