AI-Powered Segmentation and Prioritization of e-Mobility Presales Requests
Notice bibliographique
Résumé
**Abstract.** The Tenders & Proposals team at ABB E-Mobility plays a key role in growing the business by answering presales requests. One of the main challenges they face is the absence of a structured way to prioritize those requests. Decisions are mostly based on individual experience, which can result in time spent on low-impact opportunities while higher-value ones are missed. To support the team, we created a decision-support tool powered by machine learning to prioritize quotes based on data rather than intuition. The baseline model is a Random Forest (RF), trained on past quotes and variables such as complexity level, price tier, urgency (Days Until Due = Due Date − Request Date), and total value. Features were cleaned, recategorized, and grouped when needed—for example, total value was grouped by business rule (0–$5M vs $5M–$25M). On top of that, a priority score was built from business rules. To improve detection of “Won” opportunities, we evaluated a Gradient Boosting (GB) variant and cross-validation. In offline tests, the RF baseline achieved 90.0% accuracy (weighted F1 0.89); a GB variant increased “Won” precision to 50.0% (recall 13.3%). *Preprint — not peer-reviewed. Version 1.0 (2025-09-17).*
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».