80'den fazla hakemli çalışma, tekliflerdeki spesifik, ölçülebilir unsurların projeyi kazanıp kaybetmenizi doğrudan tahmin ettiğini göstermektedir. Bu içgörülere dayanarak, 14 boyutu değerlendiren bir yapay zekâ puanlama modeli geliştirdik.
Yapay zekâ değerlendirme modelimize nasıl ulaştık: teklif etkinliği, ikna bilimi ve otomatik değerlendirme üzerine bir literatür taraması
Bir teklifin kalitesi öznel değildir. Bu makalenin temel mesajı budur.
80'den fazla hakemli çalışma, meta-analiz ve köklü profesyonel çerçeve, tekliflerdeki spesifik, ölçülebilir unsurların projeyi kazanıp kaybetmenizi doğrudan tahmin ettiğini göstermektedir. Üç fiyat kademesi müşteri başına gelirinizi %30 artırır. Referans göstermek dönüşümü %270 artırır. Profesyonel bir tasarım teklifinizi %43 daha ikna edici kılar. Ve kişiselleştirme %40'a kadar daha fazla gelir sağlar (Arora et al., 2021; Simonson, 1989; Spiegel Research Center, 2017; Vogel et al., 1986).
Bu bilimsel içgörülere dayanarak, on teklif bölümü ve dört kapsayıcı kalite boyutuna yayılmış 14 boyutu değerlendiren bir puanlama modeli geliştirdik. Bu model, yapay zekânın tutarlı ve güvenilir bir şekilde uygulayabileceği şekilde tasarlanmıştır. Araştırmalar, yapılandırılmış rubrikler temelinde yapay zekâ odaklı değerlendirmenin artık insan uzmanlarla %80'in üzerinde uyum sağladığını göstermektedir; bu, insan değerlendirme yapanların kendi aralarında sağladığı uyumla karşılaştırılabilir düzeydedir (Zheng et al., 2023).
Rekabetçi ihalelerde ortalama kazanma oranı %45'tir (Loopio, 2025). Yapılandırılmış kalite çerçeveleri uygulayan kuruluşlar bu kazanma oranını düzenli olarak ikiye katlar (Lohfeld Consulting Group, 2022). Bu fark tam olarak bu puanlama modelinin görünür ve ulaşılabilir kıldığı şeydir.
Bir teklifin kazanmasını ne belirler? Akademik ve profesyonel literatür net bir cevap vermektedir. Müşteriyle mevcut ilişki en güçlü tahmin edicidir. Mevcut tedarikçiler, sektör ortalaması olan %45'e kıyasla vakaların %60 ile %90'ında kazanır (Seibert, 2018).
Ancak ilişki faktörünü bir kenara bıraktığımızda, teklifin kendisinin kalitesi büyük bir fark yaratır. Lohfeld Consulting Group, ABD Devlet Hesap Verebilirlik Ofisi'ndeki itiraz davalarını analiz etmiş ve daha açıkça tanımlanmış güçlü yönlere sahip tekliflerin daha yüksek fiyatlarda bile kazandığı sonucuna varmıştır. Birden fazla eksikliğe sahip teklifler, fiyattan bağımsız olarak "sözleşme verilemez" olarak değerlendirilmiştir (Crist, 2022).
Üç profesyonel çerçeve modelimizin yapısal temelini oluşturur:
Shipley yöntemi (1972'de kurulmuş) dünya genelinde Fortune 100 şirketleri tarafından kullanılmaktadır. Temel ilke: kendi bakış açınızdan değil, müşterinin bakış açısından yazın. Her bölümü en önemli noktanızla açın (Bottom Line Up Front) ve stratejiden son kontrole yapılandırılmış bir inceleme sürecini takip edin.
APMP Body of Knowledge, 22 yetkinliği tanımlar ve ikna bilimini açıkça entegre eder. Kılavuzları, Ayrıntılandırma Olasılığı Modeli'ne (Petty & Cacioppo, 1986) ve Cialdini'nin etki ilkelerine atıfta bulunur.
Lohfeld Güç Temelli Kazanma metodolojisi bunu keskin bir şekilde ifade eder: "Teklifler okunmaz, puanlanır." Açıkça ifade edilen güçlü yönlerin sayısı ve kalitesi sonucu belirler (Lohfeld Consulting Group, 2022).
Ve sonra kişiselleştirme vardır. McKinsey'in araştırması, kişiselleştirmede mükemmelleşen şirketlerin ortalama performans gösterenlerden %40 daha fazla gelir elde ettiğini göstermektedir (Arora et al., 2021). Aynı ilke teklifler için de geçerlidir: genel, kopyala-yapıştır yanıtlar kayıpların başlıca nedenlerinden biridir (Loopio, 2025).
Ayrıntılandırma Olasılığı Modeli (Petty & Cacioppo, 1986), insanların bilgiyi iki yol boyunca nasıl işlediğini açıklar.
Merkezi yol boyunca değerlendirme yapanlar içeriği dikkatli bir şekilde analiz eder: argüman kalitesi, kanıt gücü ve mantıksal yapı. Bu, birinin yeterli zamanı, uzmanlığı ve katılımı olduğunda gerçekleşir.
Çevresel yol boyunca değerlendirme yapanlar hızlı sinyallere güvenir: ne kadar profesyonel görünüyor? Arkasında kim var? Tanınabilir logolar ve referanslar var mı? Bu, zaman baskısı, bilgi yoğunluğu veya konu kişinin uzmanlık alanı dışına düştüğünde gerçekleşir.
Önemli içgörü: her iki yol da eşzamanlı çalışır. B2B satın alma genellikle farklı rollere sahip 6 ile 10 paydaşı içerir (Gartner, 2023) (Webster & Wind, 1972). Teknik uzman proje planınızı kelime kelime okur. Yönetici sayfaları çevirir ve tasarıma, ekibe ve referanslara bakar. Kitchen et al. (2014) modern iş bağlamlarında bu çift işleme gerçekliğini doğrulamaktadır.
Kazanan bir teklif her iki yola da hitap eder. Puanlama modelimizin hem içerik derinliğini hem de görsel sunumu ağırlıklandırmasının nedeni tam olarak budur.
Cialdini'nin etki çerçevesi (Cialdini, 2001, 2021) on yıllarca süren deneysel araştırmalara dayanmaktadır. Her ilke doğrudan tekliflere çevrilebilir:
Karşılıklılık kâğıt üzerinde de işler. Teklifinizde önceden değerli içgörüler paylaşarak (hızlı bir tarama, bir kıyaslama, bir tavsiye) psikolojik borçluluk yaratırsınız. Cialdini'nin restoran çalışmalarında kişiselleştirilmiş hediyeler bahşişleri %23 artırmıştır.
Sosyal kanıt satın almada en güçlü mekanizmalardan biridir. Goldstein et al. (2008), tanımlayıcı sosyal normların hedef davranışı %26 artırdığını göstermiştir. Tekliflere çevrildiğinde: benzer şirketlerin sizi zaten tercih ettiğini gösterin.
Otorite sertifikaları ve yeterlilikleri bu kadar değerli kılan şeydir. Emlak personeli temsilcileri nitelikleriyle tanıttığında randevular %20, imzalanan sözleşmeler %15 artmıştır (Cialdini, 2001).
Kıtlık, insanların kayıpları aynı büyüklükteki kazançlardan yaklaşık iki kat daha ağır tartmasından yararlanır (Kahneman & Tversky, 1979). Süreli teklifler ve sınırlı müsaitlik bu nedenle etkili kapanış teknikleridir.
Bağlılık ve tutarlılık, müşterinin daha önceki ifadelerine atıfta bulunmayı bu kadar etkili kılan şeydir. Freedman ve Fraser (1966), küçük bir başlangıç taahhüdünden sonra uyumda dört kat artış göstermiştir.
Hoşlanma benzerlik ve işbirliği yoluyla ortaya çıkar. MBA çalışmalarında katılımcılar önce kişisel ortaklıklar belirlediğinde müzakere sonuçları %18 iyileşmiştir (Cialdini, 2001).
Birlik hoşlanmanın ötesine geçer. Ortak kimlik ve birlikte yaratım dili kullanarak ("ben" ve "siz" yerine "biz") daha derin bir bağ kurarsınız (Cialdini, 2021).
Tversky ve Kahneman (1981), aynı sonuçların farklı çerçevelendiğinde tercihleri tamamen tersine çevirdiğini kanıtlamıştır. Levin et al. (1998), tekliflere doğrudan uygulanabilir üç çerçeveleme stratejisi belirlemiştir:
Özellik çerçeveleme: "%98 çalışma süresi," "%2 kesinti süresi"nden daha ikna edicidir. Tam olarak aynı bilgi, ancak birinci ifade daha iyi puan alır.
Hedef çerçeveleme: müşterinin harekete geçerek ne kazanacağını veya harekete geçmeyerek ne kaybedeceğini vurgulayın. Kayıp çerçevelemeli mesajlar %24 daha yüksek tıklama oranı elde etmiştir (Levin et al., 1998).
Çıpalama: bahsedilen ilk rakam sonraki tüm yargıları etkiler. 53 çalışmalık bir meta-analiz bu etkiyi doğrulamaktadır (Li et al., 2021). Uzmanlar bile etkilenebilir durumdadır: emlak profesyonelleri, aksi iddialarına rağmen talep fiyatlarından önemli ölçüde etkilenmiştir (Northcraft & Neale, 1987).
B2B'deki en büyük tehdit, bu arada, rakibiniz değil mevcut durumdur. Tüm pipeline anlaşmalarının en az %40'ı "karar yok" ile sonuçlanır (Corporate Visions, 2022). İyi bir teklif yalnızca rekabeti değil, aynı zamanda müşterinin ataletini de aşar.
Ta et al. (2022), hangi dilsel özelliklerin metni ikna edici kıldığını büyük ölçekte araştırmıştır. Temel bulguları: ikna edici metin analitik, somut ve az öz-referans içerir. Bu, teklifleri "biz" ifadeleriyle doldurma yaygın içgüdüsüyle çelişmektedir.
Blankenship ve Holtgraves (2005), çekingen dilin ikna gücünü önemli ölçüde azalttığını ortaya koymuştur. "Belki," "bir bakıma," "prensipte" ve "olabilir" gibi sözcükler mesajınızı zayıflatır. Güçlü dil doğrudan ve kararlıdır.
Hangi tür kanıt en iyi işler? Baesler ve Burgoon (1994), istatistiksel kanıtın başlangıçta daha ikna edici olduğunu, hikâyelerin ise uzun vadede daha güçlü bir etkiye sahip olduğunu bulmuştur. Teklifler için en uygun yaklaşım her ikisini birleştirir: somut ROI hesaplamaları ile ilişkilendirilebilir vaka çalışması anlatılarının kombinasyonu.
Görsel çekicilik yargıları 50 milisaniye içinde oluşur ve sonrasında oldukça kararlı kalır (Lindgaard et al., 2006). Kapak sayfası bu nedenle neredeyse geri dönüşü olmayan bir ilk izlenim yaratır. Fogg et al. (2003), 2.684 katılımcıyla bunu doğrulamıştır: "tasarım görünümü" en önemli güvenilirlik faktörüydü ve tüm yanıtların %46,1'inde yer almıştır. Bu, bilgi kalitesi, yazarlık veya diğer herhangi bir faktörden daha fazladır.
Halo etkisi bunu daha da güçlendirir. Olumlu bir ilk izlenim oluştuğunda, değerlendirme yapanlar sonraki tüm içeriği daha olumlu yorumlar (Nisbett & Wilson, 1977). Kapak sayfanıza yatırım yapmak bu nedenle o tek sayfanın çok ötesine uzanan bir getiri sağlar.
Yapay zekâ bu bölümü nasıl puanlar:
9 veya 10 puanı, kapak sayfasının müşterinin logosunu ve adını belirgin şekilde göstermesi, profesyonel fotoğrafçılıkla tutarlı bir marka kimliği sürdürmesi, proje başlığını, tarihi ve tarafları açıkça belirtmesi ve temiz bir görsel ızgara kullanması durumunda verilir.
3 veya 4 puanı, müşteri adı olmadan standart bir Word şablonu, genel bir stok fotoğraf, tutarsız yazı tipleri ve net bir bilgi hiyerarşisi olmaması anlamına gelir.
Örgütsel araştırmalarda en çok atıf alan güven modeli (Mayer et al., 1995; 14.000'den fazla atıf) güvenilirliğin üç boyutunu tanımlar: yetkinlik (yapabilir misiniz?), iyilikseverlik (benim için en iyisini mi istiyorsunuz?) ve dürüstlük (vaat ettiğinizi yapıyor musunuz?).
Colquitt et al.'ın meta-analizi (2007; 132 örneklem) önemli bir içgörü eklemiştir: açık güvenilirlik bilgisi mevcut olduğunda, okuyucunun doğal güven eğilimini geçersiz kılar. Başka bir deyişle: teklifinizdeki güven sinyallerini açıkça göstermek, değerlendirme yapanın doğası gereği güvenilir olmasını ummaktan daha önemlidir.
Edelman Güven Barometresi (2023), etik algının kurumsal güven için yetkinlikten üç kat daha önemli olduğunu göstermektedir. Hakkımızda bölümünüzde bu nedenle yalnızca ne yapabildiğinizi değil, aynı zamanda neyin arkasında durduğunuzu da gösterin.
Yapay zekâ bu bölümü nasıl puanlar:
8 puanı, temel misyonu müşterinin sorunuyla ilişkilendiren etkileyici bir kuruluş hikâyesiyle açılır, ilgili sertifikaları (ISO 27001, Lean Six Sigma) gösterir, somut rakamlar belirtir ("son 5 yılda 89 kuruluş için 347 proje") ve ekip fotoğraflarıyla kapatır.
4 puanı, yalnızca genel bir şirket tanımı ("Genç ve dinamik bir şirketiz"), somut rakam yok, sertifika yok ve fotoğraf yok içerir.
Değerlendirme yapanlar teklifinizi gerçekten okumak için zaman ayırdığında (ELM'nin merkezi yolu), argüman kalitesi en önemli faktördür (Petty & Cacioppo, 1986). APMP Body of Knowledge bunun için Özellik, Fayda, Kanıt yapısını öngörür: ne sunduğunuz, bunun müşteri için neden önemli olduğu ve işe yaradığının kanıtı.
Shipley yöntemi BLUF ilkesini ekler: her bölümü en önemli noktanızla açın. Bir girişle veya arka plan hikâyesiyle değil, sonuçla. Araştırmalar, müşterinin değerlendirme kriterlerine göre düzenlenmiş tekliflerin önemli ölçüde daha yüksek puanlar aldığını doğrulamaktadır (Shipley Associates, 2019).
Yapay zekâ bu bölümü nasıl puanlar:
9 puanı şöyle açılır: "Zorluğunuz: teklif süreçlerinin mevcut teslim süresi 14 gündür ve bu, çeyrek başına tahmini 240.000 € kaçırılmış gelire yol açmaktadır. Yaklaşımımız bunu 5 güne düşürür." Plan ardından her fazı somut çıktılar, sorumlular ve ölçülebilir hedeflerle tanımlar.
3 puanı yalnızca kendi sürecini tanımlar ("1. fazda analiz yapıyoruz, 2. fazda uyguluyoruz...") müşterinin spesifik durumuna atıf yapmadan.
Bilgi görselleştirmesi üzerine araştırma şüpheye yer bırakmaz: görsel sunum yalnız metinden daha ikna edicidir. Vogel et al. (1986), görsel destekli sunumların %43 daha ikna edici olduğunu bulmuştur. Guo et al.'ın meta-analizi (2020), iyi tasarlanmış grafiklerin kavramayı 0.35 ile 0.37 etki büyüklükleriyle iyileştirdiğini doğrulamıştır. Okuyucular görselleştirmeyle aktif olarak etkileşime girdiğinde bu 0.82'ye yükselir (Nesbit & Adesope, 2006).
Grafiksel zaman çizelgeleri, değerlendirme yapanların vermesi gereken karar türü için özellikle etkilidir: eğilimleri tanıma ve miktarları karşılaştırma (Jarvenpaa & Dickson, 1988).
Yapay zekâ bu bölümü nasıl puanlar:
Yüksek bir puan, görsel bir zaman çizelgesi (Gantt şeması veya kilometre taşı diyagramı), spesifik tarihlerle gerçekçi planlama, net kilometre taşları, bağımlılıklar ve riskler için tampon süre gerektirir.
Düşük bir puan, görsel temsil olmadan, spesifik tarih olmadan ve proje planındaki çıktılarla bağlantı olmadan bir madde işareti listesidir.
Bu, teklif puanlaması için en zengin kanıt alanlarından biridir. Knutson et al. (2007), beyin taramalarıyla yüksek fiyatların beyindeki ağrı merkezlerini kelimenin tam anlamıyla aktive ettiğini ve bu aktivasyonun satın alma kararlarını tahmin ettiğini göstermiştir. Prelec ve Loewenstein (1998) bunu "ödemenin acısı" olarak formüle etmiştir. Fiyatınızı sunma şekliniz, müşterinin ne kadar acı yaşadığını belirler.
Üç seçenek optimaldir. Iyengar ve Lepper'ın (2000) ünlü reçel çalışması, daha az seçeneğin daha fazla dönüşüme yol açtığını göstermiştir: 24'ten 6 seçeneğe düşürme dönüşümü on kat artırmıştır. Bir meta-analiz (Chernev et al., 2015; 99 gözlem, N = 7.202) bunu doğrulamıştır. Pratikte üç paketli yapılar, beş veya daha fazla pakete sahip yapılara göre müşteri başına %30 daha yüksek gelir elde eder (Price Intelligently).
Neden üç? Uzlaşma etkisi (Simonson, 1989; Simonson & Tversky, 1992) insanların orta seçeneği tercih etme eğiliminde olduğunu gösterir. Orta seçenek ortalama %17,5 ek pazar payı kazanır. Yem etkisi (Huber et al., 1982) tercihi satmak istediğiniz seçeneğe doğru ortalama %11,3 kaydırır (Heath & Chatterjee, 1995). En kârlı seçeneğinizi önerilen orta seçim olarak konumlandırarak bu içgörüleri birleştirin.
Şeffaflık kritiktir. McKinsey araştırması, B2B müşterilerinin %83'ünün şeffaflığı marka itibarından daha önemli gördüğünü göstermektedir (McKinsey & Company, 2022). TrustRadius (2025), B2B alıcılarının %45'inin fiyat şeffaflığını en önemli öncelik olarak adlandırdığını bildirmektedir.
Yapay zekâ bu bölümü nasıl puanlar:
10 puanı, orta seçeneğin "en popüler" olarak görsel olarak vurgulandığı bir karşılaştırma tablosunda üç paket sunar. Bir ROI hesaplamasıyla açılır: "Beklenen yıllık 180.000 € tasarruf, bu 45.000 €'luk yatırımı 3 ay içinde geri ödetir." Her kalem belirtilmiş, aylık eşdeğerler gösterilmiş ve bir hareketsizlik maliyeti analizi kapatır: "Her ay gecikmenin tahmini verimsizlik maliyeti 15.000 €'dur."
2 puanı, belirtim, bağlam veya değer çerçevelemesi olmadan tek bir toplam tutar içerir.
Garantiler ve şartlar çoğu insanın düşündüğünden farklı çalışır. Öncelikle kalite sinyali olarak değil, risk azaltma olarak işlev görürler. Bir yapısal eşitlik modellemesi çalışması (Kliestikova et al., 2023; n = 180), risk azaltmanın garanti değerinin en güçlü itici gücü olduğunu bulmuştur (β = 0.798, p < 0.001).
Bu aynı zamanda cömert garantilerin neden bu kadar iyi işlediğini açıklar. Dönüşüm deneyleri, garanti süresinin 90 günden bir yıla uzatılmasının dönüşümü ikiye katladığını gösterirken iade oranı yalnızca %3 artmıştır (Conversion Fanatics, 2019). Sinyal teorisi (Moorthy & Srinivasan, 1995) nedenini açıklar: yalnızca kalitesine güvenen şirketler cömert bir garanti sunmayı göze alabilir.
Pavlou ve Gefen (2004), B2B'de beş kurumsal güven mekanizması belirlemiştir: izleme, yasal bağlar, akreditasyon, geri bildirim sistemleri ve işbirlikçi normlar. Tekliflerdeki şartlar ve koşullar için bu şu anlama gelir: net risk dağılımı, spesifik SLA'lar, adil fesih maddeleri, ilgili sigorta kapsamı ve anlaşılır dil.
Yapay zekâ bu bölümü nasıl puanlar:
Yüksek bir puan, spesifik performans garantileri, net risk dağılımı, anlaşılır dilde şeffaf fesih maddeleri ve algılanan riski azaltan kilometre taşına dayalı ödeme koşulları içerir.
Düşük bir puan, anlaşılmaz hukuki jargon, tek taraflı şartlar ve performans garantisi yokluğu içerir.
Otorite ilkesi (Cialdini, 2001) ve Mayer et al.'ın (1995) güven modelinin yetkinlik boyutu aynı yönü işaret eder: ekip sunumu en güçlü güven inşa araçlarından biridir. Ekip fotoğrafları eklemek potansiyel müşteriler için "ek güvence" sağlar (Nielsen Norman Group, 2020).
İlginç bir detay: üçüncü taraf tanıtımları, tanıtımı yapan kişinin çıkarı olduğunda bile kendi kendini tanıtmaktan daha etkilidir (Cialdini, 2001). Bu, dışarıdan doğrulanmış yeterliliklerin (sertifikalar, yayınlar, konuşma davetleri) öz-tanımlamalardan daha ikna edici olduğu anlamına gelir. Reinard'ın meta-analizi (1998) bunu doğrulamaktadır: uzman tanıklıkları ikna gücünü r = 0.25 etki büyüklüğüyle artırır.
Yapay zekâ bu bölümü nasıl puanlar:
8 puanı, üç ekip üyesinin profesyonel fotoğraflarını gösterir; her birinde ad, unvan, ilgili sertifika (örneğin "PMP, Lean Six Sigma Black Belt"), somut proje sonuçları ("[müşteri adı] için benzer bir projede teslim süresini %40 kısalttı") ve önerilen projedeki spesifik rolleri yer alır.
3 puanı, fotoğraf, yeterlilik veya projeyle ilgili deneyim olmadan yalnızca ad ve iş unvanlarını listeler.
Rakamlar etkileyicidir. Northwestern Üniversitesi Spiegel Research Center (2017), yalnızca beş değerlendirme göstermenin satın alma olasılığını %270 artırdığını bulmuştur. Yüksek fiyatlı ürünlerde bu %380'e yükselir. Dikkat çekici bir şekilde, satın alma olasılığı mükemmel puanda zirve yapmaz: optimum 4.0 ile 4.7 yıldız arasındadır. Mükemmel bir 5.0 aslında şüphe uyandırır.
Hangi kanıt biçimi en iyi işler? Freling et al.'ın meta-analizi (2020; 61 çalışma), istatistiksel kanıtın genellikle anekdotsal kanıttan daha güçlü olduğunu, ancak duygusal katılım yüksek olduğunda tanıklıkların daha ikna edici hâle geldiğini bulmuştur. Bu nedenle optimal vaka çalışması formatı her ikisini birleştirir: sorundan çözüme, sonuca kadar bir anlatı ile spesifik rakamlar.
B2B'de müşterilerin %97'si tanıklıkları ve akran tavsiyelerini en güvenilir içerik türü olarak belirtmektedir (Demand Gen Report, 2023). Ve alıcıların %73'ü satın alma kararlarında vaka çalışmalarını kullanmaktadır (Heinz Marketing, 2022). Referanslar "olsa iyi olur" değildir. Vazgeçilmezdir.
Yapay zekâ bu bölümü nasıl puanlar:
Yüksek bir puan, ad, sorun, çözüm, sonuç ve ROI metrikleri içeren üç veya daha fazla vaka çalışması içerir. Ek olarak, potansiyel müşterinin sektöründen tanınabilir müşteri logoları, ad ve fotoğraf içeren tanıklıklar ve son bir yıl içindeki referanslar.
Düşük bir puan, belirsiz iddialar ("müşterilerimiz memnundur"), anonim tanıklıklar ve somut vaka çalışması yokluğu içerir.
Tekliflerde video ölçülebilir sonuçlar sağlar. Video kullanan şirketler %54 daha yüksek lead-to-sale dönüşümü elde eder (Aberdeen Group, 2018). B2B karar vericileri satın alma araştırması sırasında video izleme olasılığı neredeyse iki kat daha fazladır (Forbes Insights & Google, 2018). Hafıza avantajı önemlidir: insanlar bir video mesajının yaklaşık %95'ini hatırlarken metnin yalnızca %10'unu hatırlar (Insivia, 2020).
Ancak dikkat: kalite önemlidir. Müşterilerin %62'si düşük kaliteli bir video izledikten sonra marka hakkında daha olumsuz bir görüş oluşturur (Adelie Studios, 2020). Optimal uzunluk iki dakikanın altında olup tamamlanma oranı %85'tir. Kişiselleştirilmiş video, genel videoya kıyasla %29 daha yüksek açılma oranı ve %41 daha yüksek tıklama oranı sağlar.
Yapay zekâ bu bölümü nasıl puanlar:
Yüksek bir puan, potansiyel müşteriye adıyla hitap eden bir insan sunucuyla, iki dakikanın altında, kişiselleştirilmiş, yüksek kaliteli bir tanıtım videosu içerir.
Düşük bir puan, video yokluğu veya düşük prodüksiyon kalitesinde genel bir kurumsal video içerir.
İnsanlar görselleri kelimelerden daha iyi hatırlar. Resim üstünlüğü etkisi (Nelson et al., 1976), yazılı veya sözlü içeriğin %10 ile %20'sine karşılık görsel bilginin yaklaşık %65'ini hatırladığımızı ortaya koymaktadır.
Seo'nun meta-analizi (2020; 12 çalışma, 2.452 katılımcı) bunu nüanslandırır: tüm görseller ikna etmez. Fotoğraflar illüstrasyonlardan önemli ölçüde daha iyi puan alır (r = 0.077, p = 0.038) ve olumlu görseller orta düzeyde anlamlı bir etki gösterir (r = 0.185, p < 0.001). Messaris (1997), fotoğrafların neden bu kadar güçlü olduğunu belirlemiştir: belgesel kanıt sağlarlar, duygusal tepkiler uyandırırlar ve açıkça belirtmeden ima ederler.
Hizmet şirketleri için öncesi-sonrası fotoğrafları görünmezlik boşluğunu kapatır. Yetkinliğin somut kanıtını sağlayan görsel tanıklıklar olarak işlev görürler.
Yapay zekâ bu bölümü nasıl puanlar:
Yüksek bir puan, orijinal profesyonel fotoğrafçılık, bağlam ve açıklamalarla proje portföyü, öncesi-sonrası belgeleri ve tutarlı görüntü kalitesi içerir.
Düşük bir puan, teklifle ilgisi olmayan genel stok fotoğraflar veya hiç görsel materyal yokluğu içerir.
Bölüm başına içeriğin ötesinde, modelimiz teklifin tamamına uygulanan dört boyutu değerlendirir. Birincisi dil kalitesidir.
Araştırmalar, yapay zekâ tarafından ölçülebilen ve ikna gücüyle ilişkili birden fazla dilsel özellik tanımlamaktadır:
Okunabilirlik: Lohfeld Consulting Group en az 60 Flesch Okunabilirlik Puanı ve en fazla 12 Flesch-Kincaid Sınıf Düzeyi önermektedir. Parhankangas ve Ehrlich (2014), ticari tekliflerde dil kullanımının finansman kararlarını olumlu etkilediğini bulmuştur. Kickstarter üzerine bir çalışma, okunabilirlik metriklerine dayanarak finansman başarısını %73 tahmin doğruluğuyla elde etmiştir.
Etken çatı: en fazla %15 edilgen cümle hedefleyin (Lohfeld Consulting Group, 2022). Etken cümleler güven ve doğrudanlık iletir.
Güçlü dil: çekingen sözcüklerden ve sorumluluk reddi ifadelerinden kaçının (Blankenship & Holtgraves, 2005). "Bunu potansiyel olarak başarabiliriz" yerine "bunu başaracağız" yazın.
Müşteri odaklı dil: daha az "biz" ve daha fazla "siz" daha yüksek ikna gücüyle ilişkilidir (Ta et al., 2022).
Somut dil: somut ifadeler soyut kavramlardan daha ikna edicidir (Ahmad & Laroche, 2015). "Önemli maliyet düşüşü" yerine "yılda 47.000 € tasarruf" yazın.
Modelimiz kişiselleştirmeyi dört seviyede değerlendirir:
Seviye 1 (özelleştirme yok): müşteriye hiçbir atıf içermeyen şablon dili.
Seviye 2 (temel): müşteri adı eklenmiş, ancak içerik genel.
Seviye 3 (orta): müşterinin sektörüne ve genel durumuna atıflar.
Seviye 4 (derin): önceki görüşmelerde tartışılan spesifik müşteri zorluklarına atıflar, müşterinin kendi dilini ve terminolojisini kullanma ve stratejik hedeflerine uyum.
McKinsey'in kişiselleştirme mükemmeliyeti aracılığıyla %40 gelir artışı verisi (Arora et al., 2021), bunun ağır ağırlıklı bir puanlama boyutu olmasını gerektirdiğini doğrulamaktadır.
Shipley BLUF ilkesi, APMP'nin değerlendirme yapanın bakış açısından düzenleme kılavuzu ve ELM, bilgi mimarisi üzerinden puanlamayı desteklemektedir. Yapay zekâ şunları değerlendirir: yönetici özeti var mı? Sorun çözümden önce mi gelir? Değer fiyattan önce mi? Net bölüm başlıkları var mı? Her bölüm özellik, fayda, kanıt yapısını takip ediyor mu?
BuyGrid çerçevesi (Robinson et al., 1967) yapının satın alma türüne uygun olması gerektiğini ekler. Tamamen yeni bir satın alma en kapsamlı teklifi gerektirir. Değişikliklerle tekrar satın alma, mevcut duruma göre iyileştirmelere odaklanmalıdır.
Tek, iyi yerleştirilmiş bir eylem çağrısı, birden fazla rakip eylem öğesine kıyasla etkileşimi %371 artırır. Yapay zekâ, teklifin net sonraki adımlar içerip içermediğini, aciliyetin gerçek dış olaylar etrafında (bütçe döngüleri, uygulama pencereleri) çerçevelenip çerçevelenmediğini ve taahhüt eşiğinin pilot veya deneme süresi gibi geri dönüşümlü bir teklifle düşürülüp düşürülmediğini değerlendirir.
En az %40'ı varsayılan olarak "karar yok"u seçen riskten kaçınan B2B alıcıları için (Corporate Visions, 2022), tam da bu eşik düşürme kritiktir.
Modelimizdeki ağırlıklar, her boyutun teklif etkinliğine göreceli katkısını yansıtır. Bunları, meta-analizlerdeki etki büyüklükleri, profesyonel çerçevelerdeki atıf sıklığı ve kazanma oranları ile dönüşüm üzerindeki ölçülen etki olmak üzere üç kaynağı üçgenleyerek belirledik.
| Kategori | Ağırlık | Bilimsel Temel |
|---|---|---|
| Fiyat Teklifi | 15% | Beklenti teorisi (Kahneman & Tversky, 1979); çıpalama (Li et al., 2021); uzlaşma etkisi (Simonson, 1989); fiyat acısının nörobilimi (Knutson et al., 2007) |
| Proje Planı | 14% | ELM merkezi yol (Petty & Cacioppo, 1986); Lohfeld güç temelli puanlama; APMP Özellik, Fayda, Kanıt |
| Referanslar | 12% | %270 dönüşüm artışı (Spiegel Research Center, 2017); 61 çalışmalık meta-analiz (Freling et al., 2020) |
| Hakkımızda | 10% | Mayer et al. güven modeli (1995; 14.000+ atıf); Colquitt et al. (2007; 132 örneklem) |
| Kapak Sayfası | 8% | 50 ms izlenim oluşumu (Lindgaard et al., 2006); Stanford güvenilirlik araştırması (Fogg et al., 2003) |
| Ekip | 8% | Otorite ilkesi (Cialdini, 2001); Reinard (1998; r = 0.25) |
| Dil Kalitesi | 7% | Ta et al. (2022); Blankenship & Holtgraves (2005); Parhankangas & Ehrlich (2014) |
| Şartlar ve Koşullar | 5% | Risk azaltma (Kliestikova et al., 2023; β = 0.798); sinyal teorisi (Moorthy & Srinivasan, 1995) |
| Zaman Çizelgesi | 5% | Bilgi görselleştirmesi (Guo et al., 2020); görsel ikna gücü (Vogel et al., 1986) |
| Kişiselleştirme | 5% | %40 gelir artışı (Arora et al., 2021); güven-satın alma niyeti aracılığı (Tran et al., 2021) |
| Yapı ve Akış | 3% | Shipley BLUF; APMP değerlendirme yapan odaklı; ELM çift yol |
| Video | 3% | %54 daha yüksek dönüşüm (Aberdeen Group, 2018) |
| Fotoğraf Galerisi | 3% | Resim üstünlüğü etkisi (Nelson et al., 1976); Seo (2020; r = 0.185) |
| Eylem Çağrısı | 2% | %371 etkileşim artışı; mevcut durum yanlılığı literatürü |
| Toplam | 100% |
Her boyut, beş performans düzeyiyle 1 ile 10 arasında puanlanır:
Puan 9 veya 10 (olağanüstü): tüm en iyi uygulamalar uygulanmış, birden fazla ikna ilkesi kullanılmış, nicelleştirilmiş kanıt mevcut, sektör standartlarını aşan profesyonel uygulama, belge boyunca müşteriye özel özelleştirme.
Puan 7 veya 8 (güçlü): en iyi uygulamaların çoğu uygulanmış, ikna tekniklerinin net stratejik kullanımı, profesyonel kalite, bazı genel unsurlarla iyi özelleştirme.
Puan 5 veya 6 (yeterli): temel gereksinimler karşılanmış, bazı ikna unsurları ancak tutarsız uygulanmış, profesyonel ancak dikkat çekmeyen, orta düzey özelleştirme.
Puan 3 veya 4 (ortalamanın altı): en iyi uygulamalarda önemli boşluklar, minimum ikna stratejisi, tutarsız kalite, büyük ölçüde genel içerik.
Puan 1 veya 2 (zayıf): büyük eksiklikler, ikna stratejisi yok, profesyonel olmayan kalite, özelleştirme yok, kritik unsurlar eksik.
Evet. Ve kanıtlar ikna edicidir.
Zheng et al. (2023), GPT-4'ün insan tercihleriyle %80'in üzerinde uyum sağladığını göstermiştir. Bu, insan değerlendirme yapanların kendi aralarında sağladığı uyumla karşılaştırılabilir düzeydedir. Kim et al. (2024), Prometheus modelleriyle özel rubrikler kullanarak insan değerlendirme yapanlarla 0.897 Pearson korelasyonu elde etmiştir. Pack ve Maloney (2024), GPT-4'ün makale puanlaması için 0.731 korelasyon elde ettiğini bulmuştur; bu, yerleşik e-rater sistemiyle (Burstein & Chodorow, 1999; r = 0.693) karşılaştırılabilir düzeydedir.
Bunu perspektife koymak için: Bornmann et al.'ın meta-analizi (2010; 48 çalışma), insan uzmanların bile belge kalitesi yargıları için yalnızca ortalama ICC = 0.34 değerlendirme yapanlar arası güvenilirlik elde ettiğini bulmuştur. İyi kalibre edilmiş bir yapay zekâ sistemi bu nedenle yalnızca güvenilir değil, aynı zamanda ortalama insan değerlendirme yapandan daha tutarlı puanlama yapabilir.
Modelimiz, deterministik ölçümleri yapay zekâ değerlendirmesiyle üç adımda birleştirir:
Adım 1 (deterministik): yapay zekâ, okunabilirlik (Flesch-Kincaid, Gunning Fog), edilgen cümle yüzdesi, ortalama cümle uzunluğu, öz-referans sıklığı, yapısal unsurların varlığı (başlıklar, tablolar, zaman çizelgeleri), görüntü sayısı ve kalitesi ve bölüm tamlığı gibi objektif özellikleri ölçer.
Adım 2 (rubrik değerlendirmesi): yapay zekâ, G-Eval çerçevesini (Liu et al., 2023) uygular; önce değerlendirme kriterlerini tanımlar, ardından adım adım mantık yürütür (düşünce zinciri) ve sonra bir puan atar. Bu yöntem, insan yargılarıyla 0.514 Spearman korelasyonu elde etmiş olup tüm geleneksel metriklerden önemli ölçüde daha iyidir.
Adım 3 (tutarlılık kontrolü): puanlama üç kez yapılır ve varyansı azaltmak için ortalaması alınır. Kritik değerlendirmeler için çoklu model jürisi (3 ile 5 farklı yapay zekâ modeli ve çoğunluk oyu) yanlılığı %30 ile %40 azaltabilir.
Hem eğitim ölçümü hem de yapay zekâ değerlendirmesindeki araştırmalar, uyguladığımız altı en iyi uygulamaya işaret etmektedir:
Kriter başına ayrı puanlarla analitik rubrikler kullanıyoruz. Bu, ayrıntılı tanılamayı mümkün kılar ve tutarlılığı artırır. Kriter başına beş net performans düzeyi kullanıyoruz. Beşten fazla düzey güvenilirliği azaltır. Her düzey için modeli kalibre etmeye yönelik çapa örnekler ekliyoruz; bu yaklaşımın daha küçük yapay zekâ modellerinde bile etkili olduğu kanıtlanmıştır (Kim et al., 2024). Yapay zekâ, puan atamadan önce adım adım mantık yürütmek zorundadır; bu, güvenilirliği %10 ile %15 artırır (Zheng et al., 2023). Mümkün olan yerlerde öznel değerlendirmeleri ikili evet/hayır kontrollerine ayrıştırıyoruz ("Teklif görsel bir zaman çizelgesi içeriyor mu?"). Ve API güncellemelerinin puanlama tutarlılığını etkileyebilmesi nedeniyle (Pack & Maloney, 2024) periyodik yeniden kalibrasyon ile model sürümlerini kilitleriz.
Şeffaflık bu makalede anlattığımız ikna ilkelerinden biridir ve bunu kendimize de uyguluyoruz.
Yapay zekâ puanlaması, ölçülebilir özelliklerde (okunabilirlik, yapı, tamlık) daha derin içerik değerlendirmesine göre daha güçlüdür. Bu, 50 yılı aşkın otomatik puanlama araştırmasının tutarlı bir bulgusudur (Ramesh & Sanampudi, 2022). Yapay zekâ modelleri ölçülebilir yanlılıklar sergiler: konum yanlılığı (değiştirilmiş sıralama ile yaklaşık %40 tutarsızlık), ayrıntılılık yanlılığı (daha uzun metin için yaklaşık %15 puan şişirmesi) ve öz-pekiştirme yanlılığı (eğitim verilerine benzeyen içerik için %5 ile %10 artış).
Bu sınırlamalar, üç katmanlı mimarimiz, istem tasarımında açık yanlılık azaltma ve kullanıcılara puanlama güvenilirliği hakkında şeffaf iletişim yoluyla yönetilebilirdir. Amaç insan yargısının yerini almak değil, yapılandırılmış değerlendirme uzmanlığını herkesin erişimine açmaktır.
Puanlama modeli bağlama uyum sağlar. B2B satın alma, uzun karar alma süreçlerinde 6 ile 10 paydaşı içerir (Gartner, 2023) ve kariyer riski "karar yok" eğilimini güçlendirir. B2C kararları genellikle bireysel, daha hızlı ve daha duygusal odaklıdır.
Temel uyarlamalar:
Fiyatlandırma: B2B teklifleri profesyonellik ileten yuvarlak rakamlardan, ROI hesaplamalarından ve toplam sahip olma maliyeti analizinden yararlanır. B2C teklifleri cazibe fiyatlandırmasından (Poundstone, 2010) ve duygusal değer çerçevelemesinden yararlanabilir.
Sosyal kanıt: B2B alıcıları karşılaştırılabilir kuruluşlardan akran referansları ve vaka çalışmaları ister (alıcıların %73'ü vaka çalışmalarını kullanır; Heinz Marketing, 2022). B2C alıcıları değerlendirme hacimlerine, puanlamalara ve influencer onaylarına tepki verir.
Karar alma: B2B teklifleri satın alma merkezindeki birden fazla role aynı anda hitap etmelidir. B2C teklifleri tek bir karar vericiye yönelir.
Güven: B2B sertifikaları, SLA'ları ve kurumsal garantileri vurgular. B2C iade politikalarını, para iade garantilerini ve sosyal doğrulama hacmini vurgular.
Aynı 14 boyut değerlendirilir, ancak ağırlıklar bağlama göre kayar. Bu, yapay zekânın her teklif için doğru vurguyu koymasını sağlar.
Teklif kalitesi ölçülebilirdir. Görüş olarak değil, bilim olarak.
Literatür, teklif unsurları ile sonuçlar arasında somut, nicelleştirilmiş ilişkiler sunmaktadır. Bu puanlama modeli, nadiren birlikte ele alınan üç bilimsel disiplini entegre eder: davranışsal ekonomi (fiyat sunumu ve çerçevelemenin kabulü nasıl etkilediği), ikna bilimi (güven, otorite ve sosyal kanıtın değerlendirmeyi nasıl şekillendirdiği) ve NLP ve yapay zekâ değerlendirmesi (otomatik sistemlerin bu yapıları nasıl güvenilir şekilde ölçebildiği).
Model, proposal.expert platformunun bölümleriyle doğrudan bağlantılıdır ve sabit formatlarla (ihale şartnameleri gibi) de işleyecek kadar esnektir.
Bu araştırmadan elde edilen en önemli içgörü, çift yol puanlama zorunluluğu olarak adlandırdığımız şeydir. Teklifler, satın alma ekibindeki farklı kişiler tarafından aynı anda hem içeriksel analiz hem de sezgisel izlenim yoluyla değerlendirilir. İçerik açısından mükemmel puan alan ancak sunum açısından düşük puan alan bir teklif, her iki yola da hitap eden bir teklife kaybeder.
Bu içgörü, puanlama modelimizin her yönüne yerleştirilmiştir. Ve artık daha iyi teklif yazmak isteyen herkesin erişimine açıktır.
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.