Aide de Tableau Prep

Pris en charge dans Tableau Prep Builder à partir de la version 2021.1.3 et sur le Wab dans Tableau Cloud et Tableau Server à partir de la version 2021.2.0.

Utilisez des modèles optimisés par Einstein Discovery pour exécuter des tâches de score en masse d’une prédiction pour les données de votre flux. Les prédictions peuvent vous aider à prendre des décisions plus informées et à appliquer des mesures pour améliorer les résultats de votre entreprise.

Lors de l’application de ces modèles, un nouveau champ pour les résultats prédits (sous forme de scores de probabilité ou de moyennes estimées) est automatiquement ajouté à votre flux. Vous pouvez également ajouter les champs des principaux prédicteurs et des améliorations principales à vos données de flux en sélectionnant ces options lors de l’application de votre modèle. Les principaux prédicteurs indiquent les facteurs qui ont le plus contribué à la prédiction. Les améliorations principales suggèrent des mesures à prendre pour améliorer les résultats prédits.

Par exemple, pour prédire la rétention du personnel, vous pouvez créer un modèle à l’aide de données historiques (où vous connaissez déjà le résultat) dans Einstein Discovery, puis appliquer ce modèle à l’ensemble de données de votre flux puis générer les résultats prédits. Les résultats de prédiction sont appliqués au niveau des lignes, ce qui vous aide à approfondir votre analyse dans Tableau.

Si vous devez appliquer plusieurs modèles à votre ensemble de données, vous pouvez inclure plusieurs étapes de prédiction dans votre flux. Chaque étape de prédiction applique un modèle de prédiction unique au flux. Depuis la version 2021.2, vous pouvez vous connecter à plusieurs serveurs Einstein Discovery en un seul flux pour choisir les modèles dont vous avez besoin. Les versions antérieures vous limitent à un seul serveur Einstein Discovery par flux.

Remarque : vous devez avoir une licence Salesforce et un compte utilisateur configuré pour accéder à Einstein Discovery et utiliser cette fonctionnalité. Consultez Conditions préalables pour obtenir plus d’informations.

Qu’est-ce qu’Einstein Discovery ?

Einstein Discovery augmente votre BI avec la modélisation statistique et le machine learning supervisé pour identifier, faire apparaître et visualiser les informations exploitables de vos données métier. Il passe rapidement au crible des millions de lignes de données pour identifier des corrélations importantes, prédire les résultats et suggérer des moyens d’améliorer ces résultats prédits.

Pour plus d’informations sur Einstein Discovery, consultez Premiers pas avec Einstein Discovery(Le lien s’ouvre dans une nouvelle fenêtre) et Explication, prédiction et action avec Einstein Discovery(Le lien s’ouvre dans une nouvelle fenêtre) dans l’aide de Salesforce. Vous pouvez également élargir vos connaissances avec le parcours Recueil de connaissances avec Einstein Discovery(Le lien s’ouvre dans une nouvelle fenêtre) dans Trailhead(Le lien s’ouvre dans une nouvelle fenêtre).

Remarque : Einstein Discovery dans Tableau est optimisé par salesforce.com(Le lien s’ouvre dans une nouvelle fenêtre). Consultez les conditions applicables dans votre contrat avec salesforce.com(Le lien s’ouvre dans une nouvelle fenêtre).

Conditions préalables

Pour configurer et utiliser les prédictions Einstein Discovery dans votre flux, vous avez besoin de licences, d’accès et d’autorisations spécifiques dans Salesforce et Tableau.

Ajouter des données de prédiction à votre flux

Remarque : dans les versions 2021.1.4 et antérieures, les flux qui incluent des étapes de prédiction ne peuvent être exécutés manuellement que dans Tableau Prep Builder.

Pour appliquer les prédictions Einstein Discovery à votre flux, vous aurez besoin des éléments suivants :

• Accès à une org Salesforce.
• Accès à Tableau Prep Builder 2021.1.3 ou ultérieur.
• Si vous créez ou exécutez des flux sur le Web, accédez à Tableau Cloud ou Tableau Server version 2021.2 ou ultérieure qui a été activé pour les prédictions Einstein Discovery.
• Modèles de prédiction Einstein Discovery qui sont déployés dans Salesforce.
• Données source dans Tableau Prep avec des champs correspondant aux champs de modèles requis par le modèle de prédiction Einstein Discovery.

1. Ouvrez Tableau Prep et connectez-vous à une source de données.

2. Appliquez des opérations de nettoyage au besoin.

3. Cliquez sur l’icône plus et sélectionnez Prédiction dans le menu Ajouter.

   

4. Dans le volet Prédiction de l’onglet Paramètres, effectuez l’une des opérations suivantes, selon votre version :

   • Version 2021.2 et versions ultérieures : dans la liste déroulante Connexion, connectez-vous à votre serveur Salesforce ou sélectionnez votre serveur Salesforce dans la liste si une connexion est déjà établie.

     

   • Version 2021.1.4 et versions antérieures : cliquez sur Connexion à Einstein Discovery.

     

   Lorsque vous vous connectez pour la première fois, une page Web s’ouvre, vous demandant de vous connecter à votre compte Salesforce à l’aide de vos informations d’identification Salesforce. Une fois que vous vous êtes connecté, une page Web s’ouvre pour demander si vous souhaitez autoriser Tableau à accéder à vos données Salesforce. Cliquez sur Autoriser pour continuer, puis fermez l’onglet résultant dans votre navigateur.

5. Cliquez sur Sélectionner une définition de prédiction. La liste des modèles déployés auxquels vous avez accès s’ouvre. Les modèles sont créés et déployés dans Salesforce à l’aide d’Einstein Discovery. Pour plus d’informations sur les modèles prédictifs, consultez À propos des modèles(Le lien s’ouvre dans une nouvelle fenêtre) dans l’aide de Salesforce.

   

6. Dans le dialogue Définitions de prédiction, sélectionnez la définition de prédiction qui correspond à votre ensemble de données. Pour générer des résultats prédits à l’aide de vos données de flux, tous les champs du modèle doivent être mappés à un champ de flux correspondant.

   

7. Dans la section Options, sélectionnez les principaux prédicteurs et améliorations (jusqu’à 3) à inclure dans vos données de flux. Il s’agit de données supplémentaires que vous pouvez ajouter à votre flux.

   • Les prédicteurs principaux indiquent quels facteurs ont le plus contribué au résultat prévu.

   • Les améliorations les plus importantes suggèrent des mesures à prendre pour améliorer les résultats prédits.

   

8. Dans la section Mapper les champs, mappez vos champs de flux à vos champs de modèles.

   • Tous les champs de modèle doivent être mappés à un champ de flux correspondant.

   • Les noms de champ qui correspondent exactement sont automatiquement mappés.

   • Vous ne pouvez pas mapper le même champ de flux à plusieurs champs de modèle.

   • Les types de données des champ de modèle et de flux doivent correspondre.

     Si votre champ de flux est affecté à un type de données différent, vous devrez le modifier pour qu’il corresponde au type de données attribué au champ de modèle.

     Pour modifier le type de données, dans la section Mapper les champs, cliquez simplement sur le type de données du champ de flux, puis sélectionnez le nouveau type de données dans le menu. Vous pouvez ensuite remodifier le type de données dans une étape de nettoyage ultérieure.

     Pour plus d’informations sur la modification des types de données, consultez Vérifier les types de données affectés à vos données(Le lien s’ouvre dans une nouvelle fenêtre).

   

9. Pour appliquer vos paramètres et exécuter le modèle sur vos données, cliquez sur Appliquer. Les résultats de la prédiction s’affichent dans le volet Profil et la grille de données.

   Si vous modifiez des paramètres, vous pouvez cliquer à nouveau sur Appliquer pour réexécuter le modèle avec vos modifications. Si vous quittez l’étape Prédiction avant de cliquer surAppliquer, le modèle ne s’exécute pas et vos modifications sont perdues.

   

Vérification de vos résultats

Après avoir appliqué le modèle prédictif à vos données de flux, vous pouvez générer votre sortie de flux et utiliser la nouvelle source de données pour analyser les résultats prédits au niveau des lignes dans Tableau. Pour comprendre les résultats du modèle de prédiction, prenons un exemple.

Dans cette rubrique, nous avons appliqué le modèle de prédiction de rétention du personnel à nos données d’employés dans Tableau Prep pour obtenir un score de probabilité qu’un employé restera avec l’entreprise.

Nous avons obtenu les résultats suivants :

Examinons ce que ces résultats nous disent pour l’employé 2 :