销售对话中的何时退出学习
计算与语言
2025-11-04 v1 机器学习
摘要
销售人员经常面临是否继续对话或转而放弃以追求下一个机会的动态筛选决策。然而，人们对这些决策的作法、效率以及如何改进缺乏了解。我们研究高频 outbound 销售中的这些决策，在这种情况下，线索丰富但时间紧张且失败常见。我们将动态筛选决策形式化为最优停止问题，构建基于生成式语言模型的序列决策智能体——停止智能体——通过模仿 retrospectively 推断的最优停止策略来学习何时退出对话。我们的方法处理高维文本状态，扩展到大型语言模型，并兼容开源和专有语言模型。在应用于来自大型欧洲电信公司的通话后，我们的停止智能体将失败通话的时间减少 54%，同时几乎保留所有销售额；将节省的时间重新分配可使预期销售额提升最高 37%。通过检查驱动销售人员退出决策的语言线索，我们发现他们倾向于过度关注少数表示消费者不感兴趣的突出表述，并误判通话失败风险，这表明他们在做实时对话决策时存在认知局限。我们的发现凸显了人工智能算法纠正认知受限人类决策并提升销售团队效率的潜力。
引用
@article{arxiv.2511.01181,
title = {Learning When to Quit in Sales Conversations},
author = {Emaad Manzoor and Eva Ascarza and Oded Netzer},
journal= {arXiv preprint arXiv:2511.01181},
year = {2025}
}