Лидери на мисълта
Активиране на базирано на AI клиентско сегментиране за B2B компании: пътна карта
Базиран в Северна Каролина, Ingersoll Rand е един от водещите световни конгломерати. Фирмата разполага с няколко бизнес направления, включително системи за сгъстен въздух, HVAC решения и авангардни технологични продукти, които обслужват различни индустрии, като научни лаборатории и фирми за превоз на товари. Освен това има присъствие в над 175 страни, работейки предимно в B2B сегмента.
Имайки предвид това, лесно е да си представим колко сложно може да бъде удовлетворяването на всичките им клиенти, поради което Ingersoll Rand прибягна до AI, за да ги разбере по-добре.
By използване на AI за сегментиране на тяхната обширна и много разнообразна клиентска база, компанията успя да създаде персонализирани кампании, които се представиха много по-добре по KPI, като проценти на отваряне, честоти на кликване и реализации. Някои от тези кампании бяха сегментирани по география, докато други бяха по вид или размер на бизнеса, а трети бяха комбинация от всичко по-горе. Това помогна на лидерите на фирмата да разберат, че имат някои уникални сегменти, които не са отделили време да разработят преди. Всъщност без AI те може би не са забелязали съществуването на тези сегменти.
Успехът на Ingersoll Rand показва нещо, което всички бизнес лидери трябва да разберат. Днешният пейзаж е свръхконкурентен, следователно разбирането на вашите клиенти е от решаващо значение. Клиенти, които не се чувстват признати или които не отговарят на нуждите си от вашия продукт или услуга, могат лесно да бъдат склонени да се насочат към офертата на конкурентна фирма.
За да подобрите шансовете си да разберете адекватно какво очакват вашите клиенти, трябва да ги разделите на правилните сегменти, тъй като само по този начин ще знаете със сигурност какви са техните общи характеристики, поведение и предпочитания. Въз основа на тези сегменти можете да създадете персонализирани маркетингови кампании и персонализирани продуктови предложения, които значително подобряват вашите проценти на реализация.
Чрез приемането на технологии като изкуствен интелект (AI) и машинно обучение (ML), компаниите могат да дадат тласък на своите усилия за сегментиране на клиентите. Въпреки това, както всички технологични иновации, те трябва да бъдат приети стратегически.
Ето ръководство, което да ви помогне да постигнете това.
Защо сегментирането на клиентите е важно и как AI може да помогне?
По принцип AI може да ни помогне, като надхвърли нашите пристрастия и конвенционалните методи за сегментиране на нашите клиенти. Тъй като неговият процес на сегментиране се управлява само от данни, тогава можем да научим за клиентски сегменти, за които не сме мислили, и това разкрива уникална информация за нашите клиенти.
За да илюстрираме по-нататък, нека разгледаме следния пример.
Компания, специализирана в селскостопанско оборудване и консумативи, се стреми да разшири предлагането на продукти. Фирмата провежда сегментиране, за да се увери, че новите продукти са подходящи.
В миналото бизнесът разчиташе на конвенционален подход към сегментирането, категоризирайки клиентите по географско местоположение, въз основа на основното предположение, че фермерите от един и същи регион ще имат сходни нужди. Например, те биха рекламирали трактор, фокусиран върху характеристиките, които възприемат като общи черти между фермите в американския Среден Запад, като метеорологичните условия.
Въпреки това, при внедряването на AI, компанията осъзна, че географското сегментиране не е правилният подход. Събирайки обширни данни (включително история на покупките, размер на фермата, видове отглеждани култури, използвани методи за напояване, усвояване на технологията, степен на автоматизация и други) и позволявайки на AI алгоритми да ги анализират, фирмата установи, че размерът на фермата е един от най-критичните фактори, които влияят върху решението на фермера за покупка. Може да изглежда очевидно: фермерите с по-големи ферми имат различни нужди от тези, които имат по-малки имоти. Лидерите на компаниите за селскостопанско оборудване обаче все още бяха настроени да продават чрез географско сегментиране и сами по себе си може би никога не биха променили този процес, въпреки че не носеше най-добрите резултати.
Като казахме това, как можем да стартираме този процес?
Различни подходи за сегментиране на клиенти
За да определите кой модел да приложите към вашия подход за сегментиране на клиенти, трябва да имате предвид:
Какви данни имам на разположение? С други думи, какво знам?
Какви са целите на моя бизнес?
Какво знам за моите клиенти?
Въз основа на това можете да приложите неконтролиран модел, контролиран модел или да следвате смесения подход.
Неконтролиран (K-Means клъстериране, DBSCAN, GMM): Този модел не разчита на предварително дефинирани етикети и данни за обучение, а вместо това изчислява оптималните сегменти от нулата. Можете да приложите неконтролираните алгоритми:
Когато нямате конкретни сегменти предвид, особено когато прилагате AI сегментиране за първи път и нямате предварително обучени набори от данни
Когато имате динамичен бизнес с бързо променяща се клиентска база и искате да идентифицирате нови сегменти
Контролирано машинно обучение (модел на регресия, дърво на решенията, произволна гора): Можем да приложим този подход, ако имаме етикетиран набор от данни за обучение, например от предишно сегментиране или знания за домейн. След това контролираният ML модел може да се приложи към нови клиенти или клиенти, за които сегментът не е ясен
Смесеният подход съчетава използването на неконтролирано обучение за идентифициране на сегменти и след това прилагане на тези сегменти като етикети за обучение на контролиран модел. Този обучен модел може да се използва за класифициране на нови клиенти или за създаване на сегмент за клиенти, за които нямаме пълни данни.
Моля, бъдете внимателни, когато прилагате смесения подход без произволна извадка. Ако изберете само онези клиенти, за които имате пълни данни, тогава най-вероятно ще изберете вашите по-лоялни клиенти, което може да не е справедливо представяне на цялата група. Това ще доведе до пристрастен избор и тези пристрастия ще бъдат предадени само на AI.
Предизвикателства и често срещани грешки
AI не е без своите предизвикателства. От моя опит, ето някои от препятствията, които е най-вероятно да срещнете, докато се научите да владеете въжетата.
Ясно сегментиране: Много компании не са наясно защо сегментират. Без тази цел е трудно процесът, управляван от AI, да бъде ефективен. В тези случаи традиционният подход, управляван от хора, може да работи по-добре, особено ако имате главно качествени данни. Същото важи и ако имате малък брой клиенти.
Качество на данните: Качеството на резултатите, получени от AI, ще бъде толкова добро, колкото качеството на данните, които захранвате системата. Следователно, ако вашите данни не са точни, сегментирането ви също няма да бъде.
Етични съображения: Уверете се, че не включвате чувствителни данни и критерии в модела. Това е грешка, която са направили много компании и тя им е струвала както пари, така и репутацията им. Например в САЩ ипотечните компании са обект на критики предполагаемо расово профилиране на техните AI алгоритми.
Готовност за CRM: Тъй като ML е такава начална технология, много CRM (управление на взаимоотношенията с клиенти) системи не са оборудвани да се справят с нея. Следователно правилното интегриране на сегменти в бизнес операциите (маркетингови кампании, допирни точки, стратегия за продажби) изисква допълнителна работа. Много пъти собствениците се намесват веднага, без да обмислят всички включени процеси, и това води до хълцане, когато се опитват да използват AI.
Обучение на служителите: Служителите трябва да бъдат обучени допълнително, за да могат да разберат напълно подходите за сегментиране на AI. Освен това е вероятно да срещнете известна съпротива, тъй като резултатите от AI може да противоречат на тяхната интуиция. За да преодолеете бариерата на доверието, покажете някои от положителните му приложения и използвайте AI отговорно.
Качество на сегмента: Подобно на традиционното сегментиране, сегментите, които получавате от ML модела, трябва да отговарят на ключови критерии и да бъдат валидирани:
Действително
Стабилен
Достатъчно голям размер
Диференцируеми
Познаване и тълкуване на домейна: Интегрирането и адекватното управление на знанията на вашия бизнес е много важно на всяка стъпка от пътя, от подготовката на данни до валидирането на резултатите от модела. Освен това имайте предвид, че дори перфектният модел за машинно обучение няма да ви даде 100% точност. Ето къде е необходим вашият експертен опит в областта и защо е много важно ИИ и хората да работят заедно. Друга грешка, която често съм виждал, е, че хората, които вземат решения, делегират всичко на AI и сляпо изпълняват техните предложения без допълнителни въпроси. Това вероятно ще доведе до неблагоприятни резултати. Също така, нека помним, че в края на деня ние сме хора и нашите пристрастия все още са налице, когато интерпретираме данните. Осъзнаването на това може да ни помогне да бъдем по-малко уязвими към потенциални грешки.
Актуализации на модела: Ако имате динамична клиентска база или имате висок клиентски оборот, поведението и предпочитанията на вашите клиенти често се променят. Затова се уверете, че актуализирате модела редовно и не разчитайте на остарели сегменти.
Ръководство стъпка по стъпка за сегментиране на клиенти с активиран AI
Сега, след като сте наясно с предизвикателствата, ето ръководство стъпка по стъпка, което да ви помогне да внедрите AI и успешно да го интегрирате в процесите на сегментиране на вашите клиенти.
Определете вашата цел за сегментиране. Това включва разбиране на различните критерии, по които ще класифицирате клиентите си. Тук отново са необходими както прозренията, генерирани от AI, така и вашата гледна точка като експерт в областта. Заедно ще откриете нови клиентски сегменти и ще можете да персонализирате своите маркетингови кампании, за да постигнете по-добри резултати.
Гарантирайте наличност на данни: Уверете се, че AI има достъп до изчерпателни данни за клиентите или ако вашите данни са непълни, намерете начин да се справите с тях. Един от начините да направите това може да бъде използването на подхода за смесено моделиране. Казахме го и преди, но не може да се подчертае достатъчно: резултатите ще бъдат толкова добри, колкото и данните, с които AI трябва да работи.
Справяне с ограниченията на данните: Ако имате ограничени данни, изберете произволна извадка от базата данни на вашите клиенти и съберете допълнителни данни от тях. След това приложете смесения подход, за да постигнете максимални резултати.
Изберете своя подход за моделиране и приложете избрания модел към получените данни
Изберете оптималния брой сегменти: Има различни техники за изчисляване на оптималния брой сегменти. Най-популярните са правилото на лакътя и анализът на пропуските.
Разберете критериите за разграничаване на сегментите и интерпретирайте резултатите: Кои са ключовите променливи, по които вашите клиенти ще бъдат идентифицирани? Какви са техните възприятия и как могат да бъдат рекламирани? За да работи процесът на сегментиране, след като потвърдите точността на модела, трябва да прегледате различните сегменти и да определите дали променливите, управляващи тези сегменти, се прилагат адекватно към вашия бизнес модел.
И накрая, но не на последно място, като ресурс за адекватна визуализация на сегментирането, прилагам паралелни координати, в които идентифицирам четири сегмента: купувачи с висока стойност, пазаруващи с бюджет, ентусиасти на технологиите и пазаруващи случайно. Измервам категории като месечни разходи и честота на покупки за всеки от тези сегменти, тъй като това ми помага да разбирам по-добре моите клиенти.
Заключителни мисли
Както обсъдихме, задвижваното от AI клиентско сегментиране може да помогне на B2B компаниите да получат по-ясна видимост за това кои са техните клиенти и движещите сили зад вземането на решения. След като разполагате с тази информация, можете да я използвате, за да създадете персонализирани кампании и преживявания, които добавят повече стойност към вашите клиенти.
Като следвате пътната карта, описана в това ръководство, можете да използвате AI алгоритми, за да стимулирате процесите на сегментиране на вашия бизнес и да вземате решения, базирани на данни, които стимулират растежа ви и повишават KPI за удовлетвореността на клиентите ви, насърчавайки по-добра връзка с клиентите ви и солидно чувство за лоялност към вашата марка.
Това е все по-важно в B2B света и особено за високотехнологичните продукти, тъй като нуждите на клиентите се променят бързо и технологичните очаквания се развиват бързо. Адекватното сегментиране на вашите клиенти може да направи разликата между предоставянето на първокласен продукт и нещо, което не успява да постигне съответния пазарен продукт.
