ترجمه نشده
مقاله انگلیسی استفاده از یادگیری ماشین نظارت شده برای پیش بینی فروش B2B
عنوان فارسی مقاله: استفاده از یادگیری ماشین نظارت شده برای پیش بینی فروش B2B: مطالعه موردی پیش بینی فروش قطعات یدکی در یک ارائه دهنده خدمات پس از فروش
عنوان انگلیسی مقاله: Using supervised machine learning for B2B sales forecasting: A case study of spare parts sales forecasting at an after-sales service provider
مجله/کنفرانس: سیستم های خبره با کاربردها - Expert Systems with Applications
رشته های تحصیلی مرتبط: مهندسی کامپیوتر و مدیریت
گرایش های تحصیلی مرتبط: مدیریت کسب و کار، بازاریابی، هوش مصنوعی
کلمات کلیدی فارسی: یادگیری ماشینی تحت نظارت، پردازش زبان طبیعی (NLP)، پیش بینی فروش B2B، اولویت بندی در پتانسیل فروش، استخراج اطلاعات، داده های نامتعادل
کلمات کلیدی انگلیسی: Supervised machine learning - Natural Language Processing (NLP) - B2B sales forecasting - Prioritization on sales potential - Information Extraction - Imbalanced data
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journals List - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.eswa.2021.115925
دانشگاه: Industrial Engineering and Business Information Systems (IEBIS), Faculty of Behavioural Management and Social Sciences, University of Twente, The Netherland
ایمپکت فاکتور: 6.954 در سال 2020
شاخص H_index: 207 در سال 2020
شاخص SJR: 1.368 در سال 2020
شاخص Quartile (چارک): Q1 در سال 2020
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: دارد
آیا این مقاله فرضیه دارد: ندارد
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (انگلیسی) Abstract
Keywords
Introduction
Literature review
B2B sales potential forecasting model
Results
Conclusion
Ethical considerations
Declaration of Competing Interest
Appendix A. Supplementary data
References
بخشی از مقاله (انگلیسی) ABSTRACT
In this paper, we present a method to use advance demand information (ADI), taking the form of request for quotation (RFQ) data, in B2B sales forecasting. We apply supervised machine learning and Natural Language Processing techniques to analyze and learn from RFQs. We apply and test our approach in a case study at a large after-sales service and maintenance provider. After evaluation we found that our approach identifies ~ 70% of actual sales (recall) with a precision rate of ~ 50%, which represents a performance improvement of slightly more than a factor 2.5 over the current labor-intensive manual process at the service and maintenance provider. Our research contributes to literature by giving step-by-step guidance on incorporating artificial intelligence in B2B sales forecasting and revealing potential pitfalls along the way. Furthermore, our research gives an indication of the performance improvement that can be expected when adopting supervised machine learning into B2B sales forecasting.
