Järgmiste parimate meetmete ennustamine Pipedrive’i klientide müügimõõdikute parandamiseks
Nimi
Amey Chandrakant Darekar
Kokkuvõte
Ennustava protsessi jälgimise (PPM) tehnikad kasutavad ajalooliste sündmuste logiandmete kogu potentsiaali, rakendades andmete kaevandamise ja masinõppe meetodeid, et prognoosida protsessi käitumist tulevikus, näiteks ennustada või soovitada järgmist parimat tegevust (või tegevust). Kaasaegsed tehnikad järgmise parima tegevuse soovitamiseks, eriti need, mis kasutavad Deep Neural Networks'i (DNNs), on saavutanud peaaegu täiusliku täpsuse ärikeskkondade tulevase protsessikäitumise ennustamisel. Vaatamata sellele, kuna need tehnikad ei võta arvesse tulemuslikkuse põhinäitajaid (KPI), on näitajad, mida ettevõtted kasutavad protsessi tulemuslikkuse mõõtmiseks, muutes need tehnikad piiratud nende võimega parandada äriprotsesse reaalsetes rakendustes. Protsessisimulatsiooni on varem kasutatud KPIde kaasamiseks, et optimeerida äritehingute protsessivoogu, kuid see meetod on piiratud, kui puuduvad lõplikud tegevuse tulemused. Sellistel juhtudel annavad katsed kasutada protsessi simulatsiooni koos otsuste toetamisega meetmete voogude kontrollimiseks sageli ebasoodsaid tulemusi. Pakume välja lähenemisviisi, mis on inspireeritud äriprotsesside optimeerimisest, mis põhineb tegevuse järjestuste tõenäolisel jaotusel, et ennustada järgmist parimat tegevust. Püüame seda tehnikat rakendada, võttes arvesse KPI-sid, mis optimeerivad müügitehingute edukust, kasutades Pipedrive CRM-ist saadud reaalmaailma sündmuste logisid. Samuti viisime läbi eksperimente heuristiliste otsingustrateegiatega, et mõõta nende kasulikkust, kui need on seotud meie pakutud strateegiaga. Me võrdleme meie pakutud raamistiku jõudlust traditsioonilise kontrollivoolu simulatsioonil põhineva tehnikaga.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Informaatika
Juhendaja(d)
Mahmoud Kamel Akila Soliman Shoush
Kaitsmise aasta
2023