Salesforceアドミン向けEinstein Prediction Builderガイド：コード不要のAI予測

日付:

背景と応用シナリオ

私たち Salesforce 管理者 (Salesforce Administrator) は、日々の業務で大量のデータに触れています。商談、ケース、リード、カスタムオブジェクトなど、Salesforce 内に蓄積されたデータは、企業の貴重な資産です。しかし、そのデータを単に「過去の記録」として保管するだけでなく、「未来を予測するための材料」として活用できているでしょうか？

従来、未来予測にはデータサイエンティストによる複雑な統計モデルの構築や、高度なプログラミングスキルが必要でした。しかし、Salesforce は Einstein Prediction Builder (アインシュタイン予測ビルダー) という画期的なツールを提供しています。これは、私たち管理者がコーディングを一切行うことなく、クリック操作だけでカスタムの AI 予測モデルを構築できる強力な機能です。

Einstein Prediction Builder は、過去のデータからパターンを学習し、特定のビジネス上の問いに対して「Yes/No」の二項予測や、特定の「数値」を予測します。これにより、勘や経験に頼っていた意思決定を、データに基づいた客観的なものへと進化させることができます。

具体的な応用シナリオ

  • 商談の成約予測: 過去の成立・不成立商談データを学習し、進行中の商談が成約する確率を予測します。これにより、営業チームは最も見込みの高い商談にリソースを集中できます。
  • 顧客の解約予測: 過去の解約顧客の行動パターン（サポートケースの数、製品利用率の低下など）を分析し、既存顧客が解約するリスクを予測します。リスクの高い顧客には、プロアクティブなフォローアップを行い、解約を未然に防ぎます。
  • 請求書の期日内支払い予測: 過去の請求と支払いの履歴から、新規に発行された請求書が期日通りに支払われるかどうかを予測します。支払い遅延のリスクが高い請求先には、事前のリマインダーを送るなどの対策が可能です。
  • リードのコンバージョン予測: どのような属性（リードソース、役職、業界など）を持つリードが、過去に商談化しやすかったかを学習し、新しいリードのコンバージョン確率をスコアリングします。

原理説明

Einstein Prediction Builder の最大の魅力は、そのシンプルさにあります。複雑な機械学習のプロセスはバックグラウンドで自動的に処理され、管理者は直感的なウィザードに従って設定を進めるだけです。そのプロセスは、大きく分けて以下のステップで構成されます。

1. 予測の定義 (Define Prediction)

まず、「何を予測したいのか？」を明確に定義します。このステップでは、以下の項目を設定します。

  • 予測名: 「商談成立予測」など、分かりやすい名前を付けます。
  • 予測対象オブジェクト: 商談、取引先、カスタムオブジェクトなど、予測スコアを付与したいオブジェクトを選択します。
  • 予測の種類:
    • 二項分類 (Binary Classification): 結果が「Yes/No」「成立/不成立」「解約する/しない」など、2つの結果のいずれかになるものを予測します。例えば、「商談は成立しますか？」という問いです。
    • 回帰 (Regression): 結果が数値になるものを予測します。例えば、「この顧客の年間購入額はいくらになるか？」という問いです。

2. データセットの準備 (Prepare Dataset)

次に、Einstein が学習するためのデータセットを準備します。ここでの鍵は、「答えが分かっている過去のデータ」を用意することです。

  • サンプルデータセット (Example Dataset): 過去のデータ全体から、学習に使用するレコード群を定義します。例えば、「過去2年間にクローズした全ての商談」などが該当します。フィルタ条件を使って、学習に不要なデータ（テストデータなど）を除外することが重要です。
  • 予測項目 (Prediction Field): 予測したい「答え」が入っている項目を指定します。二項分類であれば、商談の「フェーズ」項目で「成立」か「不成立」かが分かる項目を選びます。

3. 予測の構築 (Build Prediction)

このステップで、Einstein は指定されたデータセットを分析し、予測モデルを自動的に構築します。管理者は、予測に含める項目を選択（または除外）することができます。Einstein は自動的に関連性の高い項目を見つけ出しますが、ビジネス知識に基づいて特定の項目（例えば、個人情報などバイアスを生む可能性のある項目）を除外することも可能です。

構築プロセスには、データの量に応じて数分から数時間かかる場合があります。完了するとメールで通知が届きます。

4. スコアカードのレビュー (Review Scorecard)

予測モデルが完成すると、Scorecard (スコアカード) が生成されます。これは、構築されたモデルの品質を評価するための重要なレポートです。

  • 予測品質 (Prediction Quality): モデルの全体的な精度を示す指標です。
  • 上位の予測因子 (Top Predictors): どの項目が予測結果に最も大きな影響を与えているかを示します。「年間売上」や「リードソース」などが上位に来ることで、ビジネス上の洞察を得ることができます。
  • 詳細な指標: モデルのパフォーマンスに関するさらに詳細なメトリクスを確認できます。

スコアカードの結果が良好であれば、次のステップに進みます。もし品質が低い場合は、データセットを見直したり、含める項目を調整したりして、再度モデルを構築します。

5. 有効化と活用 (Enable and Use)

スコアカードの内容に問題がなければ、予測を有効化します。有効化すると、Einstein は指定したオブジェクトにカスタム項目を自動で作成し、予測セット内の各レコードに対して予測スコア（0から100の数値）を書き込みます。

このスコアは、以下のように様々な Salesforce 機能で活用できます。

  • リストビュー: 予測スコアの高い順にレコードを並べ替え、優先順位を付ける。
  • レポートとダッシュボード: スコアの分布を可視化し、全体の傾向を把握する。
  • Salesforce Flow や プロセスビルダー: スコアが特定のしきい値を超えたら、自動的にタスクを作成したり、担当者に通知を送信したりする。

サンプルコード

Einstein Prediction Builder は宣言的なツールであるため、Apex コードを直接記述することはありません。しかし、予測結果が書き込まれたカスタム項目を、SOQL (Salesforce Object Query Language) を使って抽出し、データを確認したり、別のシステム連携に利用したりする場面は考えられます。

以下は、商談オブジェクト (Opportunity) に「Opportunity_Win_Probability__c」という予測スコア項目が作成されたと仮定し、予測スコアが 80 以上の商談を抽出する SOQL クエリの例です。このクエリは、開発者コンソールや VS Code などで実行できます。 

// Salesforce Object Query Language (SOQL) to retrieve high-probability opportunities.
// This query selects records from the Opportunity object.

SELECT
    Id,                  // 商談のレコードIDを取得します。
    Name,                // 商談名を取得します。
    Amount,              // 商談の金額を取得します。
    CloseDate,           //完了予定日を取得します。
    StageName,           // 現在のフェーズを取得します。
    Opportunity_Win_Probability__c // Einsteinによって予測されたスコアが格納されているカスタム項目。
                                   // 実際の項目名は、予測を有効化した際に設定されたAPI参照名になります。
FROM
    Opportunity          // データを取得するオブジェクトとして商談を指定します。
WHERE
    IsClosed = FALSE     // まだクローズしていない（進行中の）商談に限定します。
AND
    Opportunity_Win_Probability__c >= 80 // 予測スコアが80以上のレコードのみを抽出します。
ORDER BY
    Opportunity_Win_Probability__c DESC    // 予測スコアが高い順に結果を並べ替えます。

⚠️ このコード内のカスタム項目名 Opportunity_Win_Probability__c は一例です。実際に Einstein Prediction Builder を有効化すると、指定した名前に基づいて項目が自動生成されるため、ご自身の環境の API 参照名に置き換えてください。

注意事項

Einstein Prediction Builder を利用するにあたり、管理者として留意すべき点がいくつかあります。

権限

予測を構築および管理するには、ユーザに「Einstein Builder」権限セットライセンスと、関連する権限を含む権限セットが必要です。また、予測対象オブジェクトやその項目への参照アクセス権も必要です。

データ要件と制限

  • レコード数: 予測の精度を確保するため、Einstein は十分な量のデータを必要とします。二項分類の場合、予測したい結果の各値（Yes/No）について、最低でも 400 件のレコードが必要です。
  • データ品質: 「Garbage In, Garbage Out（ゴミを入れれば、ゴミしか出てこない）」の原則が当てはまります。データの欠損値が多かったり、入力ミスが多かったりすると、予測の精度は著しく低下します。事前にデータのクレンジングを行うことが推奨されます。
  • ガバナ制限 (Governor Limits): 同時に有効にできる予測の数には上限があります（エディションにより異なります）。また、全レコードのスコアリングは定期的に実行されますが、リアルタイムではありません。この実行頻度もライセンスによって異なります。

モデルの解釈とバイアス

Scorecard は予測に影響を与えた上位の項目を表示しますが、AI モデルの内部ロジックは完全な「ブラックボックス」です。また、元となるデータにバイアス（例えば、特定の地域や性別に偏ったデータ）が含まれている場合、予測結果にもそのバイアスが反映される可能性があります。公平性を保つため、どのようなデータで学習させたかを常に意識することが重要です。

ライセンス

Einstein Prediction Builder は、Einstein Predictions ライセンスまたは特定の Salesforce エディション（Unlimited Edition など）に含まれる機能です。利用を開始する前に、自社の契約内容を確認する必要があります。

まとめとベストプラクティス

Einstein Prediction Builder は、私たち Salesforce 管理者にとって、コーディングの壁を越えて AI の力を活用できる非常に強力なツールです。データに基づいたインテリジェントなインサイトをビジネス部門に提供し、組織全体の生産性向上に大きく貢献できます。

ベストプラクティス

  1. 明確なビジネス課題から始める: 「何を予測すれば、ビジネスに最もインパクトがあるか？」という問いからスタートしましょう。技術的な興味だけでなく、具体的な課題解決に焦点を当てることが成功の鍵です。
  2. データの理解を深める: 予測を構築する前に、対象となるオブジェクトのデータモデル、項目の意味、そしてデータの品質を十分に理解しましょう。データ準備が、プロジェクトの成否の8割を占めると言っても過言ではありません。
  3. 小さく始めて、反復改善する: 最初から完璧なモデルを目指す必要はありません。まずは1つのシンプルな予測から始め、Scorecard をレビューし、データや設定を調整しながら、段階的にモデルを改善していきましょう。
  4. 予測をアクションに繋げる: 予測スコアを表示するだけでは意味がありません。Salesforce Flow を使って、「スコアが90を超えたリードは、自動的にシニア営業担当者に割り当てる」といった具体的なビジネスプロセスに組み込むことで、初めてその価値が最大化されます。
  5. 継続的な監視と評価: ビジネス環境やデータの傾向は常に変化します。構築した予測モデルのパフォーマンスを定期的に監視し、必要に応じて再構築（リトレーニング）することが重要です。

ぜひ Einstein Prediction Builder を活用して、データドリブンな Salesforce 運用の次なるステップへと進んでみてください。

コメント

コメントを投稿