VALOR：面向B2B销售、基于治疗门控表征的价值感知收入提升建模
机器学习
2026-04-06 v1
摘要
B2B销售组织必须在零膨胀的收入分布中识别“可说服”的客户，以优化昂贵的人力资源配置。标准的提升建模框架在高维空间中面临治疗信号崩溃的问题，以及回归校准与高价值“大客户”排序之间的错位。我们引入了VALOR（面向优化的（B2B）收入的价值感知学习），这是一个统一的框架，其核心是一个治疗门控稀疏收入网络，利用双线性交互来防止因果信号崩溃。该框架通过一种新颖的成本敏感焦点零膨胀对数正态（Cost-Sensitive Focal-ZILN）目标函数进行优化，该目标函数结合了用于分布鲁棒性的焦点机制和基于财务规模缩放惩罚的价值加权排序损失。为了为高接触销售计划提供可解释性，我们进一步推导出鲁棒ZILN-GBDT，这是一种基于树的变体，利用自定义分裂准则来处理提升异质性。广泛的评估证实了VALOR的优越性，在公开基准测试中，其可排序性相比最先进方法提升了20%，并在为期4个月的严格生产环境A/B测试中，每个账户的增量收入经验证提升了2.7倍。
引用
@article{arxiv.2604.02472,
title = {VALOR: Value-Aware Revenue Uplift Modeling with Treatment-Gated Representation for B2B Sales},
author = {Vamshi Guduguntla and Kavin Soni and Debanshu Das},
journal= {arXiv preprint arXiv:2604.02472},
year = {2026}
}