論文の概要: Bridging Search and CRM: Productionizing AI Product Research Agents for Customer Re-Engagement

• arxiv url: http://arxiv.org/abs/2608.18543v1
• Date: Wed, 19 Aug 2026 05:01:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.282094
• Title: Bridging Search and CRM: Productionizing AI Product Research Agents for Customer Re-Engagement
• Title（参考訳）: ブラウジング検索とCRM: 顧客再開発のためのAIプロダクトリサーチエージェントの制作
• Authors: Mandar Kulkarni, Pooja A., Samir Shah,
• Abstract要約: 我々は,AIを活用したプロダクトリサーチエージェントを通じて,検索とCRMをブリッジする,スケーラブルで実運用対応のフレームワークを提示する。 このシステムは、探索的な購入意図と低いエンゲージメントを持つユーザを特定し、行動信号、外部知識、エンタープライズカタログデータを使用して、基盤となるマルチエージェント製品調査を実施し、WhatsAppを通じてパーソナライズされたレコメンデーションを提供する。 このデプロイメントは下流での購入やGMVの影響も生み出し、積極的に顧客を再導入し、エンドツーエンドの顧客ジャーニー最適化を行うAI Product Research Agentsの実践的効果を実証した。
• 参考スコア（独自算出の注目度）: 3.214047644645401
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern e-commerce platforms often operate search, recommendation, personalization, and CRM systems independently, limiting opportunities for proactive customer re-engagement. This is particularly challenging for exploratory intents such as best smartphones or latest 5G phones, where users may leave the platform for external research before purchasing. We present a scalable, production-deployed framework that bridges search and CRM workflows through AI-powered Product Research Agents. The system identifies users with exploratory purchase intent and low engagement, conducts grounded multi-agent product research using behavioral signals, external knowledge, and enterprise catalog data, and delivers personalized recommendations through WhatsApp. We evaluate the framework in a 23-day production deployment involving approximately 15K WhatsApp notifications for mobile product discovery. The campaign achieved substantial CTR improvements over traditional WhatsApp recommendation campaigns, with evidence of secondary engagement through message forwarding and sharing. The deployment also generated downstream purchases and GMV impact, demonstrating the practical effectiveness of AI Product Research Agents for proactive customer re-engagement and end-to-end customer journey optimization.
• Abstract（参考訳）: 現代のeコマースプラットフォームは、しばしば検索、レコメンデーション、パーソナライゼーション、CRMシステムを独立して運用し、積極的に顧客を再導入する機会を制限する。 これは、最高のスマートフォンや最新の5Gスマートフォンのような探索的意図にとって特に困難であり、ユーザーは購入する前に外部調査のためにプラットフォームを離れる可能性がある。 我々は,AIを活用したプロダクトリサーチエージェントを通じて,検索とCRMワークフローをブリッジする,スケーラブルで実運用対応のフレームワークを提示する。 このシステムは、探索的な購入意図と低いエンゲージメントを持つユーザを特定し、行動信号、外部知識、エンタープライズカタログデータを使用して、基盤となるマルチエージェント製品調査を実施し、WhatsAppを通じてパーソナライズされたレコメンデーションを提供する。 我々は,モバイル製品発見のための約15万のWhatsApp通知を含む23日間の運用デプロイメントにおいて,このフレームワークを評価した。 このキャンペーンは、メッセージ転送と共有を通じて二次的なエンゲージメントを示すとともに、従来のWhatsAppレコメンデーションキャンペーンよりも大幅に改善された。 このデプロイメントは下流での購入やGMVの影響も生み出し、積極的に顧客を再導入し、エンドツーエンドの顧客ジャーニー最適化を行うAI Product Research Agentsの実践的効果を実証した。

関連論文リスト

• Overview of the TREC 2025 Product Search and Recommendation Track [56.17113795995271]
  我々は以前TREC 2023とTREC 2024で実行されていた製品検索トラックの改訂および継続したバージョンを実行している。 関連製品レコメンデーションタスクは特に新しいもので、アノテートされた製品関係のデータセットを提供する。 このトラックから得られたデータは、対話型製品発見体験のためのビルディングブロックとして、ユーザニーズを反映した、より良いレコメンデーションと検索アプリケーションを可能にすることを期待する。
  論文  参考訳（メタデータ） (2026-08-17T21:13:52Z)
• Learning from Online User Feedback for Shopping Agents [54.03311028861336]
  大規模言語モデルに基づくショッピングエージェントは、現実のeコマースプラットフォームにますます多くデプロイされている。 既存のアプローチは、ユーザ-イテムインタラクションや合成優先データなど、オフラインのトレーニング信号に依存している。 ショッピングエージェントが人間のアノテーションを使わずに実際のオンラインインタラクションログから直接学習できるフレームワークであるLOFAを提案する。
  論文  参考訳（メタデータ） (2026-08-12T03:24:44Z)
• Deep Research for Recommender Systems [74.44288812684448]
  本稿では,従来の項目リストを包括的,ユーザ中心のレポートに置き換える,推薦のための新しいディープリサーチパラダイムを提案する。 我々はこのパラダイムをRecPilotという,項目空間を自律的に探索するユーザトラジェクトリシミュレーションエージェントと,ユーザ決定を支援するための一貫性のある解釈可能なレポートに合成する自己進化レポート生成エージェントという,2つのコアコンポーネントからなるマルチエージェントフレームワークを通じてインスタンス化する。
  論文  参考訳（メタデータ） (2026-03-08T12:33:04Z)
• ProductResearch: Training E-Commerce Deep Research Agents via Multi-Agent Synthetic Trajectory Distillation [6.60575487765583]
  LLM(Large Language Model)ベースのエージェントは、eコマースの対話型ショッピングを約束する。 既存の実装には、複雑な製品研究に必要な相互作用の深さとコンテキストの幅が欠けている。 本稿では,堅牢なeコマースショッピングエージェントを訓練するための多エージェントフレームワークであるProductResearchを提案する。
  論文  参考訳（メタデータ） (2026-02-27T06:30:02Z)
• Multi-Modality Transformer for E-Commerce: Inferring User Purchase Intention to Bridge the Query-Product Gap [1.2356255208135267]
  PINCERは初期ユーザクエリを擬似積表現に変換する。 我々は,eコマースオンライン検索における最先端の代替手段よりも,モデルの性能が優れていることを実証する。
  論文  参考訳（メタデータ） (2025-01-21T23:47:39Z)
• ProductAgent: Benchmarking Conversational Product Search Agent with Asking Clarification Questions [68.81939215223818]
  ProductAgentは,戦略的明確化質問生成機能と動的製品検索機能を備えた対話情報探索エージェントである。 我々は,製品特徴の要約,クエリ生成,製品検索のための戦略を持ったエージェントを開発する。 実験の結果,ProductAgentはユーザとポジティブに対話し,対話のターンの増加に伴う検索性能の向上を図っている。
  論文  参考訳（メタデータ） (2024-07-01T03:50:23Z)
• Unlocking the `Why' of Buying: Introducing a New Dataset and Benchmark for Purchase Reason and Post-Purchase Experience [24.949929747493204]
  本稿では,現代のAIモデルのための新しいタスクとして,購入理由予測を提案する。 まず,ユーザが商品の購入決定を行う理由を実世界から説明するためのデータセットを作成する。 当社のアプローチは,ユーザレビューにおいて,製品購入の背景にある理由と購入後の体験を明確に区別するためにLCMを誘導する。
  論文  参考訳（メタデータ） (2024-02-20T23:04:06Z)
• On Generative Agents in Recommendation [58.42840923200071]
  Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。 各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
  論文  参考訳（メタデータ） (2023-10-16T06:41:16Z)
• Utilisation of open intent recognition models for customer support intent detection [0.0]
  企業はサポートを提供し、顧客満足度を改善するための新しいソリューションを模索している。 サポートソリューションは、ソーシャルメディア、人工知能(AI)、機械学習(ML)、リモートデバイス接続など、テクノロジで進歩している。 本研究では,ラベル付きテキストデータと非ラベル付きテキストデータの両方を用いて顧客の意図を正確に予測する手法について検討した。
  論文  参考訳（メタデータ） (2023-07-31T10:20:16Z)
• ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest [60.841761065439414]
  Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。 このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
  論文  参考訳（メタデータ） (2022-05-24T02:28:58Z)

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。