論文の概要: Predicting Loss Risks for B2B Tendering Processes

• arxiv url: http://arxiv.org/abs/2109.06815v1
• Date: Tue, 14 Sep 2021 16:49:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-15 15:32:01.503354
• Title: Predicting Loss Risks for B2B Tendering Processes
• Title（参考訳）: B2Bレンダリングプロセスの損失リスク予測
• Authors: Eelaaf Zahid, Yuya Jeremy Ong, Aly Megahed, Taiga Nakamura
• Abstract要約: 本稿では,敗戦確率を予測するための多クラス分類モデルを提案する。 その結果、精度は85%、AUCの平均スコアは0.94である。
• 参考スコア（独自算出の注目度）: 0.9367224590861911
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sellers and executives who maintain a bidding pipeline of sales engagements with multiple clients for many opportunities significantly benefit from data-driven insight into the health of each of their bids. There are many predictive models that offer likelihood insights and win prediction modeling for these opportunities. Currently, these win prediction models are in the form of binary classification and only make a prediction for the likelihood of a win or loss. The binary formulation is unable to offer any insight as to why a particular deal might be predicted as a loss. This paper offers a multi-class classification model to predict win probability, with the three loss classes offering specific reasons as to why a loss is predicted, including no bid, customer did not pursue, and lost to competition. These classes offer an indicator of how that opportunity might be handled given the nature of the prediction. Besides offering baseline results on the multi-class classification, this paper also offers results on the model after class imbalance handling, with the results achieving a high accuracy of 85% and an average AUC score of 0.94.
• Abstract（参考訳）: 複数の顧客との契約の入札パイプラインを多くの機会に維持している売り手や経営陣は、それぞれの入札の健全性に関するデータ駆動の洞察から大きな恩恵を受ける。 確率的な洞察を提供する予測モデルや、これらの機会に対する予測モデルが多数存在する。 現在、これらの勝利予測モデルは二分分類の形式であり、勝利や損失の可能性を予測しているに過ぎない。 二項定式化は、なぜ特定の取引が損失として予測されるのかについての洞察を与えることができない。 本稿では,勝率を予測するマルチクラス分類モデルを提案する。3つの損失クラスは,入札なし,顧客が追求しなかった,競争に負けたなど,損失が予測される理由を具体的に提示する。 これらのクラスは、予測の性質から、その機会がどのように扱われるかを示す指標を提供する。 本論文は,マルチクラス分類のベースラインとなる結果を提供するとともに,クラス後不均衡処理の結果を提供し,高い精度と平均 auc スコアを 0.94 とした。

関連論文リスト

• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Partial-Label Learning with a Reject Option [3.1201323892302444]
  本稿では,不確実な予測を拒否できるリジェクションオプションを持つ新しい部分ラベル学習アルゴリズムを提案する。 提案手法は, 競合相手と比較して, 非還元予測の数と精度の最良のトレードオフを提供する。
  論文  参考訳（メタデータ） (2024-02-01T13:41:44Z)
• Conservative Predictions on Noisy Financial Data [6.300716661852326]
  金融市場の価格変動は、非常に騒々しいことがよく知られている。 従来のルール学習技術は、高精度なルールのみを求め、先行者が適用されない予測を控えるものだった。 我々は、モデルが不確実であるデータポイントの予測を控える、同様のアプローチを適用する。
  論文  参考訳（メタデータ） (2023-10-18T09:14:19Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Machine Learning Classification Methods and Portfolio Allocation: An Examination of Market Efficiency [3.3343612552681945]
  我々は,OOS(Out-of-sample)予測可能性を通じて市場効率を評価する新しい枠組みを設計する。 我々は、資産価格問題を機械学習の分類問題とみなし、返却状態を予測するための分類モデルを構築した。 予測に基づくポートフォリオは、OOS経済の大幅な伸びで市場を圧倒した。
  論文  参考訳（メタデータ） (2021-08-04T20:48:27Z)
• Bad and good errors: value-weighted skill scores in deep ensemble learning [0.0]
  証拠に基づいて予測誤差の重大度を評価するための戦略を導入する。 本稿では,予測値に重要な意味を持つ,混乱行列とスキルスコアの新たな定義を提案する。 本稿では,公害,宇宙気象,株式賞の予測に関する3つの応用事例において,このアプローチの性能を示す。
  論文  参考訳（メタデータ） (2021-03-04T08:05:13Z)
• Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
  いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。 この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
  論文  参考訳（メタデータ） (2020-08-12T10:44:49Z)
• Provable tradeoffs in adversarially robust classification [96.48180210364893]
  我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。 この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2020-06-09T09:58:19Z)

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。