論文の概要: Improving Asset Allocation in a Fast Moving Consumer Goods B2B Company: An Interpretable Machine Learning Framework for Commercial Cooler Assignment Based on Multi-Tier Growth Targets

• arxiv url: http://arxiv.org/abs/2511.06642v1
• Date: Mon, 10 Nov 2025 02:39:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.040955
• Title: Improving Asset Allocation in a Fast Moving Consumer Goods B2B Company: An Interpretable Machine Learning Framework for Commercial Cooler Assignment Based on Multi-Tier Growth Targets
• Title（参考訳）: 高速移動型消費者商品B2B企業におけるアセットアロケーションの改善:マルチティア成長目標に基づく商用クーラーアサインメントのための解釈可能な機械学習フレームワーク
• Authors: Renato Castro, Rodrigo Paredes, Douglas Kahn,
• Abstract要約: 本稿では,クーラーを受け取った後,どの飲料クライアントが高いリターンを得られるかを予測する枠組みを提案する。 3つの成長しきい値が定義され、年間売上の10%、30%、50%が成長した。 その結果, AUC スコアが0.857, 0.877, 0.898 であることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the fast-moving consumer goods (FMCG) industry, deciding where to place physical assets, such as commercial beverage coolers, can directly impact revenue growth and execution efficiency. Although churn prediction and demand forecasting have been widely studied in B2B contexts, the use of machine learning to guide asset allocation remains relatively unexplored. This paper presents a framework focused on predicting which beverage clients are most likely to deliver strong returns in volume after receiving a cooler. Using a private dataset from a well-known Central American brewing and beverage company of 3,119 B2B traditional trade channel clients that received a cooler from 2022-01 to 2024-07, and tracking 12 months of sales transactions before and after cooler installation, three growth thresholds were defined: 10%, 30% and 50% growth in sales volume year over year. The analysis compares results of machine learning models such as XGBoost, LightGBM, and CatBoost combined with SHAP for interpretable feature analysis in order to have insights into improving business operations related to cooler allocation; the results show that the best model has AUC scores of 0.857, 0.877, and 0.898 across the thresholds on the validation set. Simulations suggest that this approach can improve ROI because it better selects potential clients to grow at the expected level and increases cost savings by not assigning clients that will not grow, compared to traditional volume-based approaches with substantial business management recommendations
• Abstract（参考訳）: 高速移動消費財(FMCG)業界では、商業用飲料クーラーなどの物理的資産の配置が収益成長や実行効率に直接影響を及ぼす可能性がある。 チャーン予測と需要予測は、B2Bの文脈で広く研究されているが、アセットアロケーションを導くための機械学習の利用は、いまだに探索されていない。 本稿では,クーラーを受け取った後,どの飲料クライアントが高いリターンを得られるかを予測する枠組みを提案する。 2022-01年から2024-07年にかけてクーラーを受け取った3,119 B2Bの有名な中央アメリカの醸造・飲料会社からのプライベートデータセットを使用して、クーラー導入前後の12ヶ月の営業取引を追跡し、年間売上数で10%、30%、50%の成長という3つの成長しきい値が定義された。 この分析は、XGBoost、LightGBM、CatBoostなどの機械学習モデルとSHAPの組み合わせによる特徴分析の結果を比較して、クーラーアロケーションに関連するビジネスオペレーションの改善に関する洞察を得る。 従来の量ベースのビジネスマネジメント推奨のアプローチと比較して、成長しないクライアントを割り当てないことで、潜在的なクライアントを期待レベルに成長させ、コスト削減を促進できるため、ROIを改善することができるとシミュレーションは示唆している。

関連論文リスト

• Recycling Pretrained Checkpoints: Orthogonal Growth of Mixture-of-Experts for Efficient Large Language Model Pre-Training [70.60554423630803]
  パラメータ数を拡大し,継続訓練を行うことで,事前学習したチェックポイントを再利用することを提案する。 70Bパラメータと1T以上のトレーニングトークンを持つモデルにアプローチを拡大し、スクラッチからトレーニングよりも10.66%の精度向上を実現しています。
  論文  参考訳（メタデータ） (2025-10-09T09:45:45Z)
• Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting [0.0]
  予測が販売水準を過小評価すると、企業は販売、不足、そして関連する市場での小売業者の評判に影響を及ぼす。 本研究は,高解像度のレンガとモルタルの小売データセットに適用した予測モデルを徹底的に評価する。
  論文  参考訳（メタデータ） (2025-06-06T10:08:17Z)
• 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)
• Double Machine Learning at Scale to Predict Causal Impact of Customer Actions [0.0]
  二重機械学習(DML)手法を用いて、100件の顧客行動にまたがる因果影響(CI)の値を推定する。 Sparkをベースとした因果MLライブラリを通じてDMLを運用しています。 我々は、信頼区間とともに、人口レベルと顧客レベルのCI値を示す。
  論文  参考訳（メタデータ） (2024-09-03T23:13:04Z)
• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)
• Early Churn Prediction from Large Scale User-Product Interaction Time Series [0.0]
  本稿では,歴史的データを用いたユーザチャーン予測に関する徹底的な研究を行う。 我々は,顧客満足度予測モデルを作成し,企業の誘惑傾向の理解と効果的な保留計画の策定を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-09-25T08:44:32Z)
• Modelling customer lifetime-value in the retail banking industry [0.0]
  顧客生涯価値をモデル化するための一般的な枠組みを提案する。 長期にわたる契約と製品中心の顧客関係を持つ業界に適用される。 このフレームワークは、任意の時間的地平線と製品に基づく正当性モデル上でのCLV予測を促進する新しい方法である。
  論文  参考訳（メタデータ） (2023-04-06T12:54:33Z)
• 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)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Towards Revenue Maximization with Popular and Profitable Products [69.21810902381009]
  企業マーケティングの共通のゴールは、様々な効果的なマーケティング戦略を活用することで、収益/利益を最大化することである。 商品の収益性に関する信頼性のある情報を見つけることは、ほとんどの製品が一定の時期にピークを迎える傾向があるため困難である。 本稿では、経済行動に基づく収益問題に対処し、ターゲットマーケティングのための0n-shelf Popular and most Profitable Products(OPPPs)を実行するための一般的な利益志向の枠組みを提案する。
  論文  参考訳（メタデータ） (2022-02-26T02:07:25Z)
• Predicting seasonal influenza using supermarket retail records [59.18952050885709]
  我々は,スーパーマーケットの小売データを,センチネルバスケットの識別を通じてインフルエンザの代替信号とみなす。 SVR(Support Vector Regression)モデルを用いて、季節性インフルエンザ発生の予測を行います。
  論文  参考訳（メタデータ） (2020-12-08T16:30:43Z)

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。