論文の概要: Forecasting Revenue with its Customer-Base Drivers: When and Why Coordination Helps
- arxiv url: http://arxiv.org/abs/2608.02911v1
- Date: Mon, 03 Aug 2026 21:54:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:22.952477
- Title: Forecasting Revenue with its Customer-Base Drivers: When and Why Coordination Helps
- Title（参考訳）: 顧客ベースドライバーによる収益予測:いつ、なぜ調整が役立つのか
- Abstract要約: 966社の毎週のトランザクションパネルを使用して、著者らはCustomer-Based Multi-task Transformerを開発した。
CBMTは共有構造を学び、別々の原始予測を保持し、下流の収益と組み合わせる。
CBMTの平均総販売誤差は、確立された顧客ベースベンチマークで最強の30%以下である。
- 参考スコア（独自算出の注目度）: 0.6499706858965408
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Revenue forecasts guide acquisition budgets, demand planning, and customer-based valuations, yet an aggregate forecast does not show whether change reflects acquisition, repeat purchasing, spending per order, or offsetting movements. Using weekly transaction panels for 966 companies in 25 industries, the authors develop the Customer-Based Multi-task Transformer (CBMT), which learns shared structure, retains separate primitive forecasts, and aligns their combination with downstream revenue. CBMT's mean total-sales error is 30% below the strongest representative established customer-base benchmark. It is also 2.65% below a Transformer that forecasts total sales directly, although the paired difference is not statistically significant (p=.222), and it beats separately estimated single-task forecasts for 74.3% of firms. CBMT's source MAE is lower in 23 of 24 benchmark-by-outcome comparisons, with the remaining difference not statistically distinguishable from zero. Firms whose primitives co-move more strongly are more likely to benefit from joint forecasting; selected-family scenario-3 comparisons are consistent with gains from shared representation and revenue alignment but remain diagnostic rather than causal. Accuracy deteriorates for all models when customer-base dynamics are highly volatile, and CBMT's advantage narrows there. Calibration-period routing rules do not improve average accuracy over always deploying CBMT. The results show how coordinated customer-base forecasts support revenue planning and when they warrant greater caution.
- Abstract（参考訳）: 収益予測は、買収予算、需要計画、顧客ベースの評価を導くが、全体的な予測では、変更が買収、再購入、注文ごとの支出、あるいは相殺の動きを反映しているかは示さない。
著者らは、25の産業における966社の週次取引パネルを使用して、共有構造を学習し、別々の原始的な予測を保持し、下流収益と組み合わせる、顧客ベースのマルチタスクトランスフォーマー(CBMT)を開発した。
CBMTの平均総販売誤差は、確立された顧客ベースベンチマークで最強の30%以下である。
またトランスフォーマーよりも2.65%低いが、両者の差は統計的に有意ではないが(p=.222)、74.3%の企業で個別に予測されるシングルタスクの予測を上回っている。
CBMTのソースMAEは、ベンチマーク・バイ・アウトカムの比較で23で低く、残りの差は統計的に0と区別できない。
選択された家族シナリオ3の比較は、共有表現と収益調整の利益と一致しているが、因果関係ではなく診断に留まっている。
顧客ベースダイナミクスが非常に揮発性があり、CBMTの利点が狭まる場合、すべてのモデルで精度が低下する。
キャリブレーション周期ルーティングルールは、常にCBMTをデプロイする平均精度を向上しない。
その結果、顧客ベース予測の調整が収益計画をどのように支援し、いつより注意を喚起するかが示された。
関連論文リスト
- Accuracy Is Not Service: A Decision-Aware Benchmark for Intermittent-Demand Forecasting [4.1751058176413105]
古典的、断続的、機械学習、ディープラーニング、事前訓練された基礎モデルにまたがる38の予測手法をベンチマークした。
予測精度ランクと注文サービスランクは、20,330の実際のマルチイテムオーダーで評価された手法に対して、工業パネルにおいて-0.555で負の相関関係を持つ。
断続的な需要に対しては、最も低いエラー予測は最高のサービスを提供する必要はない。
論文 参考訳（メタデータ） (2026-09-12T09:51:30Z) - Shared Prefixes, Better Credit: Adaptive Routing for Multi-Agent Reasoning [72.49938949082117]
MAR(Multi-agent reasoning)は、反復的な解交換と改良を通じて推論の信頼性を向上させる。
既存の適応MARメソッドは通常、クエリレベルのラベルやトラジェクトリレベルのリターンからルーティング決定を学習する。
効率的な適応MARのための共有操作型クレジット割り当てフレームワークであるTreeCreditを提案する。
論文 参考訳（メタデータ） (2026-08-03T14:22:23Z) - Contextual Deconvolution for Variance-Stable Demand Sensing: Kernel-Modulated Operators in Promotional Retail [0.0]
機械学習の需要予測は、統計的精度を最適化するが、過剰な運用のボラティリティを保ち、安全株を膨らませ、ブルウィップ効果を増幅する。
コンベックス分解として需要感を再設定するtextbfCon Decontextual estimatorを導入する。
論文 参考訳（メタデータ） (2026-07-28T12:49:59Z) - SPARC Segmentation to Prediction via Affine Regression and Counterfactuals [1.0026496861838445]
B2B eコマースにおけるトランザクションの妥当性予測は、B2Cコンテキストとは異なる固有の課題を提示する。
我々は、SMOTEベースの拡張を合成データ生成アプローチで置き換える。
我々はPyPARCの断片的アフィン分類フレームワークに適応し、キャリブレーションされた確率を生成する。
論文 参考訳（メタデータ） (2026-07-28T08:09:07Z) - SalesLoop: Reinforcement Learning from Performance Feedback for Sales Lead Ranking [3.337528987886516]
SalesLoopは、ランク付け位置と変換速度によって重み付けされた変換結果をエンコードするパフォーマンス対応の報酬である。
SalesLoopはNDCG@Kを+7.9%改善し、P@Kを+15.8%改善した。
論文 参考訳（メタデータ） (2026-07-22T18:26:57Z) - Deployment-Side Adaptiveness in Multi-Horizon Volatility Forecasting [1.2489632787815885]
トレーニングされたマルチアウトプット(MIMO)予測器が,精度とコストプロファイルの異なる予測ファミリをいかに誘導するかを検討する。
20のストック・ボラティリティ・シリーズ,3つの予測水平線,および線形モデルからPatchTSTに至るまでのアーキテクチャにおいて,非デフォルトロールアウトルールがしばしば改善されることが判明した。
誘導ルールファミリに対する検証に基づくデプロイメントポリシーの評価を行った。
論文 参考訳（メタデータ） (2026-06-26T03:32:09Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - TAT: Temporal-Aligned Transformer for Multi-Horizon Peak Demand Forecasting [51.37167759339485]
本稿では,アプリロリで知られたコンテキスト変数を利用して予測性能を向上させるマルチホライゾン予測器であるTemporal-Aligned Transformer (TAT)を提案する。
我々のモデルはエンコーダとデコーダで構成されており、どちらもピーク需要予測のためのコンテキスト依存アライメントを学習するための新しい時間アライメントアテンション(TAA)を組み込んでいる。
以上の結果から,TATはピーク需要予測において30%の精度を実現し,他の最先端手法と比較して総合的な性能を維持した。
論文 参考訳（メタデータ） (2025-07-14T14:51:24Z) - 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) - Consistency Checks for Language Model Forecasters [54.62507816753479]
予測器の性能を,論理的に異なる質問に対する予測の整合性の観点から測定する。
我々は,一連の基本質問を生成し,これらの質問から整合性チェックをインスタンス化し,予測者の予測を導き,予測の整合性を測定する自動評価システムを構築した。
論文 参考訳（メタデータ） (2024-12-24T16:51:35Z) - Hybrid Forecasting of Geopolitical Events [71.73737011120103]
SAGEは、人間と機械が生成した予測を組み合わせたハイブリッド予測システムである。
このシステムは、確率と評価されたスキルに基づいて、人間と機械の予測の重み付けを集約する。
機械による予測にアクセスできる熟練した予測者は、過去のデータしか見ていない者よりも優れていた。
論文 参考訳（メタデータ） (2024-12-14T22:09:45Z) - Accurate and Reliable Predictions with Mutual-Transport Ensemble [46.368395985214875]
Kullback-Leibler (KL) を用いた共学習補助モデルの提案とクロスエントロピー損失の適応的正則化
MTEは精度と不確実性の両方を同時に向上させることができる。
例えば、CIFAR-100データセットでは、我々のResNet34/50上のMTEメソッドは、従来の最先端の手法に比べて大幅に改善された。
論文 参考訳（メタデータ） (2024-05-30T03:15:59Z)
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。