Povolení segmentace zákazníků pomocí umělé inteligence pro společnosti B2B: Cesta

Sídlem v Severní Karolíně je Ingersoll Rand jednou z předních konglomerátů na světě. Firma má několik obchodních linek, včetně kompresních vzduchových systémů, řešení HVAC a špičkových technologických produktů, které slouží různým odvětvím, jako jsou vědecké laboratoře a firmy pro dopravu zboží. Má také přítomnost ve více než 175 zemích a působí主要ně v segmentu B2B.

S tím na paměti je snadné si představit, jak složité může být uspokojit všechny své zákazníky, a proto se Ingersoll Rand uchýlil k umělé inteligenci, aby je lépe pochopil.

Zavedením využití umělé inteligence pro segmentaci své rozsáhlé a velmi rozmanité zákaznické základny byla společnost schopna vytvořit přizpůsobené kampaně, které měly mnohem lepší výsledky na KPI, jako jsou otevírací sazby, sazby kliknutí a konverze. Některé z těchto kampaní byly segmentovány podle geografie, zatímco jiné podle typu nebo velikosti podniku a další kombinací všech výše uvedených. To pomohlo vedoucím firmy pochopit, že mají některé jedinečné segmenty, které dříve nevyvinuli. Ve skutečnosti, bez umělé inteligence, možná ani nezjistili, že tyto segmenty existují.

Úspěch Ingersoll Rand ukazuje něco, co musí pochopit všichni obchodní lídři. Dnešní krajina je hyper-konkurenční, a proto je pochopení zákazníků kritické. Klienti, kteří se necítí uznáni nebo kteří nejsou uspokojeni vaším produktem nebo službou, mohou snadno přejít k nabídce konkurenční firmy.

Abyste zvýšili své šance na dostatečné pochopení toho, co očekávají vaši klienti, musíte je rozdělit do správných segmentů, protože pouze tak budete vědět jistě, jaké jsou jejich společné charakteristiky, chování a preference. Na základě těchto segmentů můžete vytvořit přizpůsobené marketingové kampaně a personalizované produktové nabídky, které výrazně zvyšují vaše konverzní sazby.

Převzetím technologií, jako je umělá inteligence (AI) a strojové učení (ML), mohou společnosti posílit své úsilí o segmentaci zákazníků. Avšak, stejně jako všechny technologické inovace, musí být přijaty strategicky.

Zde je průvodce, který vám pomůže dosáhnout toho.

Proč segmentace zákazníků záleží a jak může AI pomoci?

Základní, AI může pomoci překonat naše předsudky a konvenční metody segmentace našich zákazníků. Protože proces segmentace je řízen pouze daty, můžeme se dozvědět o zákaznických segmentech, o kterých jsme neuvažovali, a odhalit jedinečné informace o našich zákaznících.

Abyste to lépe pochopili, podívejme se na následující příklad.

Společnost, která se specializuje na zemědělské vybavení a dodávky, se snaží rozšířit svou nabídku produktů. Firma provádí segmentaci, aby zajistila, že nové produkty jsou relevantní.

V minulosti společnost využívala konvenční přístup k segmentaci, kategorizující zákazníky podle geografické polohy, na základě předpokladu, že farmáři ze stejné oblasti budou mít podobné potřeby. Například, inzerovali traktor zaměřený na funkce, které považovali za společné mezi farmami v americkém Středozápadě, jako jsou povětrnostní podmínky.

Avšak po implementaci AI společnost zjistila, že geografická segmentace nebyla správným přístupem. Shromáždili rozsáhlá data (včetně historie nákupů, velikosti farmy, typů plodin, metod zavlažování, přijetí technologií, míry automatizace a další) a nechali algoritmy AI analyzovat je, firma zjistila, že velikost farmy je jedním z nejkritičtějších faktorů, které ovlivňují rozhodnutí farmáře o nákupu. Může to vypadat zjevně: farmáři s většími farmami mají odlišné potřeby než ti, kteří mají menší pozemky. Avšak, lídři společnosti byli stále přesvědčeni o prodeji prostřednictvím geografické segmentace a bez AI by možná nikdy nezměnili tento proces, přestože nebyl přínosný.

Řekli jsme to již, ale jak můžeme tento proces provést?

Různé přístupy k segmentaci zákazníků

Abyste určili, který model použít pro segmentaci zákazníků, musíte zvážit:

• Jaká data mám k dispozici? Jinými slovy, co vím?

• Jaké jsou cíle mého podnikání?

• Co vím o svých zákaznících?

Na základě toho můžete použít buď nesupervizovaný model, supervizovaný model nebo smíšený přístup.

• Nesupervizovaný (K-Means clustering, DBSCAN, GMM): Tento model se neopírá o předdefinované štítky a trénovací data, ale místo toho vypočítává optimální segmenty od začátku. Můžete použít nesupervizované algoritmy:

  • Když nemáte konkrétní segmenty na mysli, zejména když poprvé používáte segmentaci AI a nemáte dříve trénované datové sady

  • Když máte dynamický podnik s rychle se měnící zákaznickou základnou a chcete identifikovat nové segmenty

• Supervizované strojové učení (regresní model, rozhodovací strom, náhodný les): Můžeme použít tento přístup, pokud máme označenou trénovací datovou sadu, například z předchozí segmentace nebo znalostí z oboru. Supervizovaný model ML lze poté použít pro nové zákazníky nebo pro zákazníky, u kterých není jasný segment

Smíšený přístup kombinuje použití nesupervizovaného učení pro identifikaci segmentů a poté použití těchto segmentů jako štítků pro trénování supervizovaného modelu. Tento trénovaný model lze poté použít pro klasifikaci nových zákazníků nebo pro vytvoření segmentu pro zákazníky, od kterých nemáme úplná data.

Buďte opatrní, když používáte smíšený přístup bez náhodného vzorkování. Pokud vyberete pouze ty zákazníky, u kterých máte úplná data, budete pravděpodobně vybírat pouze své loajální zákazníky, kteří nemusí být spravedlivým zastoupením celé skupiny. To povede k zkreslenému výběru a tyto zkreslení budou pouze předána AI.

Výzvy a běžné chyby

AI není bez svých výzev. Z mé zkušenosti jsou zde některé z překážek, se kterými se budete pravděpodobně setkat, když se učíte ovládat AI.

• Jasná segmentace: Mnoho společností není jasná o tom, proč segmentují. Bez tohoto účelu je obtížné, aby proces AI běžel efektivně. V takových případech může tradiční přístup řízený lidmi fungovat lépe, zejména pokud máte převážně kvalitativní data. Totéž platí, pokud máte pouze malý počet zákazníků.

• Kvalita dat: Kvalita výsledků poskytnutých AI bude pouze tak dobrá, jako je kvalita dat, která do systému vložíte. Proto, pokud vaše data nejsou přesná, vaše segmentace nebude přesná.

• Etické úvahy: Ujistěte se, že do modelu nezahrnete citlivá data a kritéria. Tato chyba udělala mnoho společností a stála je peníze a jejich pověst. Například, v USA, hypoteční společnosti čelily kritice za údajné rasové profilování jejich algoritmů AI.

• Připravenost CRM: Protože ML je takovou počáteční technologií, mnoho systémů CRM (řízení vztahů se zákazníky) není vybaveno k zvládnutí toho. Proto vyžaduje správná integrace segmentů do obchodních operací (marketingových kampaní, doteků, prodejní strategie) další práci. Mnohokrát, majitelé skáčou do toho bezprostředně, aniž by zvažovali všechny procesy, které jsou zapojeny, a to vede k potížím při pokusu o využití AI.

• Školení zaměstnanců: Zaměstnanci potřebují další školení, aby mohli plně pochopit přístupy k segmentaci AI. Také je pravděpodobné, že naleznete一些 odpor, protože výsledky AI mohou být v rozporu s jejich intuicí. Abyste překonali bariéru důvěry, ukázkou některé z jeho pozitivních aplikací a používáním AI zodpovědně.

• Kvalita segmentu: Podobně jako u tradiční segmentace, segmenty, které získáte z modelu ML, by měly splňovat klíčová kritéria a být ověřeny:

  • Akční

  • Stabilní

  • Dostatečně velký

  • Rozlišitelný

• Znalost oboru a interpretace: Integrace a adekvátní řízení znalostí vašeho podnikání je velmi důležité na každém kroku, od přípravy dat až po ověření výsledků modelu. Také si uvědomte, že i dokonalý model strojového učení nebude mít 100% přesnost. Zde je potřeba vaše odborná znalost a proč je velmi důležité, aby AI a lidé pracovali společně. Další chyba, kterou jsem často viděl, je, že rozhodnutí jsou delegována pouze na AI a bez dalšího zkoumání jsou implementovány jejich návrhy. To pravděpodobně povede k nepříznivým výsledkům. Také si uvědomte, že na konci dne jsme lidé a naše předsudky jsou stále přítomny při interpretaci dat. Být si toho vědom může pomoci nám být méně zranitelní vůči potenciálním chybám.

• Aktualizace modelu: Pokud máte dynamickou zákaznickou základnu nebo máte vysokou fluktuaci zákazníků, chování a preference vašich zákazníků se často mění. Proto se ujistěte, že aktualizujete model pravidelně a nespoléhejte se na zastaralé segmenty.

Krok za krokem Průvodce segmentací zákazníků pomocí AI

Teď, když jste si vědomi výzev, zde je krok za krokem průvodce, který vám pomůže implementovat AI a úspěšně integrovat ji do procesů segmentace zákazníků.

1. Definujte svůj cíl segmentace. To zahrnuje pochopení různých kritérií, podle kterých budete klasifikovat své zákazníky. Zde, opět, jsou potřeba jak poznatky generované AI, tak vaše perspektiva jako odborníka na pole. Společně budete moci odhalit nové zákaznické segmenty a přizpůsobit své marketingové kampaně, aby dosáhly lepší výsledky.

2. Zajistěte dostupnost dat: Ujistěte se, že AI má přístup ke komplexním zákaznickým datům, nebo pokud vaše data jsou neúplná, najděte způsob, jak s tím nakládat. Jedním ze způsobů, jak to udělat, může být použití smíšeného modelování. Řekli jsme to již, ale nemůže to být dostatečně zdůrazněno: Výsledky budou pouze tak dobré, jako jsou data, se kterými AI pracuje.

3. Zpracujte omezení dat: Pokud máte omezená data, vyberte náhodný vzorek ze své zákaznické databáze a shromážděte další data od nich. Pak použijte smíšený přístup, aby byly maximalizovány výsledky.

4. Vyberte si přístup modelování a aplikujte vybraný model na získaná data

5. Vyberte optimální počet segmentů: Existují různé techniky pro výpočet optimálního počtu segmentů. Nejpopulárnější jsou pravidlo lokte a analýza mezery.

6. Pochopíte rozlišovací kritéria segmentů a interpretujte výsledky: Jaké jsou klíčové proměnné, podle kterých budou vaši zákazníci identifikováni? Jaké jsou jejich vnímání a jak je lze oslovit? Pro proces segmentace, aby fungoval, musíte po ověření přesnosti modelu prohlédnout segmenty a určit, zda proměnné, které řídí tyto segmenty, dostatečně dobře odpovídají vašemu obchodnímu modelu.

Nakonec, jako zdroj pro adekvátní vizualizaci segmentace, používám paralelní souřadnice, ve kterých identifikuji čtyři segmenty: zákazníci s vysokými hodnotami, rozpočtoví zákazníci, nadšenci do technologií a příležitostní zákazníci. Měřím kategorie, jako je měsíční výdaj a frekvence nákupů pro každý z těchto segmentů, protože to mi pomáhá lépe pochopit mé zákazníky.

Závěrečné myšlenky

Jak jsme diskutovali, segmentace zákazníků pomocí AI může pomoci společnostem B2B získat jasnější přehled o tom, kdo jsou jejich zákazníci a co řídí jejich rozhodování. Jakmile budete mít tyto informace, můžete je využít k vytvoření personalizovaných kampaní a zkušeností, které přidají více hodnoty vašim klientům.

Sledováním roadmapu uvedeného v tomto průvodci můžete využít algoritmy AI k posílení procesů segmentace zákazníků ve vaší společnosti a učinit rozhodnutí založená na datech, která pohání váš růst a zvyšují ukazatele spokojenosti zákazníků, vytvářejí lepší spojení se zákazníky a pevný pocit loajality k vaší značce.

To je stále důležitější ve světě B2B, zejména pro high-tech produkty, protože potřeby zákazníků se rychle mění a technologické očekávání se vyvíjejí rychle. Adekvátní segmentace zákazníků může udělat rozdíl mezi dodáním špičkového produktu a něčím, co nedokáže dosáhnout relevantního produktového trhu.