Reading between the lines: AI and customer acquisition in professional services
Notice bibliographique
Résumé
Purpose Professional service firms face complex challenges in acquiring new clients, owing to the high degree of trust, customization and client involvement these services require. This study aims to explore how large language models (LLMs), such as ChatGPT, can analyze early-stage text-based communications to identify linguistic markers that predict purchase readiness. By focusing on the professional services domain, the study contributes to service marketing theory by introducing a novel method to assess service interest through client-generated text. Design/methodology/approach For two years, the authors collected responses submitted through an inquiry form for a home improvement firm. The artificial intelligence (AI) platform ChatGPT was trained to assess the level of specificity in the language used by prospective customers and generated a specificity score for each response. These scores were then used to predict the likelihood of customer purchase over time using an accelerated hazard model. Findings The results indicate that the specificity scores generated by ChatGPT effectively predict a customer’s position within the sales funnel and likelihood of purchase over time. Customers who provided more detailed information, as measured by AI, exhibited a higher probability of conversion. Practical implications This study provides actionable insights for managers aiming to optimize customer acquisition efforts and minimize resource waste. It demonstrates how AI – specifically LLMs – can be leveraged to analyze unstructured text from prospective customers and identify linguistic signals (e.g. specificity) that are predictive of purchase likelihood. Originality/value Consumers reveal valuable insights through the language they use. While it has traditionally been difficult to empirically analyze this verbiage, the emergence of LLMs enables the transformation of qualitative text into measurable indicators. These tools allow firms to make data-driven predictions about customer behavior. This study introduces a novel methodological approach to the analysis of customer acquisition.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».