هوش مصنوعی
SPAR چارچوبی برای بهبود راهبرد فروش B2B از تجربهٔ گفت‌وگوها پیشنهاد می‌کند
پیش‌چاپی در arXiv چارچوبی معرفی می‌کند که به‌جای به‌روزرسانی پارامترهای مدل، راهبردهای فروش را به‌صورت فرضیه‌های آزمون‌پذیر اصلاح می‌کند.
فروش برون‌گرای کسب‌وکاربه‌کسب‌وکار (B2B) معمولاً به چند دور ارتباط و تکیه بر زمینهٔ گفت‌وگوهای پیشین نیاز دارد. به‌گفتهٔ نویسندگان پیش‌چاپ SPAR، عامل‌های فروش مبتنی بر مدل‌های زبانی بزرگ اغلب در یک نشست محدود می‌مانند و نمی‌توانند زمینه را به نشست‌های بعدی منتقل کنند یا راهبردهایشان را از تجربه بهبود دهند. روش‌هایی هم که از تجربه می‌آموزند، درس‌ها را معمولاً به‌شکل متن نامنظم نگه می‌دارند و همهٔ نتیجه‌ها را به یک اندازه آموزنده فرض می‌کنند؛ در نتیجه، سازوکار مشخصی برای تمایز میان راهبرد نادرست و عامل بیرونی ندارند.
SPAR راهبردهای فروش را فرضیه‌هایی آزمون‌پذیر در نظر می‌گیرد و آن‌ها را بدون به‌روزرسانی پارامترهای مدل اصلاح می‌کند. معماری دومرحله‌ای آن، در حلقهٔ داخلی از حافظهٔ رویدادی برای سازگارشدن با هر فروشنده استفاده می‌کند. چکیدهٔ در دسترس جزئیات بیشتری دربارهٔ حلقهٔ دیگر یا نتایج ارزیابی چارچوب ارائه نمی‌کند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده