Fugu-MT 論文翻訳(概要): Deep Learning Framework for Measuring the Digital Strategy of Companies from Earnings Calls

論文の概要: Deep Learning Framework for Measuring the Digital Strategy of Companies from Earnings Calls

arxiv url: http://arxiv.org/abs/2010.12418v2
Date: Thu, 3 Dec 2020 04:36:18 GMT
ステータス: 処理完了
システム内更新日: 2022-10-03 22:09:42.674518
Title: Deep Learning Framework for Measuring the Digital Strategy of Companies from Earnings Calls
Title（参考訳）: 決算報告から企業のデジタル戦略を測定するためのディープラーニングフレームワーク
Authors: Ahmed Ghanim Al-Ali, Robert Phaal, Donald Sull
Abstract要約: この研究は、企業が採用しているデジタル戦略パターンの異なるクラスタを理解するために、非構造化データにNLPモデルを適用した初めてのものである。テキスト分類にはTransformerベースのアーキテクチャを使用し、会話コンテキストの理解を深める。私たちの調査結果は、Fortune 500企業がプロダクトリード、顧客エクスペリエンスリード、サービスリード、効率リードの4つの戦略を使用していることを示唆している。
参考スコア（独自算出の注目度）: 1.0312968200748118
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Companies today are racing to leverage the latest digital technologies, such as artificial intelligence, blockchain, and cloud computing. However, many companies report that their strategies did not achieve the anticipated business results. This study is the first to apply state of the art NLP models on unstructured data to understand the different clusters of digital strategy patterns that companies are Adopting. We achieve this by analyzing earnings calls from Fortune Global 500 companies between 2015 and 2019. We use Transformer based architecture for text classification which show a better understanding of the conversation context. We then investigate digital strategy patterns by applying clustering analysis. Our findings suggest that Fortune 500 companies use four distinct strategies which are product led, customer experience led, service led, and efficiency led. This work provides an empirical baseline for companies and researchers to enhance our understanding of the field.
Abstract（参考訳）: 今日の企業は、人工知能、ブロックチェーン、クラウドコンピューティングなど、最新のデジタル技術を活用しようとしている。しかし、多くの企業は、彼らの戦略が期待した事業結果を達成できなかったと報告している。この研究は、企業が採用しているデジタル戦略パターンの異なるクラスタを理解するために、非構造化データにNLPモデルを適用する最初のものである。これを2015年から2019年にかけて、fortune global 500企業の決算報告を分析して達成しました。テキスト分類にはTransformerベースのアーキテクチャを使用し、会話コンテキストの理解を深める。次に,クラスタリング分析を用いてデジタル戦略パターンを検討する。当社の調査結果は、fortune 500企業がプロダクトリード、顧客エクスペリエンスリード、サービスリード、効率リードという4つの異なる戦略を使用していることを示唆している。この研究は、企業や研究者がこの分野の理解を深めるための経験的ベースラインを提供する。

関連論文リスト

A Scalable Data-Driven Framework for Systematic Analysis of SEC 10-K Filings Using Large Language Models [0.0]
SEC10-Kの申請に基づいて企業の業績を分析し,評価する,新たなデータ駆動型アプローチを提案する。提案手法は、データパイプラインを実行して視覚化を作成するためのノーコードソリューションとして、対話型GUI上に実装される。このアプリケーションは評価結果を示し、企業業績の年次比較を提供する。
論文参考訳（メタデータ） (2024-09-26T06:57:22Z)
Towards a Unified View of Preference Learning for Large Language Models: A Survey [88.66719962576005]
大きな言語モデル(LLM)は、非常に強力な能力を示す。成功するための重要な要因の1つは、LLMの出力を人間の好みに合わせることである。選好学習のすべての戦略を、モデル、データ、フィードバック、アルゴリズムの4つの構成要素に分解する。
論文参考訳（メタデータ） (2024-09-04T15:11:55Z)
SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature [80.49349719239584]
SciRIFF(Scientific Resource for Instruction-Following and Finetuning, SciRIFF)は、54のタスクに対して137Kの命令追従デモのデータセットである。 SciRIFFは、幅広い科学分野の研究文献から情報を抽出し、合成することに焦点を当てた最初のデータセットである。
論文参考訳（メタデータ） (2024-06-10T21:22:08Z)
MASSW: A New Dataset and Benchmark Tasks for AI-Assisted Scientific Workflows [58.56005277371235]
我々は,Multi-Aspect Summarization of ScientificAspectsに関する総合テキストデータセットであるMASSWを紹介する。 MASSWには過去50年間にわたる17の主要なコンピュータサイエンスカンファレンスから152,000以上の査読論文が含まれている。我々は、この新しいデータセットを用いてベンチマーク可能な、複数の新しい機械学習タスクを通じて、MASSWの有用性を実証する。
論文参考訳（メタデータ） (2024-06-10T15:19:09Z)
Generative AI for Business Strategy: Using Foundation Models to Create Business Strategy Tools [0.7784248206747153]
ビジネス意思決定における基礎モデルの利用を提案する。私たちは、署名されたビジネスネットワークの出現という形で、ITアーティファクトを導き出します。このようなアーティファクトは、市場の状態と自身のポジションについて、ビジネスステークホルダーに通知することができる。
論文参考訳（メタデータ） (2023-08-27T19:03:12Z)
Company classification using zero-shot learning [0.0]
NLPとゼロショット学習を用いた企業分類手法を提案する。 Wharton Research Data Services(WRDS)を用いて得られたデータセットに対する我々のアプローチを評価する。
論文参考訳（メタデータ） (2023-05-01T18:36:06Z)
DataComp: In search of the next generation of multimodal datasets [179.79323076587255]
DataCompは、Common Crawlの128億の画像テキストペアの候補プールを中心にしたデータセット実験用のテストベッドである。我々のベンチマークは、複数の計算スケールから成っている。特に、最良のベースラインであるDataComp-1Bは、ImageNetでCLIP ViT-L/14をスクラッチから79.2%のゼロショット精度でトレーニングすることが可能です。
論文参考訳（メタデータ） (2023-04-27T11:37:18Z)
A Comparative Study of Sentiment Analysis Using NLP and Different Machine Learning Techniques on US Airline Twitter Data [0.0]
知覚分析は自然言語処理(NLP)と機械学習(ML)の技法である本稿では,2つのNLP手法(Bag-of-WordsとTF-IDF)と各種ML分類アルゴリズムを提案する。ベストアプローチは,Bag-of-Words技術を用いたSupport Vector MachineとLogistic Regressionを用いた77%の精度を提供する。
論文参考訳（メタデータ） (2021-10-02T18:05:00Z)
Predicting Consumer Purchasing Decision in The Online Food Delivery Industry [0.0]
予測モデリング(英: Predictive Modeling)とは、様々な回帰アルゴリズム、分析、統計を用いて発生確率を推定する機械学習の一種である。 CARTとC4.5決定木、ランダム森林、ルールベース分類器の4つの予測モデルが検討され、それらの精度が正しいクラスラベルを提供する。これらの結果から、全てのモデルで同様の性能が得られたが、C4.5は91.67%の精度で性能に優れていた。
論文参考訳（メタデータ） (2021-10-01T16:05:48Z)
NLP in FinTech Applications: Past, Present and Future [50.27357144360525]
金融分野における自然言語処理(NLP)技術の適用に関する研究に焦点をあてる。アプリケーションシナリオは、Know Your Customer(KYC)、Know Your Product(KYP)、Satify Your Customer(SYC)の3つの側面から見ていきます。
論文参考訳（メタデータ） (2020-05-04T08:37:27Z)
Benchmarking Graph Neural Networks [75.42159546060509]
グラフニューラルネットワーク(GNN)は、グラフ上のデータから分析および学習するための標準ツールキットとなっている。成功している分野が主流で信頼性を持つようになるためには、進捗を定量化するためにベンチマークを開発する必要がある。 GitHubリポジトリは1,800のスターと339のフォークに到達し、提案されているオープンソースフレームワークの有用性を実証している。
論文参考訳（メタデータ） (2020-03-02T15:58:46Z)

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。