論文の概要: A Generalized Flow for B2B Sales Predictive Modeling: An Azure Machine
Learning Approach
- arxiv url: http://arxiv.org/abs/2002.01441v2
- Date: Fri, 3 Jul 2020 01:00:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 02:42:51.161580
- Title: A Generalized Flow for B2B Sales Predictive Modeling: An Azure Machine
Learning Approach
- Title(参考訳): b2b販売予測モデリングのための一般化フロー:azure machine learningアプローチ
- Authors: Alireza Rezazadeh
- Abstract要約: ビジネス・トゥ・ビジネス(B2B)の売上の予測はビジネス・マネジメントの成功の中核をなす。
クラウドベースのコンピューティングプラットフォームであるMicrosoft Azure ML上でのデータ駆動機械学習(ML)ワークフローを提案する。
その結果、ML予測に基づく意思決定はより正確であり、より高い金融価値をもたらすことが示唆された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the outcome of sales opportunities is a core part of successful
business management. Conventionally, making this prediction has relied mostly
on subjective human evaluations in the process of sales decision making. In
this paper, we addressed the problem of forecasting the outcome of business to
business (B2B) sales by proposing a thorough data-driven Machine Learning (ML)
workflow on a cloud-based computing platform: Microsoft Azure Machine Learning
Service (Azure ML). This workflow consists of two pipelines: (1) An ML pipeline
to train probabilistic predictive models on the historical sales opportunities
data. In this pipeline, data is enriched with an extensive feature enhancement
step and then used to train an ensemble of ML classification models in
parallel. (2) A prediction pipeline to utilize the trained ML model and infer
the likelihood of winning new sales opportunities along with calculating
optimal decision boundaries. The effectiveness of the proposed workflow was
evaluated on a real sales dataset of a major global B2B consulting firm. Our
results implied that decision-making based on the ML predictions is more
accurate and brings a higher monetary value.
- Abstract(参考訳): 販売機会の成果を予測することは、ビジネスマネジメントの成功の中核である。
従来,この予測は,販売決定過程における主観的人間評価に大きく依存していた。
本稿では、クラウドベースのコンピューティングプラットフォームであるMicrosoft Azure Machine Learning Service (Azure ML)上で、データ駆動型機械学習(ML)ワークフローを徹底的に提案することにより、ビジネスからビジネスへの(B2B)売上の予測の問題に対処する。
このワークフローは、(1)過去の販売機会データに基づいて確率論的予測モデルをトレーニングするためのMLパイプラインである。
このパイプラインでは、データを広範な機能拡張ステップで強化し、ML分類モデルのアンサンブルを並列にトレーニングするために使用される。
2) 学習MLモデルを利用した予測パイプラインにより, 最適な意思決定境界を算出し, 新たな販売機会を獲得する可能性を推定する。
提案するワークフローの有効性を,大手b2bコンサルティング企業の実販売データセットで評価した。
その結果,ml予測に基づく意思決定はより正確であり,より高い金銭価値をもたらすことが示唆された。
関連論文リスト
- Making Pre-trained Language Models both Task-solvers and
Self-calibrators [52.98858650625623]
プレトレーニング言語モデル(PLM)は、様々な現実世界のシステムのバックボーンとして機能する。
以前の研究は、余分なキャリブレーションタスクを導入することでこの問題を緩和できることを示している。
課題に対処するためのトレーニングアルゴリズムLM-TOASTを提案する。
論文 参考訳(メタデータ) (2023-07-21T02:51:41Z) - Benchmarking Automated Machine Learning Methods for Price Forecasting
Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。
CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。
本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文 参考訳(メタデータ) (2023-04-28T10:27:38Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - Data Debugging with Shapley Importance over End-to-End Machine Learning
Pipelines [27.461398584509755]
DataScopeは、エンドツーエンドの機械学習パイプライン上でトレーニング例のShapley値を効率的に計算する最初のシステムである。
以上の結果から,DataScopeは最先端のモンテカルロ法よりも最大4桁高速であることがわかった。
論文 参考訳(メタデータ) (2022-04-23T19:29:23Z) - Datamodels: Predicting Predictions from Training Data [86.66720175866415]
本稿では,モデルクラスの振る舞いを学習データの観点から分析するための概念的枠組みであるデータモデリングについて述べる。
単純な線形データモデルであっても、モデル出力をうまく予測できることが示される。
論文 参考訳(メタデータ) (2022-02-01T18:15:24Z) - Interpretability in Safety-Critical FinancialTrading Systems [15.060749321774136]
2020年、世界で最も洗練された量子ヘッジファンドのいくつかが損失を被った。
我々は、トレーディングモデルの予測をどのように操作できるかを正確に評価するために、勾配に基づくアプローチを実装した。
提案手法では,入出力分布に大きな負のずれが生じる,サンプル内入力設定のように見えることが判明した。
論文 参考訳(メタデータ) (2021-09-24T17:05:58Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳(メタデータ) (2020-08-10T06:07:52Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳(メタデータ) (2020-07-15T07:07:07Z) - How Much Can A Retailer Sell? Sales Forecasting on Tmall [20.51263243320733]
本稿では,世界最大のオンラインB2CプラットフォームであるTmallにおける小売店の売上予測事例について検討する。
我々は,販売予測,すなわち季節性抽出と流通転換の2つのメカニズムを設計する。
論文 参考訳(メタデータ) (2020-02-27T06:41:00Z) - Profit-oriented sales forecasting: a comparison of forecasting
techniques from a business perspective [3.613072342189595]
本稿では,コカ・コーラ社の産業界データと公開データセットの両方から成る35回連続のテクニックを比較検討する。
モデル構築と評価プロセスの両方において、テクニックが生成できる期待される利益を考慮に入れた、新しく完全に自動化された利益主導のアプローチを導入します。
論文 参考訳(メタデータ) (2020-02-03T14:50:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。