論文の概要: B2B Customer Conversion Prediction: A Document Representation, Graph Theory, and CatBoost Driven Methodology

• arxiv url: http://arxiv.org/abs/2609.03239v1
• Date: Thu, 03 Sep 2026 00:44:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.885379
• Title: B2B Customer Conversion Prediction: A Document Representation, Graph Theory, and CatBoost Driven Methodology
• Title（参考訳）: B2B 顧客変換予測: 文書表現、グラフ理論、およびCatBoost Driven Methodology
• Authors: Tianqi Wang, Sheikh Shams Azam, Wan Eih Huang, Anton Wiranata, Christopher G. Brinton, Jan P. Allebach,
• Abstract要約: 複数のキーに基づいてB2B顧客レベルに個別の連絡先を集約するアルゴリズムを提案する。 次に、一連の機能を定義して生成し、顧客変換予測にCatBoostモデルを適用します。
• 参考スコア（独自算出の注目度）: 24.39663113045202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the one-time selling B2B context, the buying cycle may last months or even years. During the long process, targeting customers that have a high potential to make purchases and recommending personalized campaigns accordingly are important for effective marketing. For this goal, we study the following problems, B2B customer data aggregation, customer feature generation, and prediction of whether a B2B customer would show interest in making a purchase (i.e., prediction of conversion into sales funnel). We propose an algorithm to aggregate individual contacts to the B2B customer level based on multiple keys. For non-standardized keys such as company names, we propose a novel architecture to cluster them in a domain encompassing irregularities such as spelling mistakes and spelling variants. We then define and generate a set of features and apply the CatBoost model for customer conversion prediction. Our framework achieves 91\% prediction accuracy. Based on the prediction results and analysis of the model, we then discuss personalized campaign recommendations to foster conversion.
• Abstract（参考訳）: 一度に販売されるB2Bのコンテキストでは、購入サイクルは数ヶ月または数年持続する。 長期的には、購入の可能性が高い顧客をターゲットとし、パーソナライズされたキャンペーンを推奨することが、効果的なマーケティングにとって重要である。 本研究では、B2Bの顧客データ収集、顧客特徴生成、B2Bの顧客が購入に関心を示すかどうかの予測(すなわち、販売ファンネルへの転換予測)について検討する。 複数のキーに基づいてB2B顧客レベルに個別の連絡先を集約するアルゴリズムを提案する。 企業名などの非標準化キーに対しては、スペルミスやスペル変種などの不規則を含む領域にそれらをクラスタリングする新しいアーキテクチャを提案する。 次に、一連の機能を定義して生成し、顧客変換予測にCatBoostモデルを適用します。 予測精度は91 %である。 予測結果とモデル解析に基づいて、変換を促進するためのパーソナライズされたキャンペーンレコメンデーションについて議論する。

関連論文リスト

• Scaling Open-Ended Reasoning to Predict the Future [56.672065928345525]
  我々は、オープンエンドの予測質問の予測を行うために言語モデルを訓練する。 トレーニングデータをスケールアップするために、毎日のニュースで報告されるグローバルイベントから新しい予測質問を合成する。 トレーニングの予測によるキャリブレーションの改善は、一般的なベンチマークで一般化されている。
  論文  参考訳（メタデータ） (2025-12-31T18:59:51Z)
• Enhancing Customer Service Chatbots with Context-Aware NLU through Selective Attention and Multi-task Learning [0.0]
  顧客意図を予測するためのコンテキスト認識型NLUモデルを提案する。 新規な選択的アテンションモジュールは、関連するコンテキスト特徴を抽出するために使用される。 当社では、Walmartのカスタマケアドメインの本番環境にモデルをデプロイしています。
  論文  参考訳（メタデータ） (2025-06-02T15:24:28Z)
• CATS: Clustering-Aggregated and Time Series for Business Customer Purchase Intention Prediction [7.294680030004759]
  顧客が次の購入をするかどうかを予測することは、古典的な時系列予測タスクです。 顧客グループは通常、不均衡を示す。つまり、時々買い手や少数の忠実な顧客がいる。 本稿では,顧客購入意図予測にマルチモーダルデータを活用するクラスタリングとアテンションGRUモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-19T09:07:34Z)
• An Instrumental Value for Data Production and its Application to Data Pricing [107.98697414652479]
  本稿では,データ生成プロセスのインストゥルメンタルな価値を捉えるためのアプローチを開発する。 情報経済学における情報設計と信号の古典的概念とどのように結びつくかを示す。
  論文  参考訳（メタデータ） (2024-12-24T03:53:57Z)
• 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)
• Progressive End-to-End Object Detection in Crowded Scenes [96.92416613336096]
  以前のクエリベースの検出器は2つの欠点に悩まされていた: まず、複数の予測が1つのオブジェクトに対して推論される。 具体的には、まず受理されたクエリを選択して正の予測を生成し、その後、受理された予測に従って残雑音のあるクエリを精査する。 提案手法は,混み合ったシーンにおける問合せ型検出器の性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-03-15T06:12:00Z)
• Evaluating Deep Vs. Wide & Deep Learners As Contextual Bandits For Personalized Email Promo Recommendations [1.1213676742918772]
  パーソナライゼーションにより、企業は過去のインタラクションから顧客の好みを学ぶことができる。 我々は、いくつかの選択肢から与えられた顧客に対する最適なプロモーションオファーを予測する問題は、文脈的盗聴の問題であると考えている。
  論文  参考訳（メタデータ） (2022-01-31T23:26:17Z)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)
• Personalized Entity Resolution with Dynamic Heterogeneous Knowledge Graph Representations [40.37976161857134]
  製品ランキングの精度を向上させるためにパーソナライズされた機能を活用する新しいフレームワークを提案する。 まず、顧客購入履歴と製品知識グラフからオープンソースの異種知識グラフを作成し、顧客と製品の埋め込みを共同で学習します。 その後、プロダクト、顧客、履歴の表現をニューラルリランキングモデルに組み込んで、どの候補が特定の顧客に購入される可能性が最も高いかを予測します。
  論文  参考訳（メタデータ） (2021-04-06T16:58:27Z)
• Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
  本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。 本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
  論文  参考訳（メタデータ） (2020-09-08T12:10:10Z)

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。