DOI: https://doi.org/10.48084/etasr.15797
تاريخ النشر: 2026-02-09
المؤلف: Irwan Andriyanto Nugroho وآخرون
الموضوع الرئيسي: تسرب العملاء والتجزئة
نظرة عامة
تستكشف هذه الدراسة دمج الذكاء الاصطناعي، وبالتحديد نماذج اللغة الكبيرة (LLMs)، في الاتصالات التجارية لتعزيز إدارة قيمة العملاء (CVM) في سياقات الأعمال بين الشركات (B2B). يقترح المؤلفون إطار عمل شامل يعالج البيانات الحوارية لتحليل أبعادها اللغوية والعاطفية، ومن ثم ربط هذه الرؤى بمؤشرات قيمة العملاء الرئيسية مثل مؤشر رضا العملاء (CSI)، وقيمة عمر العميل (CLV)، واحتمالية الاحتفاظ بالعميل (CRP). يتكون الإطار من أربع طبقات: الإدخال، المعالجة، الدمج، والقرار، والتي تحول مجتمعة البيانات الحوارية إلى رؤى تجارية قابلة للتنفيذ.
تظهر الأبحاث فعالية هذا الإطار من خلال النتائج التجريبية، حيث حقق مصنف الغابة العشوائية (RF) دقة بنسبة 91% في تقسيم العملاء (مخلص، معرض للخطر، حرج)، ونموذج الانحدار اللوجستي (LR) لتوقع الاحتفاظ بالعملاء حقق منطقة تحت المنحنى (AUC) قدرها 0.83. تشير هذه النتائج إلى أن دمج الذكاء الحواري القائم على LLM مع مقاييس CVM يعزز بشكل كبير من دقة التحليل وقدرات اتخاذ القرار. في النهاية، تسهم هذه الأعمال في تقدم تحليلات قيمة العملاء المدفوعة بالذكاء الاصطناعي، مما يسهل تحسين التفاعل الاستباقي مع العملاء في B2B ويدعم اتخاذ القرارات التكيفية في بيئة الأعمال المدفوعة بالبيانات.
مقدمة
في سياق الاقتصاد الرقمي، يتم تسهيل التفاعلات بين الشركات (B2B) بشكل متزايد من خلال قنوات الاتصال في الوقت الحقيقي، بما في ذلك الدردشة المباشرة والاجتماعات الافتراضية. تولد هذه المنصات كميات كبيرة من البيانات الحوارية غير المنظمة، والتي، إذا تم تحليلها بشكل فعال، يمكن أن توفر رؤى قيمة حول توقعات العملاء ورضاهم وقيمتهم على المدى الطويل. ومع ذلك، تظل الأساليب التقليدية لإدارة قيمة العملاء (CVM) معتمدة على مصادر البيانات الرجعية مثل الاستطلاعات وسجلات المعاملات، والتي تفشل في التقاط الطبيعة الديناميكية لعلاقات B2B بشكل كافٍ.
تسلط هذه القيود الضوء على ضرورة وجود أنظمة ذكية يمكنها تحليل المحادثات في الوقت الحقيقي لتوليد رؤى تكيفية وتنبؤية وقابلة للتنفيذ. لقد أحدثت التطورات الأخيرة في نماذج اللغة الكبيرة (LLMs) مثل GPT وBERT وLLaMA ثورة في معالجة اللغة الطبيعية من خلال تعزيز القدرات في الفهم الدلالي العميق، واكتشاف المشاعر، والتعرف على النوايا، والتفكير السياقي. تقدم هذه التطورات فرصة للاستفادة من البيانات الحوارية في الوقت الحقيقي في سياقات B2B، متجاوزة الطرق التقليدية لفهم احتياجات العملاء والاستجابة لها بشكل أفضل.
الطرق
تستخدم منهجية هذه البحث تصميمًا تجريبيًا ومفاهيميًا لإنشاء إطار عمل تكاملي يدمج نماذج اللغة الكبيرة (LLMs) مع إدارة قيمة العملاء (CVM). تم هيكلة الدراسة حول ثلاثة مجالات تركيز رئيسية: (i) تحليل المحادثات المعتمد على الذكاء الاصطناعي، (ii) دمج مقاييس CVM، و(iii) توفير دعم اتخاذ القرار التنبؤي ضمن إدارة علاقات الأعمال بين الشركات (B2B).
يتكون الإطار المقترح، كما هو موضح في الشكل 1، من أربعة مكونات رئيسية: طبقات الإدخال، المعالجة، الدمج، والقرار. يهدف هذا النهج المنظم إلى تعزيز فعالية إدارة علاقات الأعمال من خلال الاستفادة من تقنيات الذكاء الاصطناعي المتقدمة بالتزامن مع منهجيات CVM المعتمدة.
النتائج
تشير نتائج الدراسة إلى أن النموذج المقترح يحلل بشكل فعال مشاعر العملاء في الاتصالات بين الشركات (B2B)، كاشفًا عن توزيع مشاعر مائل للغاية: 96% محايد، 3% إيجابي، و1% سلبي. تعكس هذه النمط الطبيعة الرسمية وحل المشكلات للتفاعلات بين الشركات، حيث تكون التعبيرات العاطفية محدودة. من الجدير بالذكر أن التفاعلات ذات المشاعر المحايدة حققت أعلى مقاييس قيمة العملاء، مع مؤشر رضا العملاء (CSI) قدره 0.91، وقيمة عمر العميل (CLV) قدرها 0.87، واحتمالية الاحتفاظ بالعميل (CRP) قدرها 0.81. تشير هذه النتائج إلى أن التواصل المستقر والمهني يعزز من رضا العملاء وثقتهم، مما يبرز أهمية الاتساق في علاقات B2B.
على النقيض من ذلك، بينما شكلت التفاعلات ذات المشاعر الإيجابية 3% فقط من الإجمالي، إلا أنها لا تزال أثرت بشكل إيجابي على ولاء العملاء، مع درجات CSI عند 0.83، وCLV عند 0.80، وCRP عند 0.76. يشير هذا إلى أن حتى التعبيرات الإيجابية النادرة يمكن أن تعزز من تصورات العملاء حول أداء الشركة. في المقابل، أدت 1% من التفاعلات ذات المشاعر السلبية إلى انخفاضات كبيرة في مقاييس قيمة العملاء، مع CSI عند 0.68، وCLV عند 0.65، وCRP عند 0.59، مما يبرز الآثار الضارة للتواصل السلبي. بشكل عام، تسلط الدراسة الضوء على أن جودة ونبرة التفاعلات، بدلاً من حجمها، هي عوامل حاسمة في إدارة قيمة العملاء في سياقات B2B، داعيةً إلى أنظمة مراقبة في الوقت الحقيقي لمعالجة المشكلات المحتملة بشكل استباقي.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على الإمكانيات التحويلية لدمج نماذج اللغة الكبيرة (LLMs) في تحليل المحادثات في الوقت الحقيقي لإدارة قيمة العملاء (CVM) بين الشركات (B2B). من خلال الاستفادة من LLMs، يمكن للمنظمات الحصول على فهم دقيق لسلوك العملاء، مما يمكنها من تحديد فرص خلق القيمة، ومنع التسرب، وتطوير استراتيجيات تفاعل مخصصة. يشير المؤلفون إلى وجود فجوة كبيرة في الأبحاث الحالية، التي تركزت إلى حد كبير على التحليلات الثابتة في سياقات الأعمال بين المستهلكين (B2C)، ويقترحون إطار عمل جديد يربط بشكل منهجي الرؤى الحوارية في الوقت الحقيقي بمؤشرات CVM الاستراتيجية مثل مؤشر رضا العملاء (CSI)، وقيمة عمر العميل (CLV)، واحتمالية الاحتفاظ بالعميل (CRP).
يتكون الإطار المقترح من عدة طبقات: طبقة الإدخال لجمع البيانات ومعالجتها، وطبقة المعالجة التي تستخدم LLMs للتحليل الدلالي والعاطفي، وطبقة الدمج التي تربط المخرجات اللغوية بمقاييس CVM، وطبقة القرار التي تترجم هذه الرؤى إلى استراتيجيات تجارية قابلة للتنفيذ. تفيد الدراسة بأن نموذج GPT-4 تفوق على الآخرين في الدقة والفهم السياقي، بينما صنفت نماذج الغابة العشوائية (RF) والانحدار اللوجستي (LR) العملاء وتوقعت احتمالات الاحتفاظ بشكل فعال، محققة AUC قدره 0.84. لا تعزز هذه الأبحاث المعرفة النظرية في الذكاء الاصطناعي المدعوم بالذكاء التجاري فحسب، بل تقدم أيضًا تطبيقات عملية لتعزيز قيمة العملاء من خلال اتخاذ قرارات مستندة إلى البيانات في بيئات B2B. يُقترح أن تستكشف الأعمال المستقبلية نماذج LLM التكيفية وتقنيات التعلم المعزز لتعزيز قدرات النظام بشكل أكبر.
DOI: https://doi.org/10.48084/etasr.15797
Publication Date: 2026-02-09
Author(s): Irwan Andriyanto Nugroho et al.
Primary Topic: Customer churn and segmentation
Overview
This study explores the integration of artificial intelligence, specifically Large Language Models (LLMs), into business communications to enhance Customer Value Management (CVM) in Business-to-Business (B2B) contexts. The authors propose a comprehensive framework that processes conversational data to analyze its linguistic and emotional dimensions, subsequently mapping these insights to key customer value indicators such as the Customer Satisfaction Index (CSI), Customer Lifetime Value (CLV), and Customer Retention Probability (CRP). The framework consists of four layers: Input, Processing, Integration, and Decision, which collectively transform conversational data into actionable business insights.
The research demonstrates the effectiveness of this framework through empirical results, where a Random Forest (RF) classifier achieved 91% accuracy in customer segmentation (Loyal, At-Risk, Critical), and a Logistic Regression (LR) model for customer retention prediction yielded an Area Under the Curve (AUC) of 0.83. These findings indicate that the integration of LLM-based conversational intelligence with CVM metrics significantly enhances analytical accuracy and decision-making capabilities. Ultimately, this work contributes to the advancement of AI-driven customer value analytics, facilitating improved proactive B2B customer engagement and supporting adaptive decision-making in a data-driven business environment.
Introduction
In the context of the digital economy, Business-to-Business (B2B) interactions are increasingly facilitated by real-time communication channels, including live chat and virtual meetings. These platforms generate substantial amounts of unstructured conversational data, which, if analyzed effectively, can yield valuable insights into customer expectations, satisfaction, and long-term value. However, traditional Customer Value Management (CVM) approaches remain reliant on retrospective data sources like surveys and transaction logs, which fail to adequately capture the dynamic nature of B2B relationships.
This limitation highlights the necessity for intelligent systems that can analyze real-time conversations to generate adaptive, predictive, and actionable insights. Recent advancements in Large Language Models (LLMs) such as GPT, BERT, and LLaMA have revolutionized natural language processing by enhancing capabilities in deep semantic understanding, emotion detection, intent recognition, and contextual reasoning. These developments present an opportunity to leverage real-time conversational data in B2B contexts, moving beyond conventional methods to better understand and respond to customer needs.
Methods
The methodology of this research employs an experimental and conceptual design to create an integrative framework that merges Large Language Models (LLMs) with Customer Value Management (CVM). The study is structured around three primary focus areas: (i) AI-based conversation analysis, (ii) the integration of CVM metrics, and (iii) the provision of predictive decision-making support within B2B business relationship management.
The proposed framework, as illustrated in Figure 1, consists of four key components: Input, Processing, Integration, and Decision layers. This structured approach aims to enhance the effectiveness of business relationship management by leveraging advanced AI techniques in conjunction with established CVM methodologies.
Results
The results of the study indicate that the proposed model effectively analyzes customer sentiment in B2B communications, revealing a highly skewed sentiment distribution: 96% neutral, 3% positive, and 1% negative. This pattern reflects the formal and problem-solving nature of B2B interactions, where emotional expressions are minimal. Notably, neutral sentiment interactions yielded the highest customer value metrics, with a Customer Satisfaction Index (CSI) of 0.91, Customer Lifetime Value (CLV) of 0.87, and Customer Retention Probability (CRP) of 0.81. These findings suggest that stable and professional communication fosters greater customer satisfaction and trust, emphasizing the importance of consistency in B2B relationships.
Conversely, while positive sentiment interactions accounted for only 3% of the total, they still positively impacted customer loyalty, with scores of CSI at 0.83, CLV at 0.80, and CRP at 0.76. This indicates that even infrequent positive expressions can enhance customer perceptions of a company’s performance. In stark contrast, the 1% of negative sentiment interactions led to significant declines in customer value metrics, with CSI at 0.68, CLV at 0.65, and CRP at 0.59, underscoring the detrimental effects of negative communications. Overall, the study highlights that the quality and tone of interactions, rather than their volume, are critical in managing customer value in B2B contexts, advocating for real-time monitoring systems to address potential issues proactively.
Discussion
The discussion section of the paper highlights the transformative potential of integrating Large Language Models (LLMs) into real-time conversational analysis for Business-to-Business (B2B) customer value management (CVM). By leveraging LLMs, organizations can gain a nuanced understanding of customer behavior, enabling them to identify value-creation opportunities, prevent churn, and develop personalized engagement strategies. The authors note a significant gap in existing research, which has largely focused on static analyses in Business-to-Consumer (B2C) contexts, and propose a novel framework that systematically links real-time conversational insights to strategic CVM indicators such as Customer Satisfaction Index (CSI), Customer Lifetime Value (CLV), and Customer Retention Probability (CRP).
The proposed framework consists of multiple layers: an Input Layer for data collection and preprocessing, a Processing Layer utilizing LLMs for semantic and emotional analysis, an Integration Layer that connects linguistic outputs to CVM metrics, and a Decision Layer that translates these insights into actionable business strategies. The study reports that the GPT-4 model outperformed others in accuracy and contextual understanding, while the Random Forest (RF) and Logistic Regression (LR) models effectively classified customers and predicted retention probabilities, achieving an AUC of 0.84. This research not only advances theoretical knowledge in AI-supported business intelligence but also provides practical implications for enhancing customer value through real-time, data-driven decision-making in B2B environments. Future work is suggested to explore adaptive LLMs and reinforcement learning techniques to further enhance the system’s capabilities.