Tafiti zaidi ya 80 zilizokaguliwa na wenzao zinaonyesha kuwa vipengele mahususi, vinavyopimika katika mapendekezo vinatabiri moja kwa moja iwe utashinda au kupoteza. Kulingana na ufahamu huu, tuliunda modeli ya utoaji alama ya AI inayotathmini vipimo 14.
Jinsi tulivyofikia modeli yetu ya tathmini ya AI: ukaguzi wa fasihi kuhusu ufanisi wa mapendekezo, sayansi ya kushawishi, na tathmini ya kiotomatiki
Ubora wa pendekezo si wa kibinafsi. Hiyo ndiyo ujumbe wa msingi wa makala hii.
Tafiti zaidi ya 80 zilizokaguliwa na wenzao, uchambuzi-mkuu, na mifumo ya kitaalamu iliyojengwa zinaonyesha kuwa vipengele mahususi, vinavyopimika katika mapendekezo vinatabiri moja kwa moja iwe utashinda au kupoteza kazi. Viwango vitatu vya bei vinaongeza mapato yako kwa kila mteja kwa 30%. Kuonyesha marejeleo kunaongeza ubadilishaji kwa 270%. Muundo wa kitaalamu hufanya pendekezo lako kuwa na ushawishi zaidi kwa 43%. Na ubinafsishaji hutoa hadi 40% zaidi ya mapato (Arora et al., 2021; Simonson, 1989; Spiegel Research Center, 2017; Vogel et al., 1986).
Kulingana na ufahamu huu wa kisayansi, tuliunda modeli ya utoaji alama inayotathmini vipimo 14, vilivyogawanywa katika sehemu kumi za pendekezo na vipimo vinne vya jumla vya ubora. Modeli hii imeundwa ili AI iweze kuitumia kwa uthabiti na kwa kuaminika. Utafiti unaonyesha kuwa tathmini inayoongozwa na AI kulingana na rubriiki zilizopangwa sasa inafanikiwa kupata zaidi ya 80% ya makubaliano na wataalam wa kibinadamu, inayolinganishwa na kile watathmini wa kibinadamu wanapopata kati yao (Zheng et al., 2023).
Kiwango cha wastani cha kushinda katika zabuni za ushindani ni 45% (Loopio, 2025). Mashirika yanayotumia mifumo ya ubora iliyopangwa mara kwa mara yanaongeza mara mbili kiwango hicho cha kushinda (Lohfeld Consulting Group, 2022). Tofauti hiyo ndiyo hasa modeli hii ya utoaji alama inaifanya kuwa ya kuonekana na inayofikiwa.
Ni nini kinachoamua iwe pendekezo linashinda? Fasihi ya kitaaluma na kitaalamu inatoa jibu wazi. Uhusiano uliopo na mteja ndio kitabiri chenye nguvu zaidi. Wauzaji wa sasa wanashinda katika 60 hadi 90% ya kesi, ikilinganishwa na wastani wa sekta wa 45% (Seibert, 2018).
Lakini tunapoweka kando kipengele cha uhusiano, ubora wa pendekezo lenyewe unafanya tofauti kubwa. Lohfeld Consulting Group ilichambua kesi za malalamiko katika U.S. Government Accountability Office na kuhitimisha kuwa mapendekezo yenye nguvu zilizotambuliwa kwa uwazi zaidi yanashinda, hata kwa bei za juu zaidi. Mapendekezo yenye upungufu mwingi yanakadiria kama "yasiyotolewa," bila kujali bei (Crist, 2022).
Mifumo mitatu ya kitaalamu inaunda msingi wa kimuundo wa modeli yetu:
Njia ya Shipley (iliyoanzishwa mwaka 1972) inatumika duniani kote na makampuni ya Fortune 100. Kanuni ya msingi: andika kutoka mtazamo wa mteja, si wako mwenyewe. Fungua kila sehemu na hoja yako muhimu zaidi (Bottom Line Up Front) na fuata mchakato wa ukaguzi uliopangwa kutoka mkakati hadi ukaguzi wa mwisho.
Mwili wa Maarifa wa APMP unaeleza umahiri 22 na kuunganisha kwa uwazi sayansi ya kushawishi. Miongozo yao inarejelea Modeli ya Uwezekano wa Ufafanuzi (Petty & Cacioppo, 1986) na kanuni za ushawishi za Cialdini.
Mbinu ya Lohfeld ya Kushinda kwa Nguvu inaweka wazi: "Mapendekezo yanapimwa, si kusomwa." Idadi na ubora wa nguvu zilizotambuliwa kwa uwazi huamua matokeo (Lohfeld Consulting Group, 2022).
Na kisha kuna ubinafsishaji. Utafiti wa McKinsey unaonyesha kuwa makampuni yanayofanya vizuri katika ubinafsishaji yanazalisha 40% zaidi ya mapato kuliko wastani wa wafanyaji (Arora et al., 2021). Kanuni ile ile inatumika kwa mapendekezo: majibu ya jumla, yaliyonakiliwa ni moja ya sababu kuu za kushindwa (Loopio, 2025).
Modeli ya Uwezekano wa Ufafanuzi (Petty & Cacioppo, 1986) inaeleza jinsi watu wanavyochakata taarifa kupitia njia mbili.
Kupitia njia kuu, watathmini wanachambua kwa makini maudhui: ubora wa hoja, nguvu ya ushahidi, na muundo wa kimantiki. Hii hutokea wakati mtu ana muda wa kutosha, utaalamu, na ushiriki.
Kupitia njia ya pembeni, watathmini wanategemea ishara za haraka: inaonekana kitaalamu kiasi gani? Ni nani nyuma yake? Je, kuna nembo na marejeleo yanayotambulika? Hii hutokea chini ya shinikizo la muda, mzigo wa kupita kiasi wa taarifa, au wakati somo linapokuwa nje ya utaalamu wa mtu.
Ufahamu muhimu: njia zote mbili zinafanya kazi kwa wakati mmoja. Ununuzi wa B2B kawaida unahusisha wadau 6 hadi 10 (Gartner, 2023) wenye majukumu tofauti (Webster & Wind, 1972). Mtaalamu wa kiufundi anasoma mpango wako wa mradi neno kwa neno. Mkurugenzi anapitia na kuangalia muundo, timu, na marejeleo. Kitchen et al. (2014) wanathibitisha hali hii ya uchakataji-mbili katika muktadha wa kisasa wa biashara.
Pendekezo linaloshinda linatumikia njia zote mbili. Ndiyo sababu hasa modeli yetu ya utoaji alama inapima kina cha maudhui na uwasilishaji wa kuona.
Mfumo wa ushawishi wa Cialdini (Cialdini, 2001, 2021) unategemea miongo ya utafiti wa majaribio. Kila kanuni inaweza kutafsiriwa moja kwa moja kwa mapendekezo:
Usawazishaji unafanya kazi pia kwenye karatasi. Kwa kushiriki ufahamu wa thamani katika pendekezo lako mapema (ukaguzi wa haraka, alama ya kulinganisha, ushauri), unaunda deni la kisaikolojia. Katika tafiti za Cialdini za mikahawa, zawadi zilizobishanishwa binafsi ziliongeza vidokezo kwa 23%.
Uthibitisho wa kijamii ni mojawapo ya taratibu zenye nguvu zaidi katika ununuzi. Goldstein et al. (2008) walionyesha kuwa kanuni za kijamii za kuelezea ziliongeza tabia inayolengwa kwa 26%. Kwa mapendekezo: onyesha kuwa makampuni yanayolinganishwa tayari yamekuchagua.
Mamlaka ndiyo inayofanya vyeti na sifa kuwa na thamani sana. Wakati wafanyakazi wa mali isiyohamishika walipotambulisha mawakala kwa kutaja sifa zao, miadi ilipanda kwa 20% na mikataba iliyotiwa sahihi kwa 15% (Cialdini, 2001).
Uhaba unatumia ukweli kwamba watu wanapima hasara takriban mara mbili zaidi kuliko faida za ukubwa sawa (Kahneman & Tversky, 1979). Ofa za muda mfupi na upatikanaji mdogo kwa hivyo ni mbinu za kufunga zenye ufanisi.
Kujitolea na uthabiti ndiyo inayofanya kurejelea kauli za awali za mteja kuwa na ufanisi sana. Freedman na Fraser (1966) walidhihirisha kuongezeka kwa mara nne katika kuzingatia baada ya kujitolea kwanza kwa kitu kidogo.
Kupendwa kunatokea kupitia kufanana na ushirikiano. Katika tafiti za MBA, matokeo ya mazungumzo yaliboresha kwa 18% washiriki walipotambua kwanza mambo yanayowaunganisha binafsi (Cialdini, 2001).
Umoja unaenda zaidi ya kupendwa. Kwa kutumia utambulisho wa pamoja na lugha ya kuunda pamoja ("sisi" badala ya "mimi" na "wewe"), unajenga uhusiano wa kina zaidi (Cialdini, 2021).
Tversky na Kahneman (1981) walithibitisha kuwa matokeo yanayofanana, yakipangwa kwa njia tofauti, yanageuza kabisa mapendeleo. Levin et al. (1998) walitambua mikakati mitatu ya upangaji inayotumika moja kwa moja kwa mapendekezo:
Upangaji wa sifa: "98% uptime" una ushawishi zaidi kuliko "2% downtime." Taarifa sawa kabisa, lakini maneno ya kwanza yanapata alama bora.
Upangaji wa malengo: sisitiza kile mteja anapata kwa kutenda, au kile mteja anapoteza kwa kutochukua hatua. Ujumbe ulioundwa kwa hasara ulizalisha viwango vya juu zaidi vya kubofya kwa 24% (Levin et al., 1998).
Nanga: nambari ya kwanza inayotajwa huathiri hukumu zote zinazofuata. Uchambuzi-mkuu wa tafiti 53 unathibitisha athari hii (Li et al., 2021). Hata wataalam wanashawishiwa: wataalamu wa mali isiyohamishika waliathiriwa sana na bei za kuulizia, licha ya kudai hawakuathirika (Northcraft & Neale, 1987).
Tishio kubwa zaidi katika B2B, kwa kweli, si mshindani wako bali hali ya sasa. Angalau 40% ya mikataba yote katika mkondo inaishia kwa "hakuna uamuzi" (Corporate Visions, 2022). Pendekezo zuri linashinda si tu ushindani bali pia kutofanya kitu kwa mteja.
Ta et al. (2022) walichunguza kwa kiwango kikubwa sifa zipi za lugha zinafanya maandishi kuwa ya kushawishi. Ugunduzi wao wa msingi: maandishi ya kushawishi ni ya uchambuzi, halisi, na yana marejeleo machache ya kibinafsi. Hii inapingana na silika ya kawaida ya kujaza mapendekezo na kauli za "sisi".
Blankenship na Holtgraves (2005) waliweka wazi kuwa lugha ya kusita inapunguza sana nguvu ya kushawishi. Maneno kama "labda," "kiasi fulani," "kimsingi," na "inawezekana" yanadhoofisha ujumbe wako. Lugha yenye nguvu ni ya moja kwa moja na ya ujasiri.
Aina gani ya ushahidi inafanya kazi vizuri zaidi? Baesler na Burgoon (1994) waligundua kuwa ushahidi wa takwimu una ushawishi zaidi mwanzoni, wakati hadithi zina athari ya muda mrefu yenye nguvu zaidi. Mbinu bora kwa mapendekezo inaunganisha zote mbili: hesabu halisi za ROI pamoja na masimulizi ya tafiti za kesi yanayoweza kuhusiana.
Hukumu za mvuto wa kuona huundwa ndani ya milisekunde 50 na hubaki thabiti sana baadaye (Lindgaard et al., 2006). Ukurasa wa jalada kwa hivyo unaunda hisia ya kwanza ambayo karibu haibadiliki. Fogg et al. (2003) walithibitisha hili na washiriki 2,684: "muonekano wa muundo" ulikuwa kipengele muhimu zaidi cha uaminifu na ukaonekana katika 46.1% ya majibu yote. Hiyo ni zaidi ya ubora wa taarifa, uandishi, au kipengele kingine chochote.
Athari ya halo inaimarisha hili zaidi. Hisia chanya ya kwanza inapoundwa, watathmini wanatafsiri maudhui yote yanayofuata kwa njia bora zaidi (Nisbett & Wilson, 1977). Kuwekeza katika ukurasa wako wa jalada kwa hivyo kunatoa mapato yanayoenea zaidi ya ukurasa huo mmoja.
Jinsi AI inavyopima sehemu hii:
Alama ya 9 au 10 inatolewa wakati ukurasa wa jalada unaonyesha kwa uwazi nembo na jina la mteja, unadumisha utambulisho thabiti wa chapa na picha za kitaalamu, unaeleza wazi kichwa cha mradi, tarehe, na pande zilizohusika, na kutumia gridi safi ya kuona.
Alama ya 3 au 4 inamaanisha kiolezo cha kawaida cha Word bila jina la mteja, na picha ya jumla ya hifadhi, fonti zisizofanana, na hakuna daraja wazi la taarifa.
Modeli ya imani inayorejeleliwa zaidi katika utafiti wa mashirika (Mayer et al., 1995; manukuu zaidi ya 14,000) inatambua vipimo vitatu vya kuaminika: uwezo (unaweza kuifanya?), fadhila (unataka bora kwangu?), na uadilifu (unafanya unachoahidi?).
Uchambuzi-mkuu wa Colquitt et al. (2007; sampuli 132) uliongeza ufahamu muhimu: taarifa wazi ya kuaminika zinapokuwepo, zinabatilisha mwelekeo wa asili wa msomaji wa kuamini. Kwa maneno mengine: kuonyesha kwa uwazi ishara za imani katika pendekezo lako ni muhimu zaidi kuliko kutumaini mtathmini ana imani kwa asili.
Edelman Trust Barometer (2023) inaonyesha kuwa mtazamo wa kimaadili ni muhimu mara tatu zaidi kuliko umahiri kwa imani ya kitaasisi. Katika sehemu yako ya Kuhusu Sisi, kwa hivyo, onyesha si tu unachoweza kufanya bali pia unachotetea.
Jinsi AI inavyopima sehemu hii:
Alama ya 8 inafungua na hadithi ya kuvutia ya kuanzishwa inayounganisha dhamira ya msingi na tatizo la mteja, inaonyesha vyeti husika (ISO 27001, Lean Six Sigma), inataja nambari halisi ("miradi 347 kwa mashirika 89 katika miaka 5 iliyopita"), na kufunga na picha za timu.
Alama ya 4 ina maelezo ya jumla ya kampuni tu ("Sisi ni kampuni changa na yenye nguvu"), hakuna nambari halisi, hakuna vyeti, na hakuna picha.
Watathmini wanapochukua muda kusoma pendekezo lako kwa kweli (njia kuu ya ELM), ubora wa hoja ndio kipengele muhimu zaidi (Petty & Cacioppo, 1986). Mwili wa Maarifa wa APMP unaagiza muundo wa Kipengele, Faida, Uthibitisho kwa hili: unachotoa, kwa nini ni muhimu kwa mteja, na ushahidi kuwa inafanya kazi.
Njia ya Shipley inaongeza kanuni ya BLUF: fungua kila sehemu na hoja yako muhimu zaidi. Si na utangulizi au hadithi ya usuli, bali na hitimisho. Utafiti unathibitisha kuwa mapendekezo yaliyopangwa kulingana na vigezo vya tathmini ya mteja yanapata alama za juu sana (Shipley Associates, 2019).
Jinsi AI inavyopima sehemu hii:
Alama ya 9 inafungua na: "Changamoto yako: muda wa sasa wa mchakato wa mapendekezo ni siku 14, na kusababisha mapato yanayokadiriwa kupotea ya €240,000 kwa robo. Mbinu yetu inapunguza hii hadi siku 5." Mpango kisha unaeleza kila awamu na matokeo halisi, wahusika, na malengo yanayopimika.
Alama ya 3 inaeleza tu mchakato wake ("Katika awamu ya 1 tunafanya uchambuzi, katika awamu ya 2 tunatekeleza...") bila rejea kwa hali mahususi ya mteja.
Utafiti kuhusu uonyeshaji wa taarifa hauna shaka: uwasilishaji wa kuona una ushawishi zaidi kuliko maandishi peke yake. Vogel et al. (1986) waligundua kuwa mawasilisho yenye msaada wa kuona yalikuwa ya kushawishi zaidi kwa 43%. Uchambuzi-mkuu wa Guo et al. (2020) ulithibitisha kuwa picha zilizoundwa vizuri zinaboresha uelewa kwa ukubwa wa athari wa 0.35 hadi 0.37. Wasomaji wanaposhiriki kikamilifu na uonyeshaji, hii inapanda hadi 0.82 (Nesbit & Adesope, 2006).
Ratiba za picha ni za ufanisi hasa kwa aina ya uamuzi watathmini wanahitaji kufanya: kutambua mienendo na kulinganisha kiasi (Jarvenpaa & Dickson, 1988).
Jinsi AI inavyopima sehemu hii:
Alama ya juu inahitaji ratiba ya kuona (chati ya Gantt au mchoro wa hatua muhimu), ratiba ya kweli na tarehe mahususi, hatua muhimu wazi, utegemezi, na muda wa akiba kwa hatari.
Alama ya chini ni orodha ya maandishi bila uwakilishi wa kuona, bila tarehe mahususi, na bila uhusiano na matokeo katika mpango wa mradi.
Hili ni moja ya maeneo yenye ushahidi mwingi zaidi kwa utoaji alama wa mapendekezo. Knutson et al. (2007) walidhihirisha kwa skani za ubongo za fMRI kuwa bei za juu halisi zinaamsha vituo vya maumivu katika ubongo, na kwamba uamilisho huo unatabiri maamuzi ya ununuzi. Prelec na Loewenstein (1998) walikusanya hili kama "maumivu ya kulipa." Jinsi unavyowasilisha bei yako inaamua maumivu kiasi gani mteja anapata.
Chaguzi tatu ni bora zaidi. Utafiti maarufu wa jam wa Iyengar na Lepper (2000) ulionyesha kuwa chaguzi chache husababisha ubadilishaji zaidi: kupunguzwa kutoka chaguzi 24 hadi 6 kuliongeza ubadilishaji mara kumi. Uchambuzi-mkuu (Chernev et al., 2015; uchunguzi 99, N = 7,202) ulithibitisha hili. Kwa vitendo, miundo ya vifurushi vitatu inapata mapato ya juu zaidi kwa 30% kwa kila mteja kuliko miundo yenye vifurushi vitano au zaidi (Price Intelligently).
Kwa nini tatu? Athari ya maelewano (Simonson, 1989; Simonson & Tversky, 1992) inaonyesha kuwa watu hupendelea kuchagua chaguo la kati. Chaguo la kati linapata wastani wa 17.5% ya soko la ziada. Athari ya chambo (Huber et al., 1982) inabadilisha upendeleo kwa wastani wa 11.3% kuelekea chaguo unalotaka kuuza (Heath & Chatterjee, 1995). Unganisha ufahamu huu kwa kuweka chaguo lako la faida zaidi kama chaguo la kati linalopendekezwa.
Uwazi ni muhimu sana. Utafiti wa McKinsey unaonyesha kuwa 83% ya wateja wa B2B wanaona uwazi kuwa muhimu zaidi kuliko sifa ya chapa (McKinsey & Company, 2022). TrustRadius (2025) inaripoti kuwa 45% ya wanunuzi wa B2B wanataja uwazi wa bei kama kipaumbele chao cha juu.
Jinsi AI inavyopima sehemu hii:
Alama ya 10 inawasilisha vifurushi vitatu katika jedwali la kulinganisha na chaguo la kati limewekwa alama kwa kuona kama "maarufu zaidi." Inafungua na hesabu ya ROI: "Akiba inayotarajiwa ya €180,000 kwa mwaka inafanya uwekezaji huu wa €45,000 ulipike ndani ya miezi 3." Kila kipengele kimeainishwa, sawa na kwa mwezi zinaonyeshwa, na uchambuzi wa gharama ya kutochukua hatua unafunga: "Kila mwezi wa kuchelewa unagharama takriban €15,000 kwa kutokuwa na ufanisi."
Alama ya 2 ina jumla moja tu bila uainishaji, muktadha, au upangaji wa thamani.
Dhamana na masharti yanafanya kazi kwa njia tofauti kuliko watu wengi wanavyofikiri. Yanafanya kazi si hasa kama ishara ya ubora bali kama kupunguza hatari. Utafiti wa modeli ya milinganyo ya kimuundo (Kliestikova et al., 2023; n = 180) uligundua kuwa kupunguza hatari kilikuwa kiendeshaji chenye nguvu zaidi cha thamani ya dhamana (β = 0.798, p < 0.001).
Hii pia inaeleza kwa nini dhamana za ukarimu zinafanya kazi vizuri sana. Majaribio ya ubadilishaji yanaonyesha kuwa kupanua dhamana kutoka siku 90 hadi mwaka mmoja kuliongeza ubadilishaji mara mbili, huku kiwango cha marejesho kikiongezeka kwa 3% tu (Conversion Fanatics, 2019). Nadharia ya ishara (Moorthy & Srinivasan, 1995) inaeleza kwa nini: ni makampuni tu yenye ujasiri katika ubora wao yanayoweza kumudu kutoa dhamana ya ukarimu.
Pavlou na Gefen (2004) walitambua taratibu tano za imani ya kitaasisi katika B2B: ufuatiliaji, makubaliano ya kisheria, uthibitisho, mifumo ya maoni, na kanuni za ushirikiano. Kwa masharti katika mapendekezo, hii inamaanisha: mgawanyo wazi wa hatari, SLA mahususi, vifungu vya haki vya kukomesha, bima husika, na lugha inayoeleweka.
Jinsi AI inavyopima sehemu hii:
Alama ya juu ina dhamana mahususi za utendaji, mgawanyo wazi wa hatari, vifungu vya kukomesha kwa uwazi kwa lugha inayoeleweka, na masharti ya malipo ya hatua kwa hatua yanayopunguza hatari inayotambuliwa.
Alama ya chini ina istilahi za kisheria zisizoeleweka, masharti ya upande mmoja, na hakuna dhamana za utendaji.
Kanuni ya mamlaka (Cialdini, 2001) na kipimo cha uwezo cha modeli ya imani ya Mayer et al. (1995) zote zinaonyesha mwelekeo ule ule: uwasilishaji wa timu ni mojawapo ya vijenzi vyenye nguvu zaidi vya imani. Kuongeza picha za timu hutoa "uhakikisho wa ziada" kwa wateja watarajiwa (Nielsen Norman Group, 2020).
Jambo la kuvutia: utambulisho wa wahusika wa tatu una ufanisi zaidi kuliko kujisifu, hata wakati mhusika anayetambulisha ana maslahi (Cialdini, 2001). Hii inamaanisha kuwa sifa zilizothibitishwa na nje (vyeti, machapisho, mihadhara) zina ushawishi zaidi kuliko maelezo ya kibinafsi ya ujuzi. Uchambuzi-mkuu wa Reinard (1998) unathibitisha hili: ushuhuda wa wataalam unaongeza nguvu ya kushawishi kwa ukubwa wa athari wa r = 0.25.
Jinsi AI inavyopima sehemu hii:
Alama ya 8 inaonyesha picha za kitaalamu za wanachama watatu wa timu, kila mmoja na jina, cheo, cheti husika (k.m., "PMP, Lean Six Sigma Black Belt"), matokeo halisi ya mradi ("Alipunguza muda wa uongozi kwa 40% katika mradi unaolinganishwa kwa [jina la mteja]"), na jukumu lao mahususi katika mradi uliopendekezwa.
Alama ya 3 inaorodhesha majina na vyeo vya kazi tu bila picha, sifa, au uzoefu husika wa mradi.
Nambari ni za kuvutia. Kituo cha Utafiti cha Spiegel katika Chuo Kikuu cha Northwestern (2017) kiligundua kuwa kuonyesha mapitio matano tu kunaongeza uwezekano wa ununuzi kwa 270%. Kwa bidhaa za bei ya juu zaidi, hii inapanda hadi 380%. Inashangaza, uwezekano wa ununuzi haufikii kilele kwa alama kamili: bora zaidi iko kwa nyota 4.0 hadi 4.7. Alama kamili ya 5.0 inaamsha shaka.
Ni aina gani ya ushahidi inafanya kazi vizuri zaidi? Uchambuzi-mkuu wa Freling et al. (2020; tafiti 61) uligundua kuwa ushahidi wa takwimu kwa ujumla una nguvu zaidi kuliko ushahidi wa hadithi, lakini ushuhuda unakuwa na ushawishi zaidi wakati ushiriki wa kihisia ni wa juu. Muundo bora wa utafiti wa kesi kwa hivyo unaunganisha zote mbili: masimulizi kutoka tatizo hadi suluhisho hadi matokeo, na nambari mahususi.
Katika B2B, 97% ya wateja wanataja ushuhuda na mapendekezo ya wenzao kama aina ya maudhui inayoaminika zaidi (Demand Gen Report, 2023). Na 73% ya wanunuzi wanatumia tafiti za kesi katika maamuzi ya ununuzi (Heinz Marketing, 2022). Marejeleo si "nzuri kuwa nayo." Ni ya lazima.
Jinsi AI inavyopima sehemu hii:
Alama ya juu ina tafiti za kesi tatu au zaidi zenye jina, tatizo, suluhisho, matokeo, na vipimo vya ROI. Pia, nembo zinazotambulika za wateja kutoka sekta ya mtarajiwa, ushuhuda wenye jina na picha, na marejeleo kutoka mwaka uliopita.
Alama ya chini ina madai yasiyo wazi ("wateja wetu wameridhika"), ushuhuda usio na jina, na hakuna tafiti za kesi halisi.
Video katika mapendekezo hutoa matokeo yanayopimika. Makampuni yanayotumia video yanafanikiwa kupata ubadilishaji wa juu zaidi kwa 54% kutoka kwa mtarajiwa hadi mauzo (Aberdeen Group, 2018). Watumiaji wa maamuzi wa B2B wana uwezekano wa karibu mara mbili kutazama video wakati wa utafiti wa ununuzi (Forbes Insights & Google, 2018). Faida ya kumbukumbu ni kubwa: watu wanakumbuka takriban 95% ya ujumbe wa video dhidi ya 10% ya maandishi (Insivia, 2020).
Lakini zingatia: ubora ni muhimu. 62% ya wateja wanaunda maoni mabaya zaidi ya chapa baada ya kutazama video ya ubora wa chini (Adelie Studios, 2020). Urefu bora ni chini ya dakika mbili, na kiwango cha kukamilisha cha 85%. Video iliyobinafsishwa hutoa viwango vya juu zaidi vya kufungua kwa 29% na viwango vya juu zaidi vya kubofya kwa 41% kuliko video ya jumla.
Jinsi AI inavyopima sehemu hii:
Alama ya juu ina video ya utambulisho iliyobinafsishwa, ya ubora wa juu, fupi kuliko dakika mbili, yenye mwasilishaji wa kibinadamu anayemtaja mtarajiwa kwa jina.
Alama ya chini haina video, au ina video ya jumla ya shirika ya ubora wa chini wa uzalishaji.
Watu wanakumbuka picha vizuri zaidi kuliko maneno. Athari ya ubora wa picha (Nelson et al., 1976) inathibitisha kuwa tunakumbuka takriban 65% ya taarifa za kuona dhidi ya 10 hadi 20% ya maudhui yaliyoandikwa au yaliyosemwa.
Uchambuzi-mkuu wa Seo (2020; tafiti 12, washiriki 2,452) unaongeza nuance: si picha zote zinashawishi. Picha za fotografia zinapata alama bora zaidi sana kuliko michoro (r = 0.077, p = 0.038), na picha chanya zinaonyesha athari ya wastani yenye umuhimu (r = 0.185, p < 0.001). Messaris (1997) alitambua kwa nini picha za fotografia zina nguvu sana: zinatoa ushahidi wa nyaraka, zinaibua majibu ya kihisia, na zinaashiria bila kusema wazi.
Kwa makampuni ya huduma, picha za kabla-na-baada zinaziba pengo la kutoonekana. Zinafanya kazi kama ushuhuda wa kuona zinazotoa ushahidi halisi wa uwezo.
Jinsi AI inavyopima sehemu hii:
Alama ya juu ina picha asili za kitaalamu, mkusanyiko wa miradi wenye muktadha na maelezo, nyaraka za kabla-na-baada, na ubora thabiti wa picha.
Alama ya chini ina picha za jumla za hifadhi zisizo na uhusiano na pendekezo, au hakuna nyenzo za kuona kabisa.
Zaidi ya maudhui kwa kila sehemu, modeli yetu inatathmini vipimo vinne vinavyotumika katika pendekezo lote. Cha kwanza ni ubora wa lugha.
Utafiti unatambua sifa nyingi za lugha zinazopimika na AI na zinazohusiana na nguvu ya kushawishi:
Usomekaji: Lohfeld Consulting Group inapendekeza Flesch Reading Ease ya angalau 60 na Flesch-Kincaid Grade Level ya si zaidi ya 12. Parhankangas na Ehrlich (2014) waligundua kuwa matumizi ya lugha katika mapendekezo ya biashara yanaathiri kwa njia chanya maamuzi ya ufadhili. Utafiti kwenye Kickstarter ulipata usahihi wa 73% wa kutabiri mafanikio ya ufadhili kulingana na vipimo vya usomekaji.
Kauli ya kutenda: lenga si zaidi ya 15% ya sentensi za kauli ya kutendeana (Lohfeld Consulting Group, 2022). Sentensi za kauli ya kutenda zinawasilisha ujasiri na uwazi.
Lugha yenye nguvu: epuka maneno ya kusita na kanusho (Blankenship & Holtgraves, 2005). Usiandike "tunaweza labda kufanikisha hili" bali "tutafanikisha hili."
Lugha inayozingatia mteja: "sisi" kidogo na "wewe" zaidi kunahusiana na nguvu ya juu ya kushawishi (Ta et al., 2022).
Lugha halisi: maneno halisi yana ushawishi zaidi kuliko dhana za kufikirika (Ahmad & Laroche, 2015). Usiandike "punguzo kubwa la gharama" bali "akiba ya €47,000 kwa mwaka."
Modeli yetu inatathmini ubinafsishaji katika viwango vinne:
Kiwango cha 1 (hakuna ubinafsishaji): lugha ya kiolezo bila rejea yoyote kwa mteja.
Kiwango cha 2 (msingi): jina la mteja limewekwa, lakini maudhui kwa ujumla ni ya jumla.
Kiwango cha 3 (wastani): marejeleo kwa sekta ya mteja na hali ya jumla.
Kiwango cha 4 (kina): marejeleo kwa changamoto mahususi za mteja zilizojadiliwa katika mazungumzo ya awali, matumizi ya lugha na istilahi ya mteja mwenyewe, na kulingana na malengo yao ya kimkakati.
Data ya McKinsey kuhusu kuongezeka kwa 40% ya mapato kupitia ubora wa ubinafsishaji (Arora et al., 2021) inathibitisha kuwa hiki kinastahili kipimo chenye uzito mkubwa wa utoaji alama.
Kanuni ya BLUF ya Shipley, mwongozo wa APMP wa kupanga kutoka mtazamo wa mtathmini, na ELM zote zinaunga mkono utoaji alama kuhusu usanifu wa taarifa. AI inatathmini: je, kuna muhtasari wa utendaji? Je, tatizo linakuja kabla ya suluhisho? Thamani kabla ya bei? Je, kuna vichwa wazi vya sehemu? Je, kila sehemu inafuata muundo wa kipengele, faida, uthibitisho?
Mfumo wa BuyGrid (Robinson et al., 1967) unaongeza kuwa muundo unapaswa kulingana na aina ya ununuzi. Ununuzi mpya kabisa unahitaji pendekezo la kina zaidi. Ununuzi wa kurudia na marekebisho unapaswa kuzingatia maboresho ikilinganishwa na hali ya sasa.
Wito mmoja, uliowekwa vizuri wa kutenda unaongeza ushiriki kwa 371% ikilinganishwa na hatua nyingi zinazoshindana. AI inatathmini iwe pendekezo lina hatua wazi za kufuata, iwe dharura imeundwa kulingana na matukio halisi ya nje (mzunguko wa bajeti, madirisha ya utekelezaji), na iwe kizingiti cha kujitolea kimepunguzwa kupitia ofa inayoweza kurudishwa kama jaribio au kipindi cha majaribio.
Kwa wanunuzi wa B2B wanaoepuka hatari, ambao angalau 40% wao wanachagua "hakuna uamuzi" kwa kawaida (Corporate Visions, 2022), ni hasa kupunguza kizingiti huku ndiko muhimu.
Uzito katika modeli yetu unaonyesha mchango wa kilinganishi wa kila kipimo kwa ufanisi wa pendekezo. Tuliamua hizi kwa kutriangulisha vyanzo vitatu: ukubwa wa athari kutoka uchambuzi-mkuu, mzunguko wa manukuu katika mifumo ya kitaalamu, na athari iliyopimwa kwenye viwango vya kushinda na ubadilishaji.
| Kategoria | Uzito | Msingi wa Kisayansi |
|---|---|---|
| Pendekezo la Bei | 15% | Nadharia ya mtarajiwa (Kahneman & Tversky, 1979); nanga (Li et al., 2021); athari ya maelewano (Simonson, 1989); sayansi ya neva ya maumivu ya bei (Knutson et al., 2007) |
| Mpango wa Mradi | 14% | Njia kuu ya ELM (Petty & Cacioppo, 1986); utoaji alama kwa nguvu wa Lohfeld; Kipengele, Faida, Uthibitisho wa APMP |
| Marejeleo | 12% | Kuongezeka kwa ubadilishaji kwa 270% (Spiegel Research Center, 2017); uchambuzi-mkuu wa tafiti 61 (Freling et al., 2020) |
| Kuhusu Sisi | 10% | Modeli ya imani ya Mayer et al. (1995; manukuu 14,000+); Colquitt et al. (2007; sampuli 132) |
| Ukurasa wa Jalada | 8% | Uundaji wa hisia ndani ya milisekunde 50 (Lindgaard et al., 2006); utafiti wa uaminifu wa Stanford (Fogg et al., 2003) |
| Timu | 8% | Kanuni ya mamlaka (Cialdini, 2001); Reinard (1998; r = 0.25) |
| Ubora wa Lugha | 7% | Ta et al. (2022); Blankenship & Holtgraves (2005); Parhankangas & Ehrlich (2014) |
| Masharti | 5% | Kupunguza hatari (Kliestikova et al., 2023; β = 0.798); nadharia ya ishara (Moorthy & Srinivasan, 1995) |
| Ratiba | 5% | Uonyeshaji wa taarifa (Guo et al., 2020); nguvu ya kushawishi ya kuona (Vogel et al., 1986) |
| Ubinafsishaji | 5% | Kuongezeka kwa mapato kwa 40% (Arora et al., 2021); usuluhishaji wa imani-nia ya ununuzi (Tran et al., 2021) |
| Muundo na Mtiririko | 3% | BLUF ya Shipley; APMP inayozingatia mtathmini; njia-mbili ya ELM |
| Video | 3% | Ubadilishaji wa juu zaidi kwa 54% (Aberdeen Group, 2018) |
| Matunzio ya Picha | 3% | Athari ya ubora wa picha (Nelson et al., 1976); Seo (2020; r = 0.185) |
| Wito wa Kutenda | 2% | Kuongezeka kwa ushiriki kwa 371%; fasihi ya upendeleo wa hali ya sasa |
| Jumla | 100% |
Kila kipimo kinapimwa kwa kiwango cha 1 hadi 10 na viwango vitano vya utendaji:
Alama 9 au 10 (ya kipekee): desturi zote bora zimetekelezwa, kanuni nyingi za kushawishi zimetumika, ushahidi wa kiasi upo, utekelezaji wa kitaalamu unaozidi viwango vya sekta, ubinafsishaji mahususi wa mteja katika hati nzima.
Alama 7 au 8 (imara): desturi nyingi bora zimetekelezwa, matumizi wazi ya kimkakati ya mbinu za kushawishi, ubora wa kitaalamu, ubinafsishaji mzuri na vipengele vichache vya jumla.
Alama 5 au 6 (ya kutosha): mahitaji ya msingi yametimizwa, vipengele vichache vya kushawishi lakini vilivyotumika kwa kutokuwa thabiti, kitaalamu lakini si cha kusisimua, ubinafsishaji wa wastani.
Alama 3 au 4 (chini ya wastani): pengo kubwa katika desturi bora, mkakati mdogo wa kushawishi, ubora usio thabiti, maudhui mengi ya jumla.
Alama 1 au 2 (duni): upungufu mkubwa, hakuna mkakati wa kushawishi, ubora usio wa kitaalamu, hakuna ubinafsishaji, vipengele muhimu vinakosekana.
Ndiyo. Na ushahidi ni wenye kusadikisha.
Zheng et al. (2023) walidhihirisha kuwa GPT-4 inafanikiwa kupata zaidi ya 80% ya makubaliano na mapendeleo ya kibinadamu. Hiyo inalinganishwa na kile watathmini wa kibinadamu wanapopata kati yao. Kim et al. (2024) walipata na modeli yao ya Prometheus uhusiano wa Pearson wa 0.897 na watathmini wa kibinadamu wakati wa kutumia rubriiki za kawaida. Pack na Maloney (2024) waligundua kuwa GPT-4 ilipata uhusiano wa 0.731 kwa utoaji alama wa insha, unaolinganishwa na mfumo ulioanzishwa wa e-rater (Burstein & Chodorow, 1999; r = 0.693).
Kwa muktadha: uchambuzi-mkuu wa Bornmann et al. (2010; tafiti 48) uligundua kuwa hata wataalam wa kibinadamu wanapata tu wastani wa kuaminika kati ya watathmini wa ICC = 0.34 kwa hukumu za ubora wa hati. Mfumo wa AI uliokalibishwa vizuri kwa hivyo si tu wa kuaminika bali unaweza hata kupima kwa uthabiti zaidi kuliko mtathmini wa wastani wa kibinadamu.
Modeli yetu inaunganisha vipimo vya uhakika na tathmini ya AI katika hatua tatu:
Hatua ya 1 (ya uhakika): AI inapima sifa za malengo kama usomekaji (Flesch-Kincaid, Gunning Fog), asilimia ya sentensi za kauli ya kutendeana, urefu wa wastani wa sentensi, mzunguko wa marejeleo ya kibinafsi, uwepo wa vipengele vya kimuundo (vichwa, jedwali, ratiba), idadi na ubora wa picha, na ukamilifu wa sehemu.
Hatua ya 2 (tathmini ya rubriiki): AI inatumia mfumo wa G-Eval (Liu et al., 2023), kwanza kudefini vigezo vya tathmini, kisha kufikiri hatua kwa hatua (chain-of-thought), na kisha kutoa alama. Njia hii ilipata uhusiano wa Spearman wa 0.514 na hukumu za kibinadamu, bora sana kuliko vipimo vyote vya jadi.
Hatua ya 3 (ukaguzi wa uthabiti): utoaji alama unafanywa mara tatu na wastani unachukuliwa kupunguza tofauti. Kwa tathmini muhimu, jopo la AI la modeli nyingi (modeli 3 hadi 5 tofauti za AI na upigaji kura wa wengi) linaweza kupunguza upendeleo kwa 30 hadi 40%.
Utafiti kutoka kipimo cha kielimu na tathmini ya AI unaonyesha desturi sita bora tunazozitumia:
Tunatumia rubriiki za uchambuzi zenye alama tofauti kwa kila kigezo. Hii inawezesha uchunguzi wa kina na kuongeza uthabiti. Kwa kila kigezo, tunatumia viwango vitano wazi vya utendaji. Zaidi ya viwango vitano hupunguza kuaminika. Kwa kila kiwango, tunajumuisha mifano ya nanga ili kukalibrisha modeli, mbinu iliyothibitishwa kuwa na ufanisi hata na modeli ndogo za AI (Kim et al., 2024). AI lazima ifikiri hatua kwa hatua kabla ya kutoa alama, ambayo inaongeza kuaminika kwa 10 hadi 15% (Zheng et al., 2023). Inapowezekana, tunagawanya tathmini za kibinafsi katika ukaguzi wa ndiyo/hapana wa binary ("Je, pendekezo lina ratiba ya kuona?"). Na tunafunga matoleo ya modeli na ukalibishaji wa mara kwa mara, kwa sababu masasisho ya API yanaweza kuathiri uthabiti wa utoaji alama (Pack & Maloney, 2024).
Uwazi ni moja ya kanuni za kushawishi tunazozielezea katika makala hii, na tunaitumia kwa sisi wenyewe pia.
Utoaji alama wa AI una nguvu zaidi kwenye sifa zinazopimika (usomekaji, muundo, ukamilifu) kuliko tathmini ya kina ya maudhui. Hii ni matokeo thabiti katika zaidi ya miaka 50 ya utafiti wa utoaji alama wa kiotomatiki (Ramesh & Sanampudi, 2022). Modeli za AI zinaonyesha upendeleo unaopimika: upendeleo wa nafasi (takriban 40% ya kutokuwa thabiti na mpangilio uliogeuzwa), upendeleo wa wingi wa maneno (takriban 15% ya mfumuko wa alama kwa maandishi marefu), na upendeleo wa kujiimarisha (kuongezeka kwa 5 hadi 10% kwa maudhui yanayofanana na data ya mafunzo).
Vikwazo hivi vinaweza kudhibitiwa kupitia usanifu wetu wa tabaka tatu, kupunguza upendeleo kwa uwazi katika muundo wa maagizo, na mawasiliano ya uwazi kwa watumiaji kuhusu kuaminika kwa utoaji alama. Lengo si kuchukua nafasi ya hukumu ya kibinadamu bali kufanya utaalamu wa tathmini iliyopangwa kupatikana kwa kila mtu.
Modeli ya utoaji alama inarekebishwa kulingana na muktadha. Ununuzi wa B2B unahusisha wadau 6 hadi 10 katika michakato ndefu ya kufanya maamuzi (Gartner, 2023), ambapo hatari ya kazi inaimarisha mwelekeo wa "hakuna uamuzi." Maamuzi ya B2C kwa kawaida ni ya mtu binafsi, ya haraka zaidi, na yanayoendeshwa zaidi na hisia.
Marekebisho muhimu:
Bei: mapendekezo ya B2B yanafaidika na nambari za mviringo zinazowasilisha utaalamu, hesabu za ROI, na uchambuzi wa gharama ya jumla ya umiliki. Mapendekezo ya B2C yanaweza kutumia bei ya mvuto (Poundstone, 2010) na upangaji wa thamani wa kihisia.
Uthibitisho wa kijamii: wanunuzi wa B2B wanataka marejeleo ya wenzao na tafiti za kesi kutoka mashirika yanayolinganishwa (73% wanatumia tafiti za kesi; Heinz Marketing, 2022). Wanunuzi wa B2C wanajibu kwa wingi wa mapitio, viwango, na uthibitisho wa washawishi.
Kufanya maamuzi: mapendekezo ya B2B lazima yatumikiwe kwa wakati mmoja majukumu mengi ndani ya kituo cha ununuzi. Mapendekezo ya B2C yanalenga mtumiaji mmoja wa maamuzi.
Imani: B2B inasisitiza vyeti, SLA, na dhamana za kitaasisi. B2C inasisitiza sera za kurejesha, dhamana za kurudisha pesa, na wingi wa uthibitisho wa kijamii.
Vipimo 14 vile vile vinakadiria, lakini uzito unabadilika kulingana na muktadha. Hii inaruhusu AI kuweka msisitizo sahihi kwa kila pendekezo.
Ubora wa pendekezo unapimika. Si kama maoni, bali kama sayansi.
Fasihi inatoa uhusiano halisi, uliopimwa kiasi kati ya vipengele vya pendekezo na matokeo. Modeli hii ya utoaji alama inaunganisha taaluma tatu za kisayansi ambazo mara chache zinaunganishwa: uchumi wa kitabia (jinsi uwasilishaji wa bei na upangaji unavyoathiri kukubalika), sayansi ya kushawishi (jinsi imani, mamlaka, na uthibitisho wa kijamii unavyounda tathmini), na NLP na tathmini ya AI (jinsi mifumo ya kiotomatiki inavyoweza kupima kwa kuaminika dhana hizi).
Modeli imeunganishwa moja kwa moja na sehemu za jukwaa la proposal.expert na ina kubadilika ya kutosha kufanya kazi na miundo thabiti (kama RFP) pia.
Ufahamu muhimu zaidi kutoka utafiti huu ni tunachoita amri ya utoaji alama wa njia-mbili. Mapendekezo yanatathminiwa kwa wakati mmoja kupitia uchambuzi wa maudhui na kupitia hisia za angavu, na watu tofauti kwenye timu ya ununuzi. Pendekezo linalopata alama kamili kwenye maudhui lakini vibaya kwenye uwasilishaji linashindwa na pendekezo linalotumikia njia zote mbili.
Ufahamu huo umejengwa katika kila kipengele cha modeli yetu ya utoaji alama. Na sasa inapatikana kwa kila mtu anayetaka kuandika mapendekezo bora.
Aberdeen Group. (2018). The power of video in business: A benchmarking study. Aberdeen Group.
Adelie Studios. (2020). The state of video marketing 2020. Adelie Studios.
Ahmad, N., & Laroche, M. (2015). How do expressed emotions affect the helpfulness of a product review? Evidence from reviews using latent semantic analysis. International Journal of Electronic Commerce, 20(1), 76–111. https://doi.org/10.1080/10864415.2016.1061471
Arora, N., Ensslen, D., Fiedler, L., Liu, W. W., Robinson, K., Stein, E., & Schüler, G. (2021). The value of getting personalization right or wrong is multiplying. McKinsey & Company.
Baesler, E. J., & Burgoon, J. K. (1994). The temporal effects of story and statistical evidence on belief change. Communication Research, 21(5), 582–602. https://doi.org/10.1177/009365094021005002
Blankenship, K. L., & Holtgraves, T. (2005). The role of different markers of linguistic powerlessness in persuasion. Journal of Language and Social Psychology, 24(1), 3–24. https://doi.org/10.1177/0261927X04273034
Bornmann, L., Mutz, R., & Daniel, H.-D. (2010). A reliability-generalization study of journal peer reviews. PLOS ONE, 5(12), e14331. https://doi.org/10.1371/journal.pone.0014331
Burstein, J., & Chodorow, M. (1999). Automated essay scoring for nonnative English speakers. In Proceedings of the ACL99 Workshop on Computer-Mediated Language Assessment. Association for Computational Linguistics.
Chernev, A., Böckenholt, U., & Goodman, J. (2015). Choice overload: A conceptual review and meta-analysis. Journal of Consumer Psychology, 25(2), 333–358. https://doi.org/10.1016/j.jcps.2014.08.002
Cialdini, R. B. (2001). Influence: Science and practice (4th ed.). Allyn & Bacon.
Cialdini, R. B. (2021). Influence: The psychology of persuasion (New and expanded ed.). Harper Business.
Colquitt, J. A., Scott, B. A., & LePine, J. A. (2007). Trust, trustworthiness, and trust propensity. Journal of Applied Psychology, 92(4), 909–927. https://doi.org/10.1037/0021-9010.92.4.909
Conversion Fanatics. (2019). The impact of guarantee length on conversion rates: A split-test study. Conversion Fanatics.
Corporate Visions. (2022). The state of the conversation report. Corporate Visions.
Crist, B. (2022). Analyzing GAO protest decisions. Lohfeld Consulting Group White Paper.
Demand Gen Report. (2023). 2023 Content preferences survey report. Demand Gen Report.
Edelman. (2023). 2023 Edelman Trust Barometer. Edelman.
Fogg, B. J., et al. (2003). How do users evaluate the credibility of web sites? Proceedings of DUX 2003, 1–15. https://doi.org/10.1145/997078.997097
Forbes Insights & Google. (2018). The changing face of B2B marketing. Forbes Insights.
Freedman, J. L., & Fraser, S. C. (1966). Compliance without pressure: The foot-in-the-door technique. Journal of Personality and Social Psychology, 4(2), 195–202. https://doi.org/10.1037/h0023552
Freling, T. H., et al. (2020). When poignant stories outweigh cold hard facts: A meta-analysis. Organizational Behavior and Human Decision Processes, 160, 51–67. https://doi.org/10.1016/j.obhdp.2020.01.006
Gartner. (2023). The B2B buying journey. Gartner.
Goldstein, N. J., Cialdini, R. B., & Griskevicius, V. (2008). A room with a viewpoint. Journal of Consumer Research, 35(3), 472–482. https://doi.org/10.1086/586910
Guo, D., et al. (2020). Do you get the picture? A meta-analysis. AERA Open, 6(1), 1–20. https://doi.org/10.1177/2332858420901696
Heath, T. B., & Chatterjee, S. (1995). Asymmetric decoy effects on lower-quality versus higher-quality brands. Journal of Consumer Research, 22(3), 268–284. https://doi.org/10.1086/209449
Heinz Marketing. (2022). The state of B2B content consumption and demand report. Heinz Marketing.
Huber, J., Payne, J. W., & Puto, C. (1982). Adding asymmetrically dominated alternatives. Journal of Consumer Research, 9(1), 90–98. https://doi.org/10.1086/208899
Insivia. (2020). Video marketing statistics: The state of video in business. Insivia.
Iyengar, S. S., & Lepper, M. R. (2000). When choice is demotivating. Journal of Personality and Social Psychology, 79(6), 995–1006. https://doi.org/10.1037/0022-3514.79.6.995
Jarvenpaa, S. L., & Dickson, G. W. (1988). Graphics and managerial decision making. Communications of the ACM, 31(6), 764–774. https://doi.org/10.1145/62959.62971
Kahneman, D., & Tversky, A. (1979). Prospect theory. Econometrica, 47(2), 263–292. https://doi.org/10.2307/1914185
Kim, S., et al. (2024). Prometheus: Inducing fine-grained evaluation capability in language models. ICLR 2024.
Kitchen, P. J., et al. (2014). The elaboration likelihood model: Review, critique and research agenda. European Journal of Marketing, 48(11/12), 2033–2050. https://doi.org/10.1108/EJM-12-2011-0776
Kliestikova, J., et al. (2023). Warranty as a trust-building mechanism. Business, Management and Economics Engineering, 21(1), 1–18.
Knutson, B., et al. (2007). Neural predictors of purchases. Neuron, 53(1), 147–156. https://doi.org/10.1016/j.neuron.2006.11.010
Levin, I. P., Schneider, S. L., & Gaeth, G. J. (1998). All frames are not created equal. Organizational Behavior and Human Decision Processes, 76(2), 149–188. https://doi.org/10.1006/obhd.1998.2804
Li, Y., et al. (2021). Anchoring in economics: A meta-analysis. Journal of Behavioral and Experimental Economics, 90, 101629. https://doi.org/10.1016/j.socec.2020.101629
Lindgaard, G., et al. (2006). You have 50 milliseconds to make a good first impression! Behaviour & Information Technology, 25(2), 115–126. https://doi.org/10.1080/01449290500330448
Liu, Y., et al. (2023). G-Eval: NLG evaluation using GPT-4 with better human alignment. EMNLP 2023.
Lohfeld Consulting Group. (2022). Strength-Based Winning methodology. Lohfeld Consulting Group.
Loopio. (2025). 2025 RFP response benchmarks and trends report. Loopio.
Mayer, R. C., Davis, J. H., & Schoorman, F. D. (1995). An integrative model of organizational trust. Academy of Management Review, 20(3), 709–734. https://doi.org/10.5465/amr.1995.9508080335
McKinsey & Company. (2022). B2B Pulse Survey: The growing importance of pricing transparency. McKinsey & Company.
Messaris, P. (1997). Visual persuasion: The role of images in advertising. Sage Publications.
Moorthy, S., & Srinivasan, K. (1995). Signaling quality with a money-back guarantee. Marketing Science, 14(4), 442–466. https://doi.org/10.1287/mksc.14.4.442
Nelson, D. L., Reed, V. S., & Walling, J. R. (1976). Pictorial superiority effect. Journal of Experimental Psychology, 2(5), 523–528. https://doi.org/10.1037/0278-7393.2.5.523
Nesbit, J. C., & Adesope, O. O. (2006). Learning with concept and knowledge maps: A meta-analysis. Review of Educational Research, 76(3), 413–448. https://doi.org/10.3102/00346543076003413
Nielsen Norman Group. (2020). About Us pages: Best practices for establishing trust online. Nielsen Norman Group.
Nisbett, R. E., & Wilson, T. D. (1977). The halo effect. Journal of Personality and Social Psychology, 35(4), 250–256. https://doi.org/10.1037/0022-3514.35.4.250
Northcraft, G. B., & Neale, M. A. (1987). Experts, amateurs, and real estate. Organizational Behavior and Human Decision Processes, 39(1), 84–97. https://doi.org/10.1016/0749-5978(87)90046-X
Pack, A., & Maloney, J. (2024). Using GPT-4 for automated essay scoring in L2 writing. Computers and Education: Artificial Intelligence, 6, 100202. https://doi.org/10.1016/j.caeai.2024.100202
Parhankangas, A., & Ehrlich, M. (2014). How entrepreneurs seduce business angels. Journal of Business Venturing, 29(4), 543–564. https://doi.org/10.1016/j.jbusvent.2013.08.001
Pavlou, P. A., & Gefen, D. (2004). Building effective online marketplaces with institution-based trust. Information Systems Research, 15(1), 37–59. https://doi.org/10.1287/isre.1040.0015
Petty, R. E., & Cacioppo, J. T. (1986). Communication and persuasion: Central and peripheral routes. Springer-Verlag.
Poundstone, W. (2010). Priceless: The myth of fair value. Hill and Wang.
Prelec, D., & Loewenstein, G. (1998). The red and the black: Mental accounting of savings and debt. Marketing Science, 17(1), 4–28. https://doi.org/10.1287/mksc.17.1.4
Ramesh, D., & Sanampudi, S. K. (2022). An automated essay scoring systems: A systematic literature review. Artificial Intelligence Review, 55(3), 2495–2527. https://doi.org/10.1007/s10462-021-10068-2
Reinard, J. C. (1998). The persuasive effects of testimonial assertion evidence. In M. Allen & R. W. Preiss (Eds.), Persuasion: Advances through meta-analysis (pp. 69–86). Hampton Press.
Robinson, P. J., Faris, C. W., & Wind, Y. (1967). Industrial buying and creative marketing. Allyn & Bacon.
Seibert, J. (2018). Win rates and their determinants. Shipley Associates.
Seo, K. (2020). Meta-analysis on visual persuasion. Athens Journal of Mass Media and Communications, 6(3), 177–190. https://doi.org/10.30958/ajmmc.6-3-3
Shipley Associates. (2019). The Shipley proposal guide (4th ed.). Shipley Associates.
Simonson, I. (1989). Choice based on reasons. Journal of Consumer Research, 16(2), 158–174. https://doi.org/10.1086/209205
Simonson, I., & Tversky, A. (1992). Choice in context: Tradeoff contrast and extremeness aversion. Journal of Marketing Research, 29(3), 281–295. https://doi.org/10.1177/002224379202900301
Spiegel Research Center. (2017). How online reviews influence sales. Northwestern University.
Ta, V. P., et al. (2022). The language of persuasion. Journal of Computational Social Science, 5(1), 371–397. https://doi.org/10.1007/s42001-021-00144-w
Tran, T. P., Muldrow, A., & Ho, K. N. B. (2021). Understanding the role of personalization in B2B and B2C contexts. Psychology & Marketing, 38(12), 2196–2216. https://doi.org/10.1002/mar.21578
TrustRadius. (2025). 2025 B2B buying disconnect report. TrustRadius.
Tversky, A., & Kahneman, D. (1981). The framing of decisions. Science, 211(4481), 453–458. https://doi.org/10.1126/science.7455683
Vogel, D. R., et al. (1986). Persuasion and the role of visual presentation support. University of Minnesota.
Webster, F. E., Jr., & Wind, Y. (1972). A general model for understanding organizational buying behavior. Journal of Marketing, 36(2), 12–19. https://doi.org/10.1177/002224297203600204
Zheng, L., et al. (2023). Judging LLM-as-a-judge with MT-Bench and Chatbot Arena. NeurIPS 2023.