Model Builder 预测输出 — 从构建模型到在记录页显示预测

预测模型的价值不止于一个分数——它还可解释、可行动。本文完整讲解如何解读预测输出（预测分数、首要预测因子、建议）与可行动变量，在 AI Models（原 Einstein Studio）中用无代码方式构建预测潜在客户转化的模型并评估、激活，再用 Prompt Builder 把原始 JSON 转化为可读文本，最后用 Screen Flow 把预测和推荐直接显示在潜在客户记录页上。...

首页/ 文章列表/ Model Builder 预测输出 — 从构建模型到在记录页显示预测
📅 2026/3/24 ✍️ ponybai 🏷️ headless-360, salesforce, data-360

一、认识预测

AI 到行动

在动手构建模型之前，先学会如何解读并对预测采取行动。本单元拆解 Model Builder 的预测输出，并探索把 AI 付诸行动的不同方式。

本模块要完成的完整流程：

  1. 构建一个预测潜在客户转化的模型；
  2. 用 Prompt Builder 把预测转化为可读文本；
  3. 用 Flow Builder 在记录页上显示预测。

最终成果是：每个潜在客户记录页上都有一段可读的段落，包含预测、首要预测因子以及改进结果的建议。

可解释、可行动的预测

无代码模型的预测不只是一个结果，它们还是可解释的（explainable）和可行动的（actionable）——这意味着你能知道为什么得到这个预测结果，并能采取可操作的步骤来改进结果。

下面是预测结果的一个示例：

每个预测包含三个组成部分，分别回答：预测是什么？（预测分数）、为什么得到这个结果？（首要预测因子）、如何改进？（建议）。

预测分数（1）

预测分数（Predictive Score）是模型预测出的值，可以是数字（如百分比或金额），也可以是二元的（如 true/false）。

例如，你有一个预测潜在客户转化的模型，客户名叫 Andy Doe，模型预测他只有 43% 的转化可能。你想知道 Andy 为什么不那么可能转化、如何提高他的预测分数——这正是首要预测因子和建议能提供的额外洞察。

但只知道 Andy 只有 43% 的转化率还不够，你还需要知道为什么以及该怎么做。

首要预测因子（2）

首要预测因子（Top Predictors）是影响预测结果的最关键变量。它们针对具体记录，解释你为什么会得到某个结果，以及每个变量的影响。

例如，Positioned Product 字段是 Andy 的首要预测因子之一。定位产品（positioned product）是指被策略性营销为具有独特受众优势的产品。把 GC5000 Series 作为定位产品，使 Andy 的转化可能性降低了 7.27%！看来需要为 Andy 调整营销策略。

首要预测因子提供诊断性洞察，告诉你每个独立预测中哪些因素在帮助、哪些在拖后腿。

建议（3）

建议（Recommendations）是你可以采取的、改进预测结果的可操作步骤。要获得建议，需要在构建模型时指定可行动变量。建议有时也叫"处方"（prescriptions），因为它们开出改进结果的措施。

例如，针对 Andy 的一条建议是：把他的定位产品改为 GC1000 Series，这会把他的转化可能性提高 24.2%——从 43% 提升到 67% 以上，一次改动就带来显著改善。

建议把预测从被动分数变成主动改进业务结果的工具。

什么是可行动变量？

可行动变量（Actionable Variable）是你可以控制的变量，例如对特定客户使用的营销策略或折扣。当你指定一个可行动变量时，模型会提供如何改变该变量以改进预测结果的建议。

可行动变量的例子：

  • Discount Offered（提供的折扣）：从 5% 提高到 10%；
  • Positioned Product（定位产品）：从 GC5000 改为 GC1000；
  • Lead Source（线索来源）：优先网络线索而非展会线索。

没有可行动变量，你只能得到预测和首要预测因子，却没有建议。可行动变量就是把预测变成处方的关键。

对预测采取行动

理解了如何解读预测之后，下面看看把预测付诸行动的四种方式：

  • Predict Jobs（预测作业）：从已激活模型获取预测，把结果加入新的 DMO，分流式（数据变化时自动更新）和批量（手动刷新）两种。
  • Batch Data Transforms（批量数据转换）：用预测和处方丰富 DMO，用于计算、数据可视化等。
  • Prompt Builder：把模型的原始输出转化为可读文本，再在 Flow Builder 中用于发邮件或显示预测。
  • Flow Builder：创建 Flow 用预测自动化行动，如 Screen Flow 显示预测、记录触发 Flow 在预测变化时自动响应。

预测作业（Predict Jobs）

用 Model Builder 的预测作业，从已激活模型获取预测并把结果加入新的数据模型对象（DMO）。可选择两种类型：

  • 流式作业（Streaming job）：当特定输入变量的数据变化时自动更新预测，适合需要实时数据预测的用例（如欺诈检测）。
  • 批量作业（Batch job）：需要手动刷新数据，适合处理不需要持续更新的大数据集。

成功运行预测作业后，得到的预测可以在 Salesforce 任何地方使用——细分、Flow、报告和仪表板。

批量数据转换（Batch Data Transforms）

用批量数据转换，把预测和处方丰富到 DMO 中。之后你可以用这个 DMO 运行计算、构建数据可视化等。

例如，为了改进潜在客户转化，你可以把预测和处方加入 Lead DMO，销售代理就能看到：每个潜在客户的预测转化可能性、促成预测的首要因素，以及可提高转化的建议行动。

批量转换把预测输出连接到更广泛的 Data 360 生态中。

Prompt Builder

用 Prompt Builder 把模型的原始输出转化为可读文本。原始输出是带有字段名、技术值和数字分数的 JSON，销售代理无法直接阅读或行动。

提示模板接收 JSON 预测，把它格式化为对话式、易读的段落——把技术输出变成业务洞察。转化后的预测可用于 Flow Builder（在记录页显示或发邮件）、Agentforce 等场景。

Prompt Builder 是机器输出与人类理解之间的翻译层。

Flow Builder

用 Flow Builder 创建 Flow，用模型的预测自动化行动：

  • Screen Flow：在记录页显示预测，销售代理无需离开正在处理的记录即可看到。
  • 记录触发 Flow：当预测变化时自动执行动作。例如，如果预测的流失分数超过阈值，就自动给客户发促销邮件以降低流失风险。

Flow Builder 是连接预测与真实业务流程的自动化引擎，全程无需代码。

潜在客户转化流程

本模块要完成的三步流程：

  1. 构建模型：用 Lead Data for Training DMO 和 Model Builder 构建预测潜在客户转化的模型，输出转化可能性、首要预测因子和建议。
  2. 转化预测：用 Prompt Builder 把原始 JSON 输出变成可读段落。
  3. 显示预测：用 Flow Builder 在记录页显示预测，每个潜在客户记录都显示转化可能性、原因和建议。

最终成果：销售代理能看到哪些潜在客户最可能/最不可能转化，并主动为高风险线索调整策略，最终带来更高的转化率、更高的效率和更高的收入。

注册带 Data 360 的开发者版本

点击 Create Playground 获取一个包含 Data 360 和示例数据的限时自定义 Playground：

  1. 点击 Create Playground；
  2. 新 org 自动关联到你的 Trailhead 账户；
  3. 记下 org 的到期日期，并在到期前完成本模块；
  4. 点击 Launch 打开新 org。

该 Playground 包含预加载了历史潜在客户数据的 Lead Data for Training DMO，是构建预测模型所需的训练数据。

设置你的组织

要构建和训练模型，需要在 org 中有一个包含潜在客户属性的 DMO。你要创建一个数据流，把 Lead Data for Training DMO 引入 org。

创建数据流：

  1. 从 App Launcher 搜索选择 Data Cloud；
  2. 点击 Data Streams 标签页 → New → Salesforce CRM → Next；
  3. 选择 LeadsforTrainingModels 自定义捆绑包 → Next；
  4. 保持字段默认 → Next → Deploy（可能需要几分钟）。

映射字段：在 Lead_Home 数据流上点击 Data Mapping → Start → Select Objects → Custom Data Model 标签页 → 点击 Lead Data for Training DMO 旁的 + → Done，确认 Annual Revenue 自动映射，并手动映射 Discount Offered、Employees、Industry、Lead ID、Lead Source、Positioned Product、Status、Title → Save & Close。

如 Last Run Status 为 None，点击 Refresh Now → Incremental Refresh 刷新，直到状态显示 Success。你的 org 就准备好进入第 2 单元建模了。

二、在 Model Builder 中构建预测模型

预测潜在客户转化

本单元在 AI Models（原 Einstein Studio）中构建一个预测潜在客户转化的无代码预测模型。你的模型将提供：预测分数（转化可能性）、首要预测因子（哪些因素影响结果）和建议（改进转化的可操作步骤）。

AI Models（原 Einstein Studio）是"点击而非代码"——直接在 Data 360 数据上构建、训练和激活机器学习模型，无需数据科学专长。

定义你的目标

开始构建前，先明确目标。以潜在客户转化为例：

  • 你想预测什么？——潜在客户转化的可能性（可创建二元 yes/no 或回归百分比/数值预测）。
  • 训练数据集是什么？——Lead Data for Training DMO（高质量历史数据）。
  • 预测 DMO 中的哪个字段？——Status 字段。
  • 最大化/最小化什么值？——本例希望潜在客户转化，所以最大化 Status 字段为 Closed - Converted 的可能性。而"最小化"的例子是：你希望最小化客户流失，所以把目标设为最小化 Churn 字段为 True 的可能性。

构建你的模型

目标明确后，在 org 中按以下步骤构建模型：

  1. App Launcher → Data Cloud → AI Models 标签页。
  2. 点击 Add Predictive Model，打开 Model Builder。
  3. 选择 Create a binary model → Next。
  4. 保持默认数据空间，选择 Lead Data for Training DMO → Next。
  5. 选择 Filtered Set of Records。
  6. 过滤器：Status 字段、In 操作符、值 Closed - Not Converted 和 Closed - Converted（只把已关闭线索纳入训练数据）→ Next。
  7. 结果目标：选择 Status 字段，选择 Closed - Converted 值和 Maximize (Increase is Favorable) → Next。
  8. 如启用 Autopilot 则禁用它，手动选择字段：Annual Revenue、Discount Offered、Employees、Industry、Lead Source、Positioned Product、Title → Next。
  9. 保持 Automatic Selection 自动选择最佳算法 → Next。
  10. 把模型重命名为 Predicted Conversion，描述留空 → Save。

模型开始训练，完成后会出现在 Predictive 标签页列表视图中。

评估你的模型

训练完成后，查看模型性能指标。在 AI Models 标签页点击 Predicted Conversion 模型，再点击 View Training Metrics。

  • Performant（表现良好）：模型准确、表现良好，可以激活。
  • Too low（过低）：模型表现不佳，可能是训练数据缺乏足够模式（数据点太相似或太不同）。
  • Too high（过高）：模型过于接近完美，可能意味着数据泄漏或过拟合——模型与训练数据过于贴合，无法对新数据给出准确预测。
  • Performance Score（性能分数）：二元分类模型用 AUC（曲线下面积）得分（0 到 1），回归模型用 R-Squared。
  • Prediction Accuracy（预测准确率）：模型正确预测结果的频率。

激活你的模型

必须激活模型，它才能开始对潜在客户做预测：

  1. 在 Training Metrics 页点击 Activate；
  2. 点击 Activate Model；
  3. 点击返回箭头回到 Predicted Conversion 模型概览页。

未激活的模型只是一个训练产物；激活后它就是一个预测引擎，对新记录打分、识别首要预测因子并生成建议。

设置可行动变量

设置可行动变量，才能获得"如何优化这些变量以改进预测结果"的建议：

  1. 点击 Integrations 标签页；
  2. 点击 Set Up Variables For Prescriptions 旁的 + 图标；
  3. 选择 Discount Offered 和 Positioned Product；
  4. 点击 Apply。

为什么选这两个变量？因为它们都是销售团队可以主动改变的变量。设置可行动变量后，模型现在提供预测 + 首要预测因子 + 建议的完整智能组合。

三、用 Prompt Builder 处理预测

查看预测输出

Model Builder 的原始预测输出很强大，但不易理解。要理解为什么需要 Prompt Builder，先看看 Unit 1 中 Andy Doe 的原始预测输出——可通过 Data 360 Connect REST API 访问，或用 Screen Flow 打印出来。

原始输出是 JSON——机器可读但不人性化。Prompt Builder 正是把机器输出翻译成业务语言的解决方案。

预测分数

这是预测的转化可能性。对 Andy 来说，分数是 43.478，表示他有 43% 的转化可能。

这与 Unit 1 里格式化后的预测是同一个分数，只是以没有语境和解释的原始数值呈现。提示模板的任务就是把这个原始数字变成"Andy Doe 有 43% 的转化可能"这样有语境、有格式、有对话语气的内容。

首要预测因子

从原始 JSON 看影响 Andy 预测的字段，每个首要预测因子的结构为：

  • name：字段名，如 Positioned_Product_c__c；
  • inputValue：字段当前值，如 GC5000 Series；
  • value：该字段对预测结果贡献的百分点，如 -7.27。

解读：GC5000 Series 定位产品使 Andy 的转化可能性降低了 7%。提示模板需要把技术字段名翻译成业务术语，把负值格式化为"降低"、正值格式化为"提高"。

建议

从原始 JSON 看改进 Andy 结果的处方，每个建议的结构为：

  • name：字段名，如 Positioned_Product_c__c；
  • prescribedValue：应改成的值，如 GC1000 Series；
  • value：改动可改进结果的百分点，如 24.2。

解读：把 Andy 的定位产品改为 GC1000 Series，可把他的转化可能性提高 24%。这是输出中最可行动的部分——它告诉销售代理具体做什么以及预期影响。提示模板应突出显示建议。

开启 Einstein Generative AI

要使用 Prompt Builder，必须开启 Einstein Generative AI：

  1. 点击齿轮图标，启动 Setup；
  2. 在 Quick Find 中搜索选择 Einstein Setup；
  3. 确保 Turn On Einstein 开关设为 On；
  4. 刷新浏览器重新加载 Setup。

这是使用 Prompt Builder 的前提条件，开启可能需要几分钟生效。

创建提示模板

创建一个 Flex 提示模板，把 Model Builder 的预测结果格式化为易读列表：

  1. Setup → Prompt Builder → New Prompt Template，类型选 Flex。
  2. 命名 Explain Conversion and Give Recommendations（API 名 Explain_Conversion_and_Give_Recommendations）。
  3. 定义三个 Free Text 来源：Predicted Outcome、Top Predictors、Top Recommendations，三者都勾选 Required when template runs。

提示模板应说明如何解读未处理的预测（识别字段名、值和百分点），指定友好、对话式语气和列表格式，避免给销售代理一堆技术术语。复制提示内容到工作区后，点击 Save 再 Activate。

四、用 Screen Flow 在记录上显示预测

创建 Screen Flow

Screen Flow 是 Flow Builder 中用来给屏幕添加信息的 Flow。对潜在客户转化来说，信息是预测的转化和建议，屏幕是潜在客户记录。

该 Flow 有四个阶段：

  1. 关联记录 ID 到 Flow——找到正确的潜在客户；
  2. 添加预测模型——运行预测；
  3. 添加提示模板——把输出转化为文本；
  4. 显示预测——在记录页展示。

四个阶段共同构成完整的预测流水线：找到线索 → 预测转化 → 格式化结果 → 显示给用户。

把记录 ID 关联到 Flow

第一步：把 Flow 连接到正在查看的具体潜在客户记录。

  1. App Launcher → Flows → New → Screen Automations → Screen Flow。
  2. 打开 Toolbox → New Resource，Resource Type 选 Variable，API Name 填 recordId，Data Type 选 Text，勾选 Available for input → Done。
  3. 点击 Canvas 上的 +，搜索选择 Get Records，命名 Get Lead Data（API 名 Get_Lead_Data），Object 选 Lead，过滤器为 Lead ID Equals recordId。

现在你的 Flow 能根据记录 ID 找到对应的潜在客户——这是后续每一步的基础。

把预测模型添加到 Flow

第二步：把潜在客户数据输入你的预测模型。

  1. 点击 Get Lead Data 下方的 +，搜索选择 Predicted Conversion 动作，命名 Predict Conversion（API 名 Predict_Conversion）。
  2. 点击 Lead from Get Lead Data，为 Annual Revenue 等每个字段选择对应字段。
  3. 开启 recommendations，数量填 3；开启 top predictors，数量填 3。
  4. 创建两个 Text Template 资源：JSONRecommendations（Body 为 {!Predict_Conversion.prescriptions}）和 JSONPredictors（Body 为 {!Predict_Conversion.factors}）。

Predict Conversion 动作调用已激活模型，输出预测分数、首要预测因子（factors）和建议（prescriptions）。

把提示模板添加到 Flow

第三步：把原始预测转化为可读文本。

  1. 点击 Predict Conversion 下方的 +，搜索选择 Explain Conversion and Give Recommendations 动作，命名 Explain Conversion and Give Recommendations。
  2. Predicted Outcome 选 Outputs from Predict Conversion → Prediction；
  3. Top Predictors 选 JSONPredictors；
  4. Top Recommendations 选 JSONRecommendations。

提示模板接收三个 JSON 输入，按模板指令处理，输出一段格式化、对话式的文本。

在记录页上显示预测

第四步：把格式化后的预测显示给用户。

  1. 点击提示模板动作下方的 +，搜索选择 Screen，命名 Show Prediction（API 名 Show_Prediction）。
  2. 组件 API Name 填 Output_From_Prompt，在"Insert a resource…"字段点击 Outputs from Explain_Conversion_and_Give_Recommendations → promptResponse → Done。
  3. 保存并命名 Flow Lead Conversion Predictions and Recommendations（API 名 Lead_Conversion_Predictions_and_Recommendations），点击 Save → Activate。

屏幕显示 promptResponse——可读的预测段落。你的 Flow 现已上线，可以添加到潜在客户记录页。

把 Flow 添加到潜在客户记录页布局

把 Flow 添加到潜在客户记录页，让它对每个潜在客户运行并显示预测：

  1. App Launcher → Leads → Recently Viewed → All Open Leads → 点击 Andy Doe → 齿轮图标 → Edit Page。
  2. 从 Components 标签页把 Flow 组件拖到右侧的 Related 标签页（置于首位）。
  3. Flow 选择 Lead Conversion Predictions and Recommendations，勾选 Pass record ID into this variable。
  4. Save → Activate → Assign as Org Default → 保持 Desktop 选 → Next → Save。
  5. 返回 Andy 的记录页，你应在页面右侧看到预测。

销售代理现在能直接在记录页看到：每个潜在客户的转化可能性、预测的原因（首要预测因子），以及改进建议——无需额外研究。

文章来源：Trailhead - Predictive Outputs from Model Builder