Povolení zákaznické segmentace pomocí umělé inteligence pro společnosti B2B: Cesta

Se sídlem v Severní Karolíně je Ingersoll Rand (IR ) jednou z předních konglomerátů na světě. Firma má několik obchodních linií, včetně kompresních vzduchových systémů, řešení HVAC a pokročilých technologických produktů, které slouží různým odvětvím, jako jsou vědecké laboratoře a firmy pro přepravu zboží. Má také přítomnost ve více než 175 zemích a působí převážně 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.

Při využití umělé inteligence ke segmentaci své rozsáhlé a velmi rozmanité zákaznické základny se společnosti podařilo vytvořit přizpůsobené kampaně, které dosáhly mnohem lepšího výkonu v ukazatelích, 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 lídrům firmy pochopit, že mají einige jedinečné segmenty, které předtím nevyvinuli. Ve skutečnosti, bez umělé inteligence, možná ani nezjistili, že tyto segmenty existují.

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

Abyste zlepšili své šance na 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 zlepšují vaše konverzní sazby.

Přijetím technologií, jako je umělá inteligence a strojové učení, mohou firmy posílit své úsilí o segmentaci zákazníků. Nicméně, jako všechny technologické inovace, musí být přijaty strategicky.

Zde je průvodce, který vám pomůže dosáhnout toho.

Proč segmentace zákazníků matters, a jak může umělé inteligence pomoci?

Základní, umělá inteligence může pomoci, překonáním našich předsudků a konvenčních metod segmentace našich zákazníků. Protože její proces segmentace je řízen pouze daty, můžeme se naučit o zákaznických segmentech, o kterých jsme dříve neuvažovali, a to odhalí jedinečné informace o našich zákaznících.

Abyste to dále ilustrovali, podívejte se na následující příklad.

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

V minulosti společnost používala 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 pro farmy v americkém Středozápadě, jako jsou povětrnostní podmínky.

Nicméně, po implementaci umělé inteligence společnost zjistila, že geografická segmentace nebyla správným přístupem. Shromáždili rozsáhlá data (včetně historie nákupů, velikosti farem, typů pěstovaných plodin, metod zavlažování, úrovně automatizace a dalšího) a nechali algoritmy umělé inteligence tato data analyzovat. Firma zjistila, že velikost farmy je jedním z kritických faktorů, které ovlivňují rozhodování zákazníků. Může se zdát zřejmé: farmáři s většími farmami mají odlišné potřeby než ti, kteří mají menší nemovitosti. Nicméně, lídři společnosti byli stále zaměřeni na prodej prostřednictvím geografické segmentace a sami by možná nikdy nezměnili tento proces, i když nebyl přínosem pro nejlepší výsledky.

Řekli jsme to, jak můžeme tento proces spustit?

Různé přístupy k segmentaci zákazníků

Abyste určili, který model použít pro váš přístup k 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 aplikovat nesupervizovaný model, supervizovaný model nebo smíšený přístup.

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

  • Když nemáte specifické segmenty na mysli, zejména když poprvé aplikujete segmentaci umělé inteligence a nemáte dříve trénovaná data

  • 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 aplikovat tento přístup, pokud máme označená trénovací data, například z předchozí segmentace nebo znalostí z oboru. Supervizovaný model strojového učení lze poté aplikovat na nové zákazníky nebo na zákazníky, pro které segment není jasný

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

Buďte opatrní, když aplikujete smíšený přístup bez náhodného vzorkování. Pokud zvolíte pouze ty zákazníky, pro které máte kompletní data, budete pravděpodobně vybírat pouze své loajální zákazníky, což nemusí být spravedlivým zastoupením celé skupiny. To povede k zkreslenému výběru a tyto zkreslení budou předána umělé inteligenci.

Výzvy a časté chyby

Umělá inteligence není bez svých výzev. Z mé zkušenosti jsou zde některé z překážek, se kterými se budete nejpravděpodobněji setkat, když se učíte ovládat umělou inteligenci.

• Jasná segmentace: Mnoho společností není jasných o tom, proč segmentují. Bez tohoto účelu je obtížné, aby proces umělé inteligence byl efektivní. V těchto případech může fungovat tradiční přístup řízený lidmi, zejména pokud máte pouze kvalitativní data. Totéž platí, pokud máte pouze malý počet zákazníků.

• Kvalita dat: Kvalita výsledků, které poskytne umělá inteligence, bude pouze tak dobrá, jako je kvalita dat, která do systému vložíte. Pokud tedy vaše data nejsou přesná, vaše segmentace nebude přesná.

• Etické úvahy: Ujistěte se, že do modelu nezahrnujete citlivá data a kritéria. To je chyba, kterou mnoho společností udělalo, a stála je to peníze a reputaci. Například v USA byly hypoteční společnosti kritizovány za údajné rasové profilování svých algoritmů umělé inteligence.

• Připravenost CRM: Protože strojové učení je takovou novou technologií, mnoho systémů pro správu vztahů se zákazníky (CRM) není vybaveno pro zpracování. Proto vyžaduje správná integrace segmentů do obchodních operací (marketingové kampaně, kontaktní body, prodejní strategie) další práci. Mnohokrát skokají majitelé rovnou do toho, aniž by zvážili všechny procesy, a to vede k potížím, když se snaží využít umělou inteligenci.

• Školení zaměstnanců: Zaměstnanci potřebují další školení, aby mohli plně pochopit přístupy k segmentaci umělé inteligence. Také je pravděpodobné, že budete čelit odporu, protože výsledky umělé inteligence mohou být v rozporu s jejich intuicí. Abyste překonali bariéru důvěry, ukázkou některých jejích pozitivních aplikací a odpovědným použitím umělé inteligence.

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

  • Provádětelné

  • Stabilní

  • Dostatečně velké

  • Rozlišitelné

• Odborné znalosti a interpretace: Integrace a správné řízení znalostí vašeho podnikání je velmi důležité na každém kroku, od přípravy dat po ověření výsledků modelu. Také si uvědomte, že i dokonalý model strojového učení nebude poskytovat 100% přesnost. Zde je místo, kde je vaše odborná znalost zapotřebí, a proč je důležité, aby umělá inteligence a lidé pracovali společně. Další chyba, kterou jsem často viděl, je, že rozhodnutí činí delegují všechno na umělou inteligenci a bez dalšího otázky implementují její 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 zranitelnými 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 umělé inteligence

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

1. Definujte svůj cíl segmentace. To zahrnuje pochopení různých kritérií, podle kterých budete klasifikovat své zákazníky. Zde, opět, jsou zapotřebí jak poznatky získané z umělé inteligence, tak vaše perspektiva jako odborníka na danou oblast. Společně budete moci odhalit nové zákaznické segmenty a přizpůsobit své marketingové kampaně, aby dosáhly lepších výsledků.

2. Zajistěte dostupnost dat: Ujistěte se, že umělá inteligence má přístup ke komplexním zákaznickým datům, nebo pokud vaše data jsou neúplná, najděte způsob, jak s tím pracovat. Jedním ze způsobů, jak to udělat, je použití smíšeného modelovacího přístupu. Řekli jsme to předtím, ale nelze to dostatečně zdůraznit: výsledky budou pouze tak dobré, jako jsou data, se kterými umělá inteligence pracuje.

3. Zpracujte omezení dat: Pokud máte omezená data, vyberte náhodný vzorek z vaší zákaznické databáze a shromážděte další data od nich. Poté aplikujte smíšený přístup, aby byly maximalizovány vaše výsledky.

4. Vyberte svůj modelovací přístup a aplikujte vybraný model na získaná data

5. Vyberte optimální počet segmentů: Existuje několik technik, jak vypočítat optimální počet segmentů. Nejpopulárnější jsou pravidlo lokte a analýza mezery.

6. Pochopíte kritéria, kterými se segmenty liší, a interpretujte výsledky: Jaká jsou klíčová proměnná, podle kterých budou vaši zákazníci identifikováni? Jaké jsou jejich vnímání a jak je lze oslovit? Aby proces segmentace fungoval, musíte po ověření přesnosti modelu přezkoumat různé segmenty a určit, zda kritéria, která je řídí, dostatečně vyhovují vašemu obchodnímu modelu.

Nakonec, jako zdroj pro adekvátní vizualizaci segmentace, aplikuji paralelní souřadnice, ve kterých identifikuji čtyři segmenty: zákazníci s vysokou hodnotou, zákazníci s nízkým rozpočtem, technologie nadšenci a příležitostní zákazníci. Měřím kategorie, jako je měsíční výdaje a frekvence nákupů pro každý z těchto segmentů, protože to mi pomáhá lépe porozumět mým zákazníkům.

Závěrečné myšlenky

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

Sledováním roadmapu uvedeného v tomto průvodci můžete využít algoritmy umělé inteligence k posílení segmentace zákazníků vaší společnosti a učinit datové rozhodnutí, která pohánějí růst vaší společnosti a zvyšují ukazatele spokojenosti zákazníků, což vede k lepšímu spojení se zákazníky a pevnému pocitu loajality k vaší značce.

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