背景と応用シナリオ
Salesforce管理者として、私たちは常にビジネスプロセスの最適化とユーザーの生産性向上を目指しています。日々の業務では、営業チームが「どの商談が最も成約しやすいか？」、サービスチームが「どのお客様が解約するリスクが高いか？」といった、将来の結果に関する問いに直面します。従来、これらの問いに答えるには、データサイエンティストによる複雑な分析や、開発者によるカスタムコードの実装が必要でした。
しかし、Einstein Prediction Builder（アインシュタイン予測ビルダー）の登場により、その常識は変わりました。Einstein Prediction Builderは、Salesforceプラットフォームにネイティブに組み込まれた、コーディング不要のAIツールです。これにより、Salesforce管理者は、クリック操作だけで自社のビジネスに特化したカスタム予測モデルを構築し、あらゆる標準オブジェクトまたはカスタムオブジェクトのレコードに対して将来の結果を予測できるようになります。
このツールの強力な点は、その手軽さと応用範囲の広さにあります。例えば、以下のような具体的なビジネスシナリオで活用できます。
営業部門での活用例
- 商談の成約予測: 過去の成功・失敗データを基に、進行中の各商談が成約する確率（0〜100のスコア）を予測します。営業担当者はスコアの高い商談に集中でき、マネージャーはより正確な売上予測を立てられます。
- リードの転換予測: 新規リードが商談に転換する可能性を予測します。マーケティングチームは質の高いリードの特性を理解し、セールスチームは有望なリードからアプローチできます。
サービス部門での活用例
- 顧客離反（チャーン）予測: カスタマーサポートのケース履歴、製品利用状況、契約情報などを基に、顧客が契約を更新しない、またはサービスを解約するリスクを予測します。リスクの高い顧客を特定し、プロアクティブなフォローアップを行うことで、顧客維持率を向上させます。
- 請求の支払い遅延予測: 過去の請求データと顧客情報を分析し、特定の請求が期日通りに支払われるかどうかを予測します。経理部門は遅延の可能性が高い請求に対して、事前にリマインダーを送るなどの対策を講じることができます。
このように、Einstein Prediction BuilderはSalesforce管理者のツールキットに強力な「未来予測」という新たな武器を加えてくれます。専門的な知識がなくても、組織が保有するデータを最大限に活用し、データに基づいた意思決定を推進することが可能になるのです。
原理説明
Einstein Prediction Builderが魔法のように未来を予測する背景には、機械学習の技術があります。しかし、管理者としてその複雑なアルゴリズムを完全に理解する必要はありません。重要なのは、どのようなプロセスで予測が構築されるのか、その概要を掴んでおくことです。プロセスは大きく分けて4つのステップで構成されます。
1. 予測目標の定義 (Define the Goal)
最初に、「何を予測したいのか？」を明確に定義します。これは、Salesforceオブジェクト内の特定の項目値を予測することを意味します。予測の種類は主に2つあります。
- 二項予測 (Binary Prediction): 結果が「はい/いいえ」や「成功/失敗」のように2つのカテゴリに分類されるものを予測します。例えば、商談オブジェクトのチェックボックス項目「不成立」がチェックされるかどうか、などです。
- 数値予測 (Numerical Prediction): 特定の数値を予測します。例えば、商談オブジェクトのカスタム数値項目「年間契約額 (ACV)」が最終的にいくらになるか、といった予測です。
このステップでは、予測したいオブジェクトと項目を選択し、予測の質問を具体化します。
2. 学習データセットの準備 (Prepare the Training Set)
次に、Einsteinが学習するためのデータセットを定義します。これは、過去の実績データです。例えば、「商談の成約」を予測する場合、既にクローズした（成立または不成立が確定した）過去の商談レコードすべてが学習データセット (Training Set) となります。Einsteinはこのデータセット内の各レコードを分析し、「どのような特徴を持つ商談が成立し、どのような特徴を持つ商談が不成立になったのか」というパターンを学習します。
ここで重要なのは、データの質と量です。予測精度を高めるためには、十分な量（最低でも400レコード、うち肯定的な結果と否定的な結果がそれぞれ100以上が推奨）があり、かつ情報が正確で一貫性のあるデータが必要です。
3. 予測モデルの構築と評価 (Build and Review the Model)
データセットを定義したら、「構築」ボタンをクリックするだけです。すると、Einsteinはバックグラウンドで自動的に学習データセットを分析し、最適な予測モデルを構築します。このプロセスでは、どの項目（商談のソース、リードの評価、活動履歴の数など）が予測結果に最も強く影響しているか（これを予測因子 - Predictors と呼びます）を特定します。
モデルの構築が完了すると、スコアカード (Scorecard) と呼ばれる評価レポートが生成されます。スコアカードには、モデルの全体的な品質、最も影響力のあった予測因子、その他の詳細なメトリクスが表示されます。管理者として、このスコアカードを確認し、予測モデルがビジネスロジックに合っているか、十分に信頼できる品質かを判断します。
4. 予測の有効化とスコアリング (Enable and Score)
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は学習したモデルを使って、まだ結果が出ていない新しいレコードや更新されたレコード（例えば、進行中の商談）に対して予測スコアを付け始めます。このスコアは、指定したカスタム項目に自動的に保存されます。例えば、「成約確率スコア」というカスタム項目を作成し、そこに0から100までの数値を格納します。これにより、ユーザーはリストビューやレポート、レコード詳細ページで各レコードの予測結果を簡単に確認できるようになります。
設定手順のウォークスルー
Einstein Prediction Builderはコーディングを一切必要としません。ここでは、管理者として「進行中の商談が成立するかどうか」を予測するモデルを構築する手順を、ステップバイステップで解説します。
ステップ1: 事前準備
設定を始める前に、必要な権限（「Einstein Builder」権限セット）が自分に割り当てられていること、そして予測対象のオブジェクト（今回は商談）に十分な量の過去データ（最低400件のクローズ済み商談）が存在することを確認します。
ステップ2: Einstein Prediction Builderの起動
[設定] から、[クイック検索] ボックスに「Einstein Prediction Builder」と入力し、選択します。
ステップ3: 新規予測の作成
「新規予測」ボタンをクリックします。ガイド付き設定フローが開始されます。
ステップ4: 予測の命名とオブジェクトの選択
- 予測名: 「商談の成約予測」など、分かりやすい名前を付けます。
- オブジェクト: 予測したいオブジェクトとして「商談」を選択します。
ステップ5: 予測項目の定義
「何を予測しますか？」という質問に対し、[はい/いいえの質問に答える] を選択します。
- 予測する項目: 「成立 (IsWon)」を選択します。
- データセットの定義: Einsteinが学習するためのデータセットを定義します。
- 例のセット (肯定的および否定的): ここでは、すでに結果が分かっているレコードを指定します。[すべての商談レコードを使用] を選択し、条件として [フェーズ] [次の文字列と一致する] [Closed Won, Closed Lost] を設定します。これにより、クローズ済みの商談のみが学習データとして使用されます。
- 肯定的の定義 (「はい」の例): [成立] [次の文字列と一致する] [True] を設定します。
ステップ6: スコアリング対象の定義
次に、どのレコードに予測スコアを付けたいかを定義します。今回は進行中の商談を対象とします。
- スコアリングするレコード: [条件を満たすレコードをスコアリング] を選択し、条件として [成立] [次の文字列と一致する] [False] を設定します。これにより、まだクローズしていない商談のみがスコアリングの対象となります。
ステップ7: スコアを保存する項目の作成
予測スコア（0〜100）を保存するためのカスタム項目を作成します。
- 項目表示ラベル: 「成約予測スコア」
- 項目名: OpportunityPredictionScore
システムが自動的に適切なデータ型（数値）で項目を作成してくれます。
ステップ8: 含める項目の選択と構築
予測モデルに含める項目を選択します。デフォルトでは関連性の高い項目が自動で選択されていますが、ビジネス知識に基づいて不要な項目（レコードIDなど）を除外したり、追加したりできます。選択が完了したら、「構築」をクリックします。
ステップ9: スコアカードの確認
モデルの構築には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。構築が完了したら、Einstein Prediction Builderの画面に戻り、作成した予測の横にあるドロップダウンから「スコアカードを表示」を選択します。
スコアカードで「予測の品質」や「上位の予測因子」を確認し、モデルが期待通りに機能しているか評価します。
ステップ10: 予測の有効化
スコアカードの内容に問題がなければ、「有効化」ボタンをクリックします。これで設定は完了です。以降、Salesforceは定期的に進行中の商談をスコアリングし、「成約予測スコア」項目を更新していきます。
注意事項
Einstein Prediction Builderを効果的に活用するためには、いくつかの注意点を理解しておくことが重要です。
権限
予測モデルを構築および管理するには、ユーザーに「Einstein Builder」権限セットが必要です。また、予測結果を表示するユーザーには、スコアが保存されるカスタム項目への参照アクセス権が必要です。
データ要件と品質
予測の精度は元となるデータに大きく依存します。「Garbage In, Garbage Out（ゴミを入れればゴミしか出てこない）」の原則がここでも当てはまります。
- データ量: 二項予測の場合、学習データセットに最低でも400レコードが必要です。さらに、肯定的な結果（例: 成立した商談）と否定的な結果（例: 不成立の商談）がそれぞれ最低100レコード含まれていることが推奨されます。データが不均衡な場合、モデルの精度が低下する可能性があります。
- データ品質: 欠損値が少なく、一貫性があり、正確なデータを用意することが不可欠です。予測を構築する前に、Salesforceのレポートやダッシュボードを使ってデータのクレンジングを行うことをお勧めします。
APIと制限
Einstein Prediction Builderには、組織ごとにいくつかの利用制限があります。
- 有効な予測の数: 組織で同時に有効にできる予測モデルの数には上限があります（エディションによって異なります）。
- スコアリングの頻度: レコードのスコアリングはリアルタイムではなく、定期的にバッチ処理で実行されます。そのため、レコードが作成・更新されてからスコアが反映されるまでには、多少のタイムラグが生じます。
- 予測できない項目: 暗号化された項目や一部の数式項目など、予測の対象として使用できない項目タイプがあります。
ライセンス
Einstein Prediction Builderの利用には、通常Einstein Predictionsライセンスが必要です。これは多くのSalesforceエディションでアドオンとして提供されています。導入を検討する際は、自社の契約内容を確認し、必要に応じて営業担当者に相談してください。
まとめとベストプラクティス
Einstein Prediction Builderは、Salesforce管理者がAIの力を解き放ち、ビジネスに直接的な価値をもたらすための画期的なツールです。コーディング不要でカスタム予測モデルを構築できるため、これまで専門家でなければ不可能だった高度なデータ活用を、管理者自身の手で実現できます。
最後に、Einstein Prediction Builderを最大限に活用するためのベストプラクティスをいくつか紹介します。
1. 明確なビジネス上の問いから始める
「何か予測できそうだから」という理由で始めるのではなく、「どのビジネス課題を解決したいか？」という具体的な問いからスタートしましょう。「顧客の解約率を5%改善したい」「営業チームの成約率を10%向上させたい」といった明確な目標が、価値のある予測モデル構築に繋がります。
2. データを深く理解する
モデルを構築する前に、対象となるオブジェクトのデータを深く掘り下げてください。レポートを作成して、項目ごとの入力率、データのばらつき、外れ値の有無などを確認します。どの項目が結果に影響を与えそうか、ビジネスの観点から仮説を立てておくことも重要です。
3. 反復的に改善する
最初の予測モデルが完璧であることは稀です。スコアカードの結果を注意深く分析し、予測因子の内容を吟味してください。モデルのパフォーマンスが低い場合は、学習データセットに含める項目を変更したり、不要なレコードを除外したりして、モデルを再構築してみましょう。予測は一度作って終わりではなく、継続的に改善していくプロセスです。
4. 予測をアクションに繋げる
予測スコアは、それ自体が価値を生むわけではありません。そのスコアに基づいてユーザーが具体的なアクションを起こして初めて、ビジネス価値が生まれます。予測スコアをFlowやプロセスビルダーのトリガーとして活用しましょう。例えば、以下のような自動化が考えられます。
- 成約予測スコアが80を超えた商談があれば、マネージャーにSlackで通知する。
- 顧客の解約リスクスコアが急上昇した場合、担当者にフォローアップのToDoタスクを自動で作成する。
- リードの転換スコアに基づいて、インサイドセールスとフィールドセールスにリードを自動で割り振る。
これらのベストプラクティスを実践することで、Salesforce管理者はEinstein Prediction Builderを単なる分析ツールとしてではなく、ビジネス成果を直接的に向上させるための戦略的ツールとして活用することができるでしょう。
コメント
コメントを投稿