論文の概要: Unlocking Sales Growth: Account Prioritization Engine with Explainable AI

• arxiv url: http://arxiv.org/abs/2306.07464v1
• Date: Mon, 12 Jun 2023 23:42:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 15:27:54.136006
• Title: Unlocking Sales Growth: Account Prioritization Engine with Explainable AI
• Title（参考訳）: 売上成長を解き放つ - 説明可能なAIによるアカウント優先順位付けエンジン
• Authors: Suvendu Jena, Jilei Yang, Fangfang Tan
• Abstract要約: LinkedInの営業担当者は従来、顧客のパフォーマンスを評価するために直感と断片化されたデータ信号に頼っていた。 この課題を克服するため、私たちは、インテリジェントなアカウント販売優先順位付けエンジンであるAccount Prioritizerというデータ製品を開発しました。 A/Bテストは、Account PrioritizerがLinkedIn Businessの更新予約を大幅に+8.08%増加させたことを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: B2B sales requires effective prediction of customer growth, identification of upsell potential, and mitigation of churn risks. LinkedIn sales representatives traditionally relied on intuition and fragmented data signals to assess customer performance. This resulted in significant time investment in data understanding as well as strategy formulation and under-investment in active selling. To overcome this challenge, we developed a data product called Account Prioritizer, an intelligent sales account prioritization engine. It uses machine learning recommendation models and integrated account-level explanation algorithms within the sales CRM to automate the manual process of sales book prioritization. A successful A/B test demonstrated that the Account Prioritizer generated a substantial +8.08% increase in renewal bookings for the LinkedIn Business.
• Abstract（参考訳）: B2Bの売上は、顧客成長の効果的な予測、増産可能性の同定、そして混乱リスクの緩和を必要とする。 LinkedInの営業担当者は従来、顧客のパフォーマンスを評価するために直感と断片化されたデータ信号に頼っていた。 これにより、データ理解と戦略の定式化、積極的販売への投資にかなりの時間を費やした。 この課題を克服するため,我々は,インテリジェントなセールスアカウント優先順位付けエンジンである account priorityr というデータ製品を開発した。 機械学習レコメンデーションモデルと、セールスCRM内のアカウントレベルの説明アルゴリズムを統合して、セールスブックの優先順位付けのマニュアルプロセスを自動化する。 A/Bテストの成功により、Account PrioritizerはLinkedIn Businessの更新予約を大幅に+8.08%増加させた。

関連論文リスト

• Unlocking Your Sales Insights: Advanced XGBoost Forecasting Models for Amazon Products [11.309196049601145]
  我々は、XGBoostモデルを活用して、Amazonプラットフォーム上での家電製品の予測販売に挑戦するソリューションを紹介した。 その結果,XGBoostは従来のモデルに比べて優れた予測性能を示した。
  論文  参考訳（メタデータ） (2024-11-01T09:14:33Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Salespeople vs SalesBot: Exploring the Role of Educational Value in Conversational Recommender Systems [78.84530426424838]
  既存の会話レコメンデータシステムは、ユーザのバックグラウンド知識の欠如をよく見落とし、好みの収集にのみ焦点をあてる。 このようなシステムのシミュレーションと評価を容易にするフレームワークであるSalesOpsを紹介する。 私たちは、フレームワークの両側をシミュレートできるLLMベースのエージェントであるSalesBotとShopperBotを構築しています。
  論文  参考訳（メタデータ） (2023-10-26T19:44:06Z)
• Causal Analysis of Customer Churn Using Deep Learning [9.84528076130809]
  顧客チャーン(Customer Churn)は、ビジネスとの関係を終了するか、特定の期間における顧客エンゲージメントを減少させる。 本稿では,ディープフィードフォワードニューラルネットワークを用いた分類手法を提案する。 また,顧客を混乱させる原因を予測するための因果ベイズネットワークを提案する。
  論文  参考訳（メタデータ） (2023-04-20T18:56:13Z)
• Learning to Incentivize Information Acquisition: Proper Scoring Rules Meet Principal-Agent Model [64.94131130042275]
  インセンティブ付き情報取得問題について検討し、主治官がエージェントを雇って代理情報を収集する。 UCBアルゴリズムをモデルに適合させる,実証可能なサンプル効率の良いアルゴリズムを設計する。 本アルゴリズムは,主役の最適利益に対する微妙な推定手順と,所望のエージェントの行動にインセンティブを与える保守的な補正手法を特徴とする。
  論文  参考訳（メタデータ） (2023-03-15T13:40:16Z)
• Customer Churn Prediction Model using Explainable Machine Learning [0.0]
  この論文の主な目的は、チャーンする可能性が最も高い潜在的な顧客を予測するのに役立つ、ユニークな顧客チャーン予測モデルを開発することである。 各種木に基づく機械学習手法とアルゴリズムの性能評価と解析を行った。 モデル説明可能性と透明性を改善するため,提案手法では,特徴の組合せについてシェープ値を計算する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T04:45:57Z)
• Customer Profiling, Segmentation, and Sales Prediction using AI in Direct Marketing [0.0]
  本稿では,顧客プロファイルシステムを開発するためのデータマイニング前処理手法を提案する。 本研究の主な成果は、顧客プロファイルの作成と商品の販売予測である。
  論文  参考訳（メタデータ） (2023-02-03T14:45:09Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Approaching sales forecasting using recurrent neural networks and transformers [57.43518732385863]
  深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。 実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。 提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
  論文  参考訳（メタデータ） (2022-04-16T12:03:52Z)
• Explanations of Machine Learning predictions: a mandatory step for its application to Operational Processes [61.20223338508952]
  信用リスクモデリングは重要な役割を果たす。 近年,機械学習や深層学習の手法が採用されている。 この分野における説明可能性問題に LIME 手法を適用することを提案する。
  論文  参考訳（メタデータ） (2020-12-30T10:27:59Z)
• Improving Sales Forecasting Accuracy: A Tensor Factorization Approach with Demand Awareness [1.8282018606246824]
  販売予測への高度時間潜在因子アプローチ(ATLAS)という新しいアプローチを提案する。 ATLASは、複数のストアや製品にまたがる単一のテンソルファクターモデルを構築することで、販売の正確かつ個別化された予測を実現する。 ATLASの利点は、Information Resource, Inc.が収集した8つの製品カテゴリデータセットで実証されている。
  論文  参考訳（メタデータ） (2020-11-06T16:04:40Z)

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。