Einstein Next Best Action: come funziona, limiti e il livello di decisioning
Come Strategy Builder classifica i consigli in Salesforce, dove il pattern si ferma, e come decidere nel warehouse e consegnare all'interno del CRM.
Jonas Weber·
#Next Best Action
#Salesforce
#Guide
Next best action in Salesforce è fornito tramite Einstein Next Best Action: un costruttore di strategie che valuta le raccomandazioni rispetto a un record e ne mostra le migliori a un agente o a un flusso. È ben costruito per quello che è, e i suoi limiti meritano di essere compresi prima di decidere se sia il motore decisionale o la superficie di erogazione.
Come funziona Einstein Next Best Action
Einstein Next Best Action valuta una serie di record di raccomandazione rispetto a un record cliente utilizzando una strategia costruita in Strategy Builder, quindi mostra le raccomandazioni meglio classificate a un agente o a un flow. La strategia carica, filtra, dirama e ordina; il componente rende il vincitore dove il lavoro ha luogo.
1Raccomandazioni. Record personalizzati che descrivono un'azione: un'offerta, una modifica del piano, un passaggio di servizio. Contengono un nome, una descrizione, un'immagine e un riferimento all'azione.
2Strategies. Costruiti in Strategy Builder, caricano un set di raccomandazioni, quindi lo filtrano, lo ramificano, lo migliorano e lo ordinano utilizzando i dati dei record, i flussi o una previsione Einstein.
3Surfaces. L'elenco classificato viene visualizzato nelle pagine Lightning, Experience Cloud, Service Console o in un flusso, dove un agente lo accetta o lo rifiuta e la risposta viene registrata.
Il risultato è una superficie di raccomandazione governata e verificabile che si trova esattamente dove il lavoro viene svolto. Per i momenti assistiti dall'agente, questa collocazione è davvero difficile da battere.
Dove finisce lo schema
Il ranking è basato sul punteggio, non sul valore incremental
Strategy Builder ordina su un campo numerico, di solito una propensione di Einstein o una priorità definita manualmente. La propensione classifica chi è probabile che dica di sì, il che sovra-pesa i clienti che si sarebbero convertiti senza alcuna offerta. Il punteggio che un team di ricavi desidera è il margine incremental atteso, e questo deve essere calcolato da qualche parte con accesso agli esiti trattati e di controllo.
Il set di candidate action ha la forma del CRM
Profondità comportamentale, eventi di streaming, telemetria di prodotto e cronologia completa delle transazioni di solito risiedono nel data warehouse, non nel record di contatto. Le azioni che non sono oggetti CRM, come una modifica di prezzo o un entitlement in-prodotto, sono anche difficili da esprimere come raccomandazioni.
Gli holdout non sono nativi
Accettazione e rifiuto vengono acquisiti, ma un gruppo di controllo randomizzato per decisione è qualcosa che devi costruire e mantenere tu stesso. Senza di esso, il tasso di accettazione diventa il KPI di fatto, e il tasso di accettazione non è lift.
Le strategie sfociano in una proliferazione di regole
I rami si accumulano. Dopo un anno, nessuno è sicuro di quale ramo si attivi per chi, e la logica di smistamento codifica una gerarchia di passate negoziazioni interne piuttosto che l'economia attuale.
Il modello che funziona: decidi all'esterno, consegna all'interno
Mantieni Salesforce come interfaccia e sistema di registrazione. Sposta il ranking a un livello decisionale che legge il data warehouse, calcola l'uplift per cliente per azione, applica i vincoli e scrive l'azione scelta nel sistema.
1Score in the warehouse. Calcola uplift e margine atteso per ogni azione idonea, incluso il non fare nulla, sull'intero set di feature comportamentali.
2Write the decision back. Invia l'azione vincente, il suo valore atteso e la sua provenienza a un campo sul contatto, account o caso, oppure emetti un evento di piattaforma.
3Let Strategy Builder present it. Le strategie poi filtrano in base all'idoneità e ordinano in base al valore calcolato esternamente, in modo che la logica del ramo rimanga snella e leggibile.
4Hold out and read back. Riserva una quota randomizzata di record idonei senza azione e unisci gli esiti di Salesforce al log delle decisioni per leggere il trattato meno l'holdout.
Einstein Next Best Action vs Agentforce
Einstein Next Best Action raccomanda: classifica i record di raccomandazione predefiniti e mostra i migliori a un umano che accetta o rifiuta. Agentforce agisce: esegue workflow agentici sull'infrastruttura Salesforce con le proprie istruzioni e strumenti. Nessuno dei due classifica in base al margine incrementale atteso e nessuno dei due riserva un holdout randomizzato per decisione, quindi se il KPI è il revenue incrementale il punteggio deve comunque provenire dall'esterno. Vedi il confronto fianco a fianco con Einstein e Agentforce.
Cosa conservare in Salesforce in ogni caso
Preferenze di consenso e comunicazione, workflow dell'agente, contesto del caso e il tracciamento di ciò che è stato offerto e accettato. Questi appartengono al CRM e non devono essere duplicati in uno strumento di decisioning.
Markin classifica le azioni rispetto al tuo data warehouse e scrive il vincitore in Salesforce come campo o evento. Vedi il Integrazione con Salesforce Service Cloud.
Domande frequenti
Domande che i lettori si pongono su questo.
Cos'è Einstein Next Best Action in Salesforce?
Einstein Next Best Action è la funzionalità di Salesforce che valuta i record di raccomandazione rispetto a un record cliente utilizzando Strategy Builder, quindi visualizza le raccomandazioni meglio classificate a un agente o a un flow sulle pagine Lightning, Experience Cloud o sulla Service Console.
Quali sono i limiti di Einstein Next Best Action?
Classifica in base a un punteggio numerico, solitamente una propensione o una priorità manuale, piuttosto che al margine incrementale atteso; il suo set di azioni candidate è modellato dal modello dati del CRM, quindi i segnali comportamentali profondi e le azioni non CRM sono difficili da includere; gli holdout randomizzati non sono nativi; e i rami della strategia tendono ad accumularsi in una proliferazione di regole.
Puoi usare un decision engine esterno con Salesforce?
Sì, ed è lo schema comune su larga scala. Un livello di decisioning esterno calcola l'uplift per cliente per azione rispetto ai dati del magazzino, applica i vincoli, quindi scrive l'azione scelta, il suo valore atteso e la sua provenienza in un campo Salesforce o in un evento di piattaforma. Strategy Builder quindi filtra in base all'idoneità e ordina in base a quel valore esterno.
Come si misura un Next Best Action in Salesforce?
Riserva una quota randomizzata di record idonei che non ricevono alcuna azione, quindi unisci gli esiti di Salesforce al log delle decisioni e leggi il trattato meno l'holdout sul margine o sul tasso di risparmio. Il solo tasso di accettazione non è uplift.
Come configuri Einstein Next Best Action?
Crea i record delle raccomandazioni per ogni azione idonea, costruisci una strategia in Strategy Builder che carichi, filtri, ramifichi e ordini quel set di raccomandazioni, quindi trascina il componente Einstein Next Best Action su una pagina di record Lightning, una pagina Experience Cloud o un flow. Le risposte vengono registrate in modo da poter segnalare accettazione e rifiuto.
Qual è la differenza tra Einstein Next Best Action e Agentforce?
Einstein Next Best Action raccomanda: classifica una serie di record di raccomandazione predefiniti e mostra i migliori a un umano, che accetta o rifiuta. Agentforce agisce: esegue workflow agentici sull'infrastruttura Salesforce con le proprie istruzioni e strumenti. Nessuno dei due classifica in base al margine incrementale atteso o riserva un holdout randomizzato per decisione, quindi entrambi necessitano di un uplift score esterno se il KPI è il revenue incrementale.
Gli stessi cicli descritti in questa nota vengono eseguiti 24 ore su 24, 7 giorni su 7, sulla tua base clienti. Osserva lo spazio di lavoro decidere, sperimentare ed eseguire 1:1.