Einstein Prediction Builder を徹底解説：Salesforceデータでビジネスを加速するノーコードAI予測

概要とビジネスシーン

Einstein Prediction Builder（アインシュタイン・プレディクション・ビルダー）は、SalesforceのCRMデータから将来の出来事を予測するカスタムAIモデルを、コードを一切書かずに構築できる強力なツールです。ビジネスユーザーはデータサイエンティストの専門知識なしに、インサイトをアクションに変換し、売上向上、顧客維持、業務効率化などのビジネス目標達成を支援できます。

実際のビジネスシーン

シーンA - 小売業界：顧客の再購入予測

ビジネス課題：顧客の行動パターンに基づいたパーソナライズされたプロモーション提供が困難。
ソリューション：Einstein Prediction Builderで過去の購入履歴やWeb閲覧行動から再購入確率を予測。高確率顧客に限定クーポンを自動提供するフローを実装。
定量的効果：パーソナライズされたプロモーションのコンバージョン率15%向上、売上5%増加。

シーンB - サービス業界：顧客の解約予測

ビジネス課題：解約の兆候を見逃し、手遅れになってからの対応による顧客維持の課題。
ソリューション：Einstein Prediction Builderで顧客の利用頻度、サポート履歴などから解約リスクを予測。高リスク顧客にはカスタマーサクセスマネージャーが早期介入。
定量的効果：月間解約率10%削減、顧客生涯価値（CLTV）向上。

シーンC - 製造業界：機器の故障予測

ビジネス課題：突発的な機器故障による顧客のダウンタイム発生と緊急修理コスト。
ソリューション：Einstein Prediction Builderで機器のセンサーデータと過去故障履歴から故障時期を予測。計画的なメンテナンススケジュールを自動生成。
定量的効果：突発的な機器故障が20%減少し、サービス運用コストが12%削減。

技術原理とアーキテクチャ

Einstein Prediction Builder は、Salesforce 内の標準オブジェクトやカスタムオブジェクトに保存されたデータを活用し、予測モデルを自動的に構築・デプロイします。ユーザーは予測したい結果（バイナリ予測：はい/いいえ、または数値予測：0-100%など）と、その予測に影響を与えそうな関連フィールドを選択するだけで、裏側でEinstein Discovery（アインシュタイン・ディスカバリー）の基盤がモデル学習と評価を行います。

主要コンポーネントとしては、Salesforceオブジェクトデータ、Prediction Definition（予測定義）、そして生成されるPrediction Field（予測フィールド）が挙げられます。Prediction Definitionは、どのオブジェクトのどのフィールドを予測するか、どのフィールドを特徴量として利用するか、どのレコードを学習データとして使用するかといったモデルの構成を定義します。モデルのトレーニングが完了すると、定義されたオブジェクトにPrediction Fieldとしてカスタムフィールドが作成され、各レコードの予測スコアが自動的に入力されます。

データフロー

ステップ	説明	コンポーネント
1. データ準備	Salesforce標準/カスタムオブジェクトに予測に必要なデータを蓄積	Salesforce オブジェクト
2. 予測定義	予測したい項目、予測に使う関連フィールド、学習対象レコードをUIで定義	Einstein Prediction Builder
3. モデル学習	定義に基づき、Einstein DiscoveryのAI基盤が自動でモデルを構築・学習	Einstein Discovery (バックエンドAIエンジン)
4. 予測フィールド生成	学習完了後、予測結果を格納するカスタムフィールドが対象オブジェクトに生成	Prediction Field (カスタムフィールド)
5. 予測スコア生成	新旧のレコードに対して、自動的に予測スコアが算出され、Prediction Fieldに書き込まれる	Einstein Prediction Service
6. 活用	予測スコアをレポート、ダッシュボード、フロー、Apexで利用	Salesforce UI, Flow, Apex

ソリューション比較と選定

Einstein Prediction Builder は、Salesforce プラットフォーム上での予測分析を可能にする強力なツールですが、すべてのユースケースに最適とは限りません。他の関連ソリューションとの比較を通じて、最適な選択肢を検討しましょう。

ソリューション	適用シーン	パフォーマンス	Governor Limits	複雑度
Einstein Prediction Builder	Salesforce内データを使ったノーコード予測。特定のフィールドの予測値を既存オブジェクトに書き込みたい場合。	良好（大規模データにも対応）	独自の制限（後述）	低（UIベース、コード不要）
Einstein Discovery	より深い洞察、データ探索、ストーリー生成、最適化。複雑なビジネス課題の根本原因特定やWhat-If分析。	非常に良好（大規模データ、複雑なモデル）	独自の制限（データセットサイズなど）	中～高（データ準備、分析スキルが必要）
カスタムApex / 外部AIサービス連携	Salesforce以外の外部データソースや、特定の高度な機械学習モデル（例: ディープラーニング）を利用したい場合。	システム構成による	Salesforce Apexの制限	高（開発、インテグレーションスキル必須）

Einstein Prediction Builder を使用すべき場合：

✅ コードを書かずに、Salesforce内の既存データのみで迅速に予測モデルを構築し、結果を既存レコードに表示したい場合。
✅ 「はい/いいえ」や「数値」といった明確な単一の結果を予測したい場合（例: 顧客が解約するかどうか、商談の成約確率）。
✅ 予測結果をSalesforceのレポート、ダッシュボード、フロー、Apexトリガーで直接活用したい場合。

不適用シーン：

❌ Salesforce外のデータソースを主に使用して予測を行いたい場合。
❌ 予測の「なぜ？」を深く掘り下げ、根本原因の特定や改善策の推奨を求めたい場合（この場合はEinstein Discoveryが適しています）。

実装例

Einstein Prediction Builder は、ユーザーインターフェースを通じて予測モデルを定義・構築するノーコードツールです。そのため、Prediction Builder自体が生成するApexコードやAPIは存在しません。しかし、Prediction Builder が対象オブジェクトに生成する予測スコア用のカスタムフィールドは、Salesforceの標準的な自動化機能（フロー、Apexトリガーなど）で利用できます。ここでは、Prediction Builderによって生成された予測フィールド（例: Churn_Probability__c）が更新された際に、特定の条件に基づいてアクションを起こすApexトリガーの例を示します。

この例では、Accountオブジェクトに「解約確率」を示すカスタム予測フィールド Churn_Probability__c が Prediction Builder によって追加されていると仮定します。このフィールドが更新され、かつ解約確率が特定の閾値（例: 70%）を超えた場合に、自動的に「高リスクアカウント」としてフラグを立て、担当者にタスクを作成するApexトリガーを実装します。

// AccountTrigger.apxt
trigger AccountTrigger on Account (after update) {
    // 変更されたAccountレコードをループ処理
    for (Account acc : Trigger.new) {
        // 更新前のレコードを取得し、変更があるか確認
        Account oldAcc = Trigger.oldMap.get(acc.Id);

        // Churn_Probability__c フィールドが更新されたかを確認
        // 🚨 注意: Churn_Probability__c は Prediction Builder が生成するカスタムフィールド名です。
        // 実際の環境に合わせてフィールド名を調整してください。
        if (acc.Churn_Probability__c != null && acc.Churn_Probability__c != oldAcc.Churn_Probability__c) {
            // 解約確率が70%を超えた場合
            if (acc.Churn_Probability__c >= 70) {
                // アカウントのRisk Levelフィールドを更新（カスタムフィールド）
                acc.Risk_Level__c = 'High Risk'; 
                
                // タスクを作成し、アカウントオーナーに割り当てる
                Task newTask = new Task(
                    Subject = '高解約リスクアカウントの確認: ' + acc.Name,
                    WhatId = acc.Id,
                    OwnerId = acc.OwnerId,
                    ActivityDate = Date.today().addDays(3), // 3日後を期限とする
                    Status = 'Not Started',
                    Priority = 'High'
                );
                
                // タスクを挿入
                try {
                    insert newTask;
                } catch (DmlException e) {
                    // エラー処理（例: System.debugでログ出力）
                    System.debug('Error creating task for account ' + acc.Id + ': ' + e.getMessage());
                }
            } else if (acc.Churn_Probability__c < 70 && oldAcc.Churn_Probability__c >= 70) {
                // リスクレベルが低下した場合の処理（オプション）
                acc.Risk_Level__c = 'Low Risk';
            }
        }
    }
}

// ⚠️ 公式ドキュメントの確認が必要：上記コードはPrediction Builderで生成されたカスタムフィールドを活用する一般的なApexトリガーの例であり、
// Prediction Builder自体が生成するコードではありません。特定のAPI呼び出しを伴わないため、
// SalesforceのApexトリガーに関する一般的なベストプラクティスに基づいています。
// Churn_Probability__c および Risk_Level__c はPrediction Builderが生成するフィールド、
// あるいはその結果に基づいて設定するカスタムフィールドとして、ご自身のSalesforce環境で作成する必要があります。

Prediction Builderが生成する予測スコアをSalesforceの自動化機能と組み合わせることで、AIによるインサイトを具体的なビジネスアクションに変換できます。

注意事項とベストプラクティス

Einstein Prediction Builder を効果的に活用するためには、いくつかの重要な考慮事項とベストプラクティスを理解しておく必要があります。

権限要件

"Manage Einstein Prediction Builder" パーミッション：Prediction Builderの定義、モデルのトレーニング、デプロイを行うために必要です。
"View Einstein Predictions" パーミッション：生成された予測スコアを表示するために必要です。
オブジェクトとフィールドのアクセス権：学習データとして使用するオブジェクトやフィールドに対する読み取りアクセス権が必要です。

Governor Limits

Prediction Builder は Salesforce のクラウドインフラストラクチャ上で動作するため、いくつかの制限が適用されます（2025年最新版として想定）。

アクティブな予測モデル数：組織あたり最大 10 個のアクティブな予測モデルを展開できます。
予測フィールド数：1つの予測につき、最大 10 個の予測フィールドを生成できます。
予測レコード更新回数：1日あたり最大 2,000,000 個の予測レコードが更新されます（組織全体）。
学習データセットサイズ：最低400レコードが必要で、上限は1,000万レコード（バイナリ予測）または4,000万レコード（数値予測）です。

エラー処理とパフォーマンス最適化

トレーニング失敗時の確認：データ品質（欠損値、外れ値）、データ量不足、予測したい結果と特徴量との関連性の低さが主な原因です。Prediction Builderの設定ページでログを確認し、データクレンジングや予測定義を見直しましょう。
データ品質の維持：欠損値の補完、外れ値の処理、重複データの排除など、学習データの品質を高く保つことがモデルのパフォーマンスに直結します。
適切なデータセットと特徴量：予測に関連性のないレコードを除外し、予測したい結果と強く相関するフィールドを選定することで、モデル精度が向上します。
自動学習の活用：データが定期的に変化する場合は、モデルを自動的に再学習するスケジュールを設定し、予測の鮮度と精度を維持しましょう。

よくある質問 FAQ

Q1：Einstein Prediction Builder と Einstein Discovery の違いは何ですか？

A1：Prediction Builder は、コード不要でSalesforce内の既存データから特定のフィールドの予測値を生成することに特化しています。一方、Einstein Discovery はより高度なデータ探索、ストーリー生成、根本原因の分析、ビジネス推奨の提示までを行う包括的な分析プラットフォームです。

Q2：予測モデルが思ったような精度にならない場合、どうすればデバッグできますか？

A2：まず、Prediction Builderの「予測の詳細」ページでモデルのパフォーマンス指標（精度、ROC AUCなど）を確認してください。精度が低い場合、学習データの量と質、特徴量フィールドの適切性、フィルター条件、ターゲットフィールドの分布を見直し、モデルを再学習させます。

Q3：Prediction Builder で生成された予測結果のパフォーマンスを継続的に監視するにはどうすればよいですか？

A3：Prediction Builder の「予測の詳細」ページで、モデルのパフォーマンス指標（Accuracy, ROC AUC, F1 Score など）を定期的に確認できます。さらに、Prediction Builder が生成する予測スコアフィールドを使用して、Salesforce の標準レポートやダッシュボードを作成し、時間の経過に伴う予測スコアの分布や、実際のビジネス成果との比較を監視することが推奨されます。

まとめと参考資料

Einstein Prediction Builder は、Salesforce コンサルタントとしてお客様に提案する際、非常に強力な差別化要因となるツールです。コード不要でSalesforceデータからビジネス価値を生み出す予測モデルを構築できるため、お客様は迅速にAIの恩恵を受け、データに基づいた意思決定を促進できます。

ノーコードAI：プログラミングスキルなしで、Salesforceデータからカスタム予測モデルを構築。
Salesforceデータ統合：既存のCRMデータを直接利用し、予測結果もSalesforceレコードに自動書き込み。
ビジネスプロセスの自動化：予測スコアをトリガーとして、フローやApexを通じて具体的なビジネスアクションを自動化。

公式リソース：

📖 公式ドキュメント：Einstein Prediction Builder の概要
- https://help.salesforce.com/s/articleView?id=sf.einstein_prediction_builder_overview.htm&type=5
- https://help.salesforce.com/s/articleView?id=sf.einstein_prediction_builder_train_model.htm&type=5
🎓 Trailhead モジュール：Einstein Prediction Builder の基礎
- https://trailhead.salesforce.com/content/learn/modules/prediction-builder
🔧 関連 GitHub サンプル：(Prediction Builder 自体はUIベースのツールであり、直接的な GitHub サンプルは稀です。Prediction Builderによって生成された予測フィールドをApexやFlowで活用する一般的なサンプルは、Salesforce開発のGitHubリポジトリで多く見られます。)

にゃんこのSalesforce日記

このブログを検索