学习目标

完成本单元后，您将能够：

• 导航到故事的预测和改进见解并探索它们。
• 确定您的方案的最佳可能未来结果。
• 列出预测背后的因素。

了解预测和改进见解

注意

本单元中的说明假定您已根据“创建故事”中的步骤成功创建了爱因斯坦探索故事，这是此Trailhead模块中的第一个单元。预测和改进见解可帮助您探索未来可能发生的情况。例如，您可以在故事中以交互方式执行“假设”分析。爱因斯坦发现基于对数据集和预测分析的统计分析，为您提供预测和建议的改进。为了帮助您想象这些见解，爱因斯坦发现公司使用：

• 预测的瀑布图表
• 建议改进的条形图

这些预测性见解可帮助您针对未来交易中可能发生的情况做出明智，有计划的决策。爱因斯坦发现还建议您可以采取行动来改善结果。虽然其他见解显示了过去交易的现有数据，但预测和改进洞察力可计算未来事件的统计可能结果。预测类似于数据科学家使用高级分析工具进行的回归或机器学习分析。

预测就是：基于爱因斯坦发现对您的数据进行统计分析的预期结果。当然，预测性见解并不能保证业务成果。但是，它们可以帮助您调查和了解可能影响您感兴趣的业务成果的因素。

了解预测和改进

预测和改进见解向您展示单个目标预测背后最重要的细节，在我们的案例中是CLV。

获取单个变量的预测（分部）

让我们首先看看爱因斯坦发现如何帮助按行业预测CLV。

• 在“故事”导航栏上，单击“ 预测和改进”。

• 注意您必须至少选择一个变量才能看到预测性洞察力。
• 在“ 通过更改（选择变量）”中，选择“ 分区”。

• 爱因斯坦发现会生成一系列见解。第一个洞察力显示了按部门预测的CLV。

该图显示了哪些分区产生最高预测CLV（原材料和映射）和最低（标准硬件）。

调查原材料。

原材料似乎是一个有利可图的部门。让我们进一步调查吧。在“ 关联（选择变量）”中，选择“ 分部 – 原材料”。

我们来看看这张图。

• 基线表示组合的所有字段的平均CLV。
• 分部是原材料代表预测的分部为原材料的 CLV 。条形图显示预测的平均CLV高于基线483美元。
• 其他领域的预期影响代表其他领域的预测平均CLV（以上分部 954美元为原材料）。这是一个非常重要的影响！
• 预测结果表示所选变量（分部为原材料）的预测CLV 加上其他字段的预期影响。将鼠标悬停在蓝色条上以查看详细信息。此方案的预测结果为23,903美元。

添加另一个变量（行业是制造业）。

让我们预测原材料如何与第二个变量结合使用。在“ 关联（选择变量）”中，选择“ 分部 – 原材料 和 工业 – 制造”。

爱因斯坦发现会根据此过滤器刷新洞察力。

图表显示，工业制造业本身将CLV降低了77，而工业制造业和制造业部门的合并则降低了 415。这很重要！但是，当您添加其他类别（分部是原材料和其他字段的预期影响）时，净效果是预测结果为22,505。在这种情况下，制造会降低CLV。

探索不同的变量（行业是服装）。

接下来，让我们尝试一个不同的行业 – 服装 – 看看它如何影响预测的CLV结果。在“ 关联（选择变量）”中，选择“ 分部 – 原材料 和 工业 – 服装”。

爱因斯坦发现会根据此过滤器刷新洞察力。

分部的组合是原材料和工业是服装将预测的CLV提高到25,240。

通过在假设情景中尝试不同的变量和变量组合，您可以利用爱因斯坦发现中预测性洞察力的力量来帮助您发现改善业务成果的方法。

结论

在本单元中，您了解了为什么它发生的见解可以让您更深入地了解现有数据中的复杂关系。您了解了相关和不相关的因素如何影响观察到的结果，然后使用预测和改进见解来更好地决定未来的业务行动。