Simple Science

最先端の科学をわかりやすく解説

# コンピューターサイエンス# 情報検索# 人工知能# 機械学習

スマートなレコメンデーションシステムでセールスを効率化する

Microsoftの売り手がビジネスチャンスに関連するコンテンツを見つけるためのシステム。

― 1 分で読む


売上ポテンシャルの最大化売上ポテンシャルの最大化ステム。効果的なコンテンツ推薦のためのスマートシ
目次

マイクロソフトの営業担当者は大変な仕事をしてるんだ。いろんな顧客やパートナーとのビジネスチャンスを見つけて、追跡する必要があるからね。これには、顧客とつながって、最適なソリューションを提供するためにどのステップを踏むべきかを知っておくことが重要だ。営業担当者がこれをより良くするための一つの方法は、コンテンツの推薦なんだ。コンテンツ推薦システムは、営業担当者が顧客と共有したり、自分自身の学びに使ったりできる最適なドキュメントやリソースを提案するツールなんだ。

推薦システムの目的は?

私たちの推薦システムの主な目的は、営業担当者が特定のビジネスチャンスに関連する最も役立つコンテンツをすぐに見つけられるようにすることなんだ。ビジネスチャンスっていうのは、顧客との販売を成立させたり、契約を締結するチャンスのことを指すよ。見込み客を実際の顧客に変えたり、既存の顧客に対してサービスを拡大したりすることも含まれるんだ。だから、適切なドキュメントを適切なタイミングで共有することは、販売プロセスを進める上でめっちゃ重要なんだ。

コンテンツが重要な理由は?

営業担当者がビジネスチャンスに対処している時、顧客にマイクロソフトの製品の価値を示すのに役立つコンテンツを提示する必要があるんだ。このコンテンツは形がいろいろあって、例えば:

  • 製品の動作を説明する技術文書
  • 他の人がその製品で得た成功事例
  • 競合製品との比較をして優位性を強調すること

営業担当者が必要なときに適切なコンテンツを見つけるのを助けるシステムがあれば、契約を成立させるチャンスが大きく向上するんだ。

推薦システムはどう機能するの?

私たちの推薦システムは、各ビジネスチャンスの詳細を見て、それに関連するコンテンツを特定の属性に基づいてマッチさせるんだ。セマンティックマッチングという方法を使っていて、これはコンテンツがビジネスチャンスのニーズにどれだけ合っているかをチェックするってことなんだ。

マイクロソフトの営業担当者が扱うビジネスチャンスの数が多いから、システムは効率的に多くのコンテンツオプションを管理・分析する必要があるんだ。課題は、各ビジネスチャンスに対して、広大なドキュメントライブラリから最も関連性のある上位5つのコンテンツを推薦することなんだ。

コンテンツをビジネスチャンスにマッチさせる

コンテンツをビジネスチャンスに効果的にマッチさせるためには、まずコンテンツとビジネスチャンスのデータを集める必要があるんだ。それぞれのドキュメントは、主な特徴を強調した短い説明に要約されるんだ。同様に、ビジネスチャンスも主要な属性を使って説明されるよ。

例えば、ドキュメントの重要な詳細には製品名、短い説明、ドキュメントがカバーするソリューションエリアが含まれることがある。ビジネスチャンスについても、マッチングに役立つ類似の特徴を見ていくんだ。共有属性に焦点を当てることで、営業担当者に良い推薦を引き出す可能性が高まるんだ。

推薦のプロセス

  1. コンテンツの要約: Seismicのコンテンツリポジトリからのドキュメントを、主要な詳細を捉えたプロンプトに要約する。
  2. ビジネスチャンスの収集: 営業担当者が扱っているビジネスチャンスを同様に収集して要約する。
  3. マッチを探す: システムが要約されたビジネスチャンスをコンテンツプロンプトと比較して、潜在的なマッチを見つける。
  4. 候補のランキング: システムが候補ドキュメントのリストを生成し、各ビジネスチャンスに対して上位5つの推薦を特定するために再ランキングする。

タスクの規模

大量のビジネスチャンスやドキュメントを扱うのは大きな挑戦なんだ。何千ものオープンなビジネスチャンスがあって、さらに多くのドキュメントがあるから、組み合わせがすごく多くなる。これに対処するために、販売ステージやソリューションエリアのような特定の特徴に基づいてオプションをフィルタリングするんだ。このフィルタリングによって処理する必要がある組み合わせの数が減るけど、それでもまだ多いんだ。

パフォーマンスの最適化

システムを効率的に動かすために、分散コンピューティングのアプローチを使ってるんだ。これにより、複数のビジネスチャンスを一度に処理できて、推薦プロセスが速くなるんだ。また、プロセスの中で最も時間がかかる部分に特に焦点を当てて、計算負荷を効率的に扱うための高度な技術も使ってるよ。

推薦の評価

推薦の質を測る具体的なデータがないと、システムのパフォーマンスを評価するのが難しいんだ。質を把握するために、専門の人が推薦されたドキュメントを評価して、その関連性についてフィードバックを提供するんだ。このフィードバックはシステムを微調整して、その精度を向上させるのに役立つんだ。

また、システムのスコアを人の判断と比較するために統計的手法も使ってるよ。強い一致があれば、システムが正しい方向に進んでいることを示唆していて、信頼性の高い推薦ができるってわけさ。

継続的な改善

推薦モデルは静的ではないんだ。実際のユーザーからのフィードバックに基づいて、継続的に改善していくんだ。営業担当者は、推薦されたドキュメントがどれだけ役立ったかについて情報を提供できるから、将来のモデルの調整に役立つんだ。

営業ツールとの統合

推薦システムはマイクロソフトのMSXツールに組み込まれていて、営業担当者が簡単にアクセスできるようになってるんだ。ビジネスチャンスを開いた時に、すぐに推薦されたコンテンツを確認できるんだ。このコンテンツは顧客と共有する準備ができているか、営業担当者の知識のためのドキュメントの可能性があるんだ。

統合によって、営業担当者は顧客のニーズに迅速に反応できて、販売プロセスをスムーズに進めるのに役立つんだ。彼らは推薦されたドキュメントとの履歴にアクセスして、過去に何がうまくいったかを見て、それに応じてアプローチを調整できるんだ。

今後の計画

今後、推薦システムを拡張・強化する方法がたくさんあるんだ。計画には次のことが含まれるよ:

  • 追加のデータや特徴に基づいてモデルを微調整すること。
  • 営業担当者のフィードバックを活用してドキュメントの関連性をさらに向上させること。
  • 以前は考慮しなかった特徴が推薦にどう影響するかを探求すること。
  • 新たに利用可能になるさまざまなコンテンツソースを活用できるようシステムを強化すること。

このシステムを継続的に改善していくことで、マイクロソフトは営業担当者が顧客と効果的に関わり、成功裏に販売を締結するために最適なリソースを常に持っていることを目指しているんだ。

まとめ

要するに、各ビジネスチャンスの具体的な詳細に焦点を当てたスマートな推薦システムを使うことで、マイクロソフトの営業担当者は成功のチャンスを高められるんだ。このシステムは関連するコンテンツを見つけるプロセスを単純化して、営業担当者が顧客とのより強い関係を築き、販売機会を最大化するのをサポートしてるんだ。この技術が改善され続けることで、販売プロセスはさらに効果的で効率的になるって約束してるんだ。

オリジナルソース

タイトル: Fine-grained large-scale content recommendations for MSX sellers

概要: One of the most critical tasks of Microsoft sellers is to meticulously track and nurture potential business opportunities through proactive engagement and tailored solutions. Recommender systems play a central role to help sellers achieve their goals. In this paper, we present a content recommendation model which surfaces various types of content (technical documentation, comparison with competitor products, customer success stories etc.) that sellers can share with their customers or use for their own self-learning. The model operates at the opportunity level which is the lowest possible granularity and the most relevant one for sellers. It is based on semantic matching between metadata from the contents and carefully selected attributes of the opportunities. Considering the volume of seller-managed opportunities in organizations such as Microsoft, we show how to perform efficient semantic matching over a very large number of opportunity-content combinations. The main challenge is to ensure that the top-5 relevant contents for each opportunity are recommended out of a total of $\approx 40,000$ published contents. We achieve this target through an extensive comparison of different model architectures and feature selection. Finally, we further examine the quality of the recommendations in a quantitative manner using a combination of human domain experts as well as by using the recently proposed "LLM as a judge" framework.

著者: Manpreet Singh, Ravdeep Pasricha, Ravi Prasad Kondapalli, Kiran R, Nitish Singh, Akshita Agarwalla, Manoj R, Manish Prabhakar, Laurent Boué

最終更新: 2024-07-09 00:00:00

言語: English

ソースURL: https://arxiv.org/abs/2407.06910

ソースPDF: https://arxiv.org/pdf/2407.06910

ライセンス: https://creativecommons.org/licenses/by/4.0/

変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。

オープンアクセスの相互運用性を利用させていただいた arxiv に感謝します。

著者たちからもっと読む

類似の記事