基于 LLM 的汽车销售线索排序 (asLLR)
信息检索
2025-10-28 v1 机器学习
摘要
在商业汽车销售领域，高质量的线索得分排序决定了销售工作的优先级，对优化销售系统效率至关重要。由于 CRM 系统包含大量来自销售与客户之间文本交互的特征，传统方法如点击率预测 (Click Through Rate, CTR) 在处理自然语言特征中难以处理复杂信息，限制了其在销售线索排序中的效果。弥合这一差距对提升业务智能和决策至关重要。近期，大语言模型 (Large Language Model, LLM) 的出现为改进推荐系统提供了新途径。本研究引入 asLLR (LLM-based Leads Ranking in Auto Sales)，将 CTR 损失与问答 (Question Answering, QA) 损失集成到解码器-only 大语言模型架构中。该集成使同时建模表格特征和自然语言特征成为可能。为验证 asLLR 的有效性，我们构建了一个源自某新能源汽车品牌客户线索池的创新数据集，包含 30 万训练样本和 4 万测试样本。我们的实验结果表明，asLLR 有效建模了商业数据集中的复杂模式，AUC 达 0.8127，超越传统 CTR 估计方法 0.0231。此外，asLLR 在用于提取文本特征时对 CTR 模型提升了 0.0058。在真实销售场景中，经过严格的线上 A/B 测试，asLLR 相较于传统方法实现了约 9.5% 的销售量提升，为业务智能和运营决策提供了宝贵工具。
引用
@article{arxiv.2510.21713,
title = {asLLR: LLM based Leads Ranking in Auto Sales},
author = {Yin Sun and Yiwen Liu and Junjie Song and Chenyu Zhang and Xinyuan Zhang and Lingjie Liu and Siqi Chen and Yuji Cao},
journal= {arXiv preprint arXiv:2510.21713},
year = {2025}
}