論文の概要: Forecasting Sales Delay through Time-aware Analysis of Sales Events in Textual Reports
- arxiv url: http://arxiv.org/abs/2611.16704v1
- Date: Thu, 12 Nov 2026 12:21:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.464587
- Title: Forecasting Sales Delay through Time-aware Analysis of Sales Events in Textual Reports
- Title(参考訳): テクストレポートにおける販売イベントの時系列分析による予測売上の遅れ
- Abstract要約: ビジネス・ツー・ビジネス (Business-to-Businessiness, B2B) は、顧客からの注文に応じて、ワン・オブ・ザ・キンドの製品を開発し、提供する。
販売遅延予測は、販売プロセス中の予定注文日から遅れ日を予測する新しいタスクである。
本稿では,販売担当者の信頼度をクライアントの注文意欲の代行尺度として示す信頼度機能を提案する。
- 参考スコア(独自算出の注目度): 9.884369180564928
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Business-to-business (B2B) companies develop and deliver a one-of-a-kind product in response to a client's orders. To prepare resources for development beforehand, companies estimate dates when they will receive orders from clients in their sales process, called scheduled order dates. However, dates when the companies actually receive orders can differ from the scheduled order dates. This difference increases costs in the development. If the difference could be forecasted before receiving orders, companies could optimize their resource preparation. Towards reducing the costs, we introduce sales delay forecasting, a novel task of forecasting delay days from the scheduled order dates during sales process where sales representatives (sales reps) interact with the clients to receive orders. Sales delay forecasting is challenging because the sales process progress inherently involves uncertainty and depends on the client's willingness to order. To address this task, we propose confidence features which represent sales reps' confidence as a proxy measure of the client's willingness to order. To represent it, our method extracts dates of future sales events anticipated by sales reps from textual reports. To consider whether the confidence objectively looks reasonable, we also introduce status features which describe sales process status based on current date and past events. In experiments using real sales data, our method achieved a 16% lower mean absolute error compared with a feature-based baseline similar to a prior work. Moreover, our method outperformed non-feature-based baselines using large language models, indicating that it is crucial to explicitly create our features.
- Abstract(参考訳): ビジネス・ツー・ビジネス (Business-to-Businessiness, B2B) は、顧客からの注文に応じて、ワン・オブ・ザ・キンドの製品を開発し、提供する。
開発のためのリソースを事前に準備するために、企業は、スケジュール注文日と呼ばれる販売プロセスにおいて顧客から注文を受ける日時を見積もる。
ただし、実際の受注日は予定日と異なる場合がある。
この違いは開発コストを増大させる。
注文を受ける前にその差を予測できれば、企業はリソースの準備を最適化できる。
コスト削減に向けて,販売担当者(販売担当者)が注文を受ける顧客と対話する販売プロセスにおいて,スケジュール日時から遅延日を予測する新たなタスクである営業遅延予測を導入する。
販売遅延予測は、販売プロセスの進行が本質的に不確実性を伴うため、クライアントの注文意欲に依存するため、困難である。
この課題に対処するため,販売担当者の信頼度をクライアントの注文意欲の代行尺度として示す信頼度機能を提案する。
そこで本手法は,販売担当者が予想する今後の販売イベントの日付をテキストレポートから抽出する。
また,信頼感が客観的に妥当であるかどうかを検討するために,現在および過去の出来事に基づいて販売プロセスの状況を記述するステータス機能を導入する。
実販売データを用いた実験では,従来と類似した特徴ベースラインに比べて平均絶対誤差が16%低かった。
さらに,提案手法は,大規模言語モデルを用いた非機能ベースラインよりも優れており,特徴を明示的に作成することが重要であることを示す。
関連論文リスト
- TimeHF 2.0: Multimodal, Multivariate, and Multi-Region Collaborative Forecasting for Large-Scale Retail Supply Chains [34.63319559865916]
TimeHF 2.0は、数値予測に使える柔軟に表現されたビジネス知識を提供する協調予測フレームワークである。
セマンティックアライメントモジュールは、自然言語プランとドメインエクスペリエンスの言語モデル隠れ表現を、ターゲット固有の予測コンテキストに転送する。
営業観察に対する学習は、これらの意味を数値的エビデンスに結び付け、ビジネスユーザが各説明に新しい数値的特徴を定義することなく、経験、将来の計画、状況の変化を提供する。
論文 参考訳(メタデータ) (2026-11-07T06:40:04Z) - A Deep Learning Framework for Quantile Demand Forecasting in E-commerce with Doubly Censored Data [3.890597289078549]
小売業では、実際の販売は在庫で抑えられ、一時的なプロモーションによって押し上げられるが、ターゲットは需要の根底にある。
本稿では,2重に検閲された観測から量子化を学習するためのフレームワークを導入し,評価基準の調整を提案する。
我々のアプローチは理論的保証によって支持されており、我々の計量がオラクル校正測度とよく相関していることを実証的に実証している。
論文 参考訳(メタデータ) (2026-10-29T14:30:16Z) - 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) - 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) - 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) - 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) - 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) - SMURF-THP: Score Matching-based UnceRtainty quantiFication for
Transformer Hawkes Process [76.98721879039559]
SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。
具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。
我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
論文 参考訳(メタデータ) (2023-10-25T03:33:45Z) - 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) - Online Fashion Commerce: Modelling Customer Promise Date [0.0]
電子商取引では、納期を正確に予測することが顧客体験において大きな役割を果たす。
本稿では,誤った予測を異なる方法でペナルティ化するための機械学習に基づくアプローチを提案する。
提案モデルはファッションeコマース用に社内に展開され、運用中である。
論文 参考訳(メタデータ) (2021-05-01T18:16:12Z) - How Much Can A Retailer Sell? Sales Forecasting on Tmall [20.51263243320733]
本稿では,世界最大のオンラインB2CプラットフォームであるTmallにおける小売店の売上予測事例について検討する。
我々は,販売予測,すなわち季節性抽出と流通転換の2つのメカニズムを設計する。
論文 参考訳(メタデータ) (2020-02-27T06:41:00Z)
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。