CRM Analytics（Einstein Discovery）では、モデリングに GLM（Generalized Linear Model）、GBM（Gradient Boosting Machine）、XGBoost の 3 種類のアルゴリズムが利用可能です。GLM での予測精度が満足に達しない場合、より高性能なアンサンブル型アルゴリズムを試すのが効果的ですturn0search1。


---

✅ 正解：C. XGBoost


---

🌟 なぜ XGBoost が適しているのか？

XGBoost は多数の実世界データセットで 高い予測精度を示しており、多くの機械学習競技や業界用途でベンチマーク上位に位置しますturn0academia20turn0search5turn0search9。

GLM に比べ、非線形性や複雑な特徴の相互作用を捉える能力が高いため、予測パフォーマンスの向上につながりやすいです。

サポートベクターマシン（SVM）や K 近傍法（KNN）は、次のようなデメリットがあります：

SVM：高次元または大規模データに対するスケーラビリティが問題になりやすく、XGBoost より精度が劣ることもありますturn0search8turn0search6。

KNN：インスタンスベースで非効率的、大量データでは予測が遅くなりがちで、最適化も難しい傾向がありますturn0academia22turn0search6。




---

📊 比較表

アルゴリズム 特長

GLM シンプル、解釈性は高いが非線形性対応が弱く限界がある
SVM 小規模／中規模データで有効だがスケーラビリティに制限
KNN 実装は単純だが、大量データや高次元空間での効率性が低い
XGBoost 非線形・相互作用を捉えやすく、最高水準の精度を誇るアンサンブルモデル



---

✅ 結論

GLM で期待した精度が得られなかった場合、XGBoost を用いたモデルに切り替えることが最適です。Salesforce Einstein Discovery でもサポートされているため、CRM Analytics の文脈で再実行する対応として非常に適切で効果的な選択です。