Aktivering af AI-drevet kundesegmentering for B2B-virksomheder: En vejviser

Ingersoll Rand (IR ), der er baseret i North Carolina, er en af verdens førende konglomerater. Virksomheden har flere forretningsområder, herunder komprimerede luftsystemer, HVAC-løsninger og avancerede teknologiske produkter, der tilbydes til forskellige brancher, såsom videnskabelige laboratorier og fragtfirmaer. Den har også en tilstedeværelse i over 175 lande og opererer primært i B2B-segmentet.

Med dette i mente er det let at forestille sig, hvor komplekst det kan være at tilfredsstille alle deres kunder, og det er derfor, Ingersoll Rand valgte at bruge AI til at forstå dem bedre.

Ved at at udnytte AI til at segmentere deres omfattende og meget diverse kundebase, kunne virksomheden oprette tilpassede kampagner, der opnåede bedre resultater på nøgleperformanceindikatorer såsom åbningsfrekvens, klikfrekvens og konvertering. Nogle af disse kampagner var segmenteret geografisk, mens andre var segmenteret efter virksomhedstype eller -størrelse, og andre var en kombination af alle ovenstående. Dette hjalp virksomhedens ledere med at forstå, at de havde nogle unikke segmenter, som de ikke havde taget sig tid til at udvikle tidligere. Faktisk ville de uden AI måske ikke have opdaget, at disse segmenter eksisterede.

Ingersoll Rands succes viser noget, som alle virksomhedsledere skal forstå. I dagens hyperkonkurrerende landskab er det kritisk at forstå sine kunder. Kunder, der ikke føler sig anerkendt eller som ikke får deres behov mødt af din produkt eller tjeneste, kan let blive overbevist til at skifte til en rivaliserende virksomheds tilbud.

For at forbedre dine chancer for at forstå, hvad dine kunder forventer, skal du opdele dem i de rigtige segmenter, da det er den eneste måde, du kan være sikker på, at du kender deres fælles karakteristika, adfærd og præferencer. Baseret på disse segmenter kan du udvikle tilpassede marketingkampagner og personlige produkttilbud, der stærkt forbedrer dine konverteringsrater.

Ved at adoptere teknologier som kunstig intelligens (AI) og maskinlæring (ML) kan virksomheder give et boost til deres kundesegmenteringsindsats. Men ligesom alle teknologiske innovationer skal de adopteres strategisk.

Her er en vejviser til at hjælpe dig med at opnå det.

Hvorfor kundesegmentering er vigtig, og hvordan kan AI hjælpe?

Grundlæggende kan AI hjælpe os med at transcender vores fordomme og konventionelle metoder til kundesegmentering. Fordi dens segmenteringsproces kun køres af data, kan vi lære om kundesegmenter, som vi ikke havde tænkt på, og dette afslører unik information om vores kunder.

For at illustrere yderligere, lad os se på følgende eksempel.

En virksomhed, der specialiserer sig i landbrugsudstyr og -forsyninger, har til formål at udvide sit produktudbud. Virksomheden gennemfører segmentering for at sikre, at de nye produkter er relevante.

I fortiden havde virksomheden brugt en konventionel tilgang til segmentering, hvor kunderne blev inddelt efter geografisk beliggenhed, baseret på antagelsen om, at landmænd fra samme region ville have lignende behov. For eksempel ville de reklamere for en traktor, der var fokuseret på de funktioner, de opfattede som fælles træk mellem landbrugene i den amerikanske midtvest, såsom vejrforhold.

Men efter at have implementeret AI, opdagede virksomheden, at geografisk segmentering ikke var den rigtige tilgang. Ved at indsamle omfattende data (herunder købs historik, landbrugsstørrelse, typer af afgrøder dyrket, irrigation metoder brugt, teknologi adoption, automatiseringsgrad og mere) og lade AI-algoritmerne analysere det, opdagede virksomheden, at landbrugsstørrelse er en af de kritiske faktorer, der påvirker en landmands købsbeslutning. Det kan synes åbenlyst: landmænd med større landbrug har forskellige behov end dem, der har mindre ejendomme. Men landbrugsudstyrsvirksomhedens ledere var stadig fast besluttet på at sælge gennem geografisk segmentering, og de ville måske aldrig have ændret denne proces, selv om den ikke gav de bedste resultater.

Det sagde, hvordan kan vi køre denne proces?

Forskellige tilgange til kundesegmentering

For at bestemme, hvilken model du skal anvende til din kundesegmenterings tilgang, skal du overveje:

• Hvilke data har jeg til rådighed? Altså, hvad ved jeg?

• Hvad er mine forretningsmål?

• Hvad ved jeg om mine kunder?

Baseret på dette kan du enten anvende en usuperveret model, en superviseret model eller følge den blandede tilgang.

• Usuperveret (K-Means clustering, DBSCAN, GMM): Denne model afhænger ikke af foruddefinerede mærker og træningsdata, men beregner i stedet de optimale segmenter fra scratch. Du kan anvende de usuperverede algoritmer:

  • Når du ikke har bestemte segmenter i tankerne, især når du anvender AI-segmentering for første gang og ikke har tidligere trænet datasæt

  • Når du har en dynamisk forretning med en hurtigt skiftende kundebase, og du ønsker at identificere nye segmenter

• Superviseret maskinlæring (regressionsmodel, beslutningstræ, tilfældigt skov): Vi kan anvende denne tilgang, hvis vi har et mærket træningsdatasæt, f.eks. fra tidligere segmentering eller domæneviden. Den superviserede ML-model kan derefter anvendes på nye kunder eller kunder, for hvem segmentet ikke er klart

Den blandede tilgang kombinerer brug af usuperveret læring til at identificere segmenter og derefter anvende disse segmenter som mærker til at træne en superviseret model. Denne trænede model kan derefter anvendes til at klassificere nye kunder eller til at oprette et segment for kunder, fra hvem vi ikke har komplet data.

Vær forsigtig, når du anvender den blandede tilgang uden tilfældigt udsample. Hvis du kun vælger de kunder, du har fuld data på, vil du sandsynligvis vælge dine mere loyale kunder, som måske ikke er en retfærdig repræsentation af hele gruppen. Dette vil resultere i en forvrængt udvalg, og disse forvrængninger vil kun blive overført til AI.

Udfordringer og almindelige fejl

AI er ikke uden udfordringer. Fra min erfaring er her nogle af de hindringer, du er mest sandsynligt at møde, når du lærer at mestre teknikken.

• Klar segmentering: Mange virksomheder er ikke klare på, hvorfor de segmenterer. Uden dette formål er det svært for en AI-drevet proces at være effektiv. I disse tilfælde kan en traditionel tilgang, der køres af mennesker, fungere bedre, især hvis du primært har kvalitativ data. Det samme gælder, hvis du kun har en lille mængde kunder.

• Datakvalitet: Kvaliteten af resultaterne, der genereres af AI, vil kun være så god som kvaliteten af data, du føder systemet med. Derfor, hvis dine data ikke er nøjagtige, vil din segmentering heller ikke være det.

• Etiske overvejelser: Sørg for, at du ikke inkluderer følsomme data og kriterier i modellen. Dette er en fejl, mange virksomheder har begået, og det har kostet dem både penge og deres rygte. For eksempel har hypotekselskaber i USA været under angreb for påstået racialisering af deres AI-algoritmer.

• CRM-klarhed: Fordi ML er en så ny teknologi, er mange CRM-systemer (kundesammenhængsadministration) ikke udstyret til at håndtere det. Derfor kræver en ordentlig integration af segmenter i forretningsprocesser (markedsføringskampagner, kontaktpunkter, salgsstrategi) ekstra arbejde. Mange gange springer ejere direkte ind i det uden at overveje alle processer, der er involveret, og dette fører til udfordringer, når de forsøger at udnytte AI.

• Medarbejdertræning: Medarbejdere skal trænes yderligere, så de kan fuldt ud forstå AI-segmenterings tilgange. Det er også sandsynligt, at du finder nogen modstand, fordi AI-resultaterne kan modsige deres intuition. For at overvinde tillidsbarrieren skal du vise nogle af dets positive anvendelser og bruge AI ansvarligt.

• Segmentkvalitet: Ligesom traditionel segmentering skal segmenterne, du får fra ML-modellen, opfylde nøglekriterier og blive valideret:

  • Handling

  • Stabil

  • Tilstrækkelig stor størrelse

  • Forskellige

• Domæneviden og fortolkning: Integration og ordentlig administration af virksomhedens viden er meget vigtig på hver enkelt trin af vejen, fra dataproduktion til validering af modellens resultater. Og husk, at selv en perfekt maskinlæringsmodel ikke giver 100% nøjagtighed. Her er, hvor din domæneekspertise er nødvendig, og hvorfor det er meget vigtigt for AI og mennesker at arbejde sammen. En anden fejl, jeg har set ofte, er, at beslutningstagerne delegerer alt til AI og blindt implementerer deres forslag uden yderligere spørgsmål. Dette vil sandsynligvis føre til ugunstige resultater. Og lad os også huske, at vi er mennesker, og vores fordomme er stadig til stede, når vi fortolker data. At være bevidst om dette kan hjælpe os med at være mindre sårbare over for potentielle fejl.

• Modellens opdateringer: Hvis du har en dynamisk kundebase eller en høj kundeomsætning, ændrer dine kunders adfærd og præferencer ofte. Derfor skal du sørge for, at du opdaterer modellen regelmæssigt og ikke afhænger af forældede segmenter.

Trin-for-trin vejledning til AI-aktiveret kundesegmentering

Nu, da du er bekendt med udfordringerne, er her en trin-for-trin vejledning til at hjælpe dig med at implementere AI og succesfuldt integrere det i dine kundesegmenteringsprocesser.

1. Definer dit segmenteringsmål. Dette inkluderer at forstå de forskellige kriterier, under hvilke du vil klassificere dine kunder. Her er det igen både indsigt genereret af AI og din perspektiv som ekspert på området nødvendig. Sammen kan du afsløre nye kundesegmenter og tilpasse dine markedsføringskampagner for at opnå bedre resultater.

2. Garant for data tilgængelighed: Sørg for, at AI har adgang til omfattende kundedata, eller hvis dine data er ufuldstændige, find en måde at håndtere det på. En måde at gøre det på kan være at bruge den blandede modeltilgang. Vi sagde det før, men det kan ikke understrekes nok: Resultaterne vil kun være så gode som data, AI har at arbejde med.

3. Håndter data begrænsninger: Hvis du har begrænsede data, vælg et tilfældigt udsample fra dine kunders database og indsam mere data fra dem. Derefter anvend den blandede tilgang for at maksimere dine resultater.

4. Vælg din modeltilgang og anvend den valgte model til de erhvervede data

5. Vælg det optimale antal segmenter: Der er forskellige teknikker til at beregne det optimale antal segmenter. De mest populære er albue-reglen og gap-analyse.

6. Forstå segmenternes differentierende kriterier og fortolk resultaterne: Hvad er de nøglevariable, som dine kunder vil blive identificeret med? Hvad er deres perceptioner, og hvordan kan de markedsføres til? For segmenteringsprocessen til at fungere, skal du efter validering af modellens nøjagtighed gennemgå de forskellige segmenter og afgøre, om variablerne, der driver disse segmenter, tilstrækkeligt passer til din forretningsmodel.

Til sidst, men ikke mindst, som en ressource til adekvat segmentvisualisering, anvender jeg parallelle koordinater, hvor jeg identificerer fire segmenter: højværdi-shoppere, budget-shoppere, teknologi-entusiaster og lejlighedsshoppere. Jeg måler kategorier som månedlig forbrug og købsfrekvens for hvert af disse segmenter, da dette hjælper mig med at have en bedre forståelse af mine kunder.

Afsluttende tanker

Som vi har diskuteret, kan AI-drevet kundesegmentering hjælpe B2B-virksomheder med at få en klarere visning af, hvem deres kunder er, og hvad der driver deres beslutninger. Når du har denne information, kan du udnytte den til at udvikle tilpassede kampagner og oplevelser, der tilføjer mere værdi til dine kunder.

Ved at følge vejviseren, der er beskrevet i denne guide, kan du udnytte AI-algoritmer til at booste dine forretnings segmenteringsprocesser og træffe datadrevne beslutninger, der fremmer din vækst og øger dine kundetilfredsheds-KPI’er, hvilket skaber en bedre forbindelse med dine kunder og en solid fornemmelse af loyalitet over for din virksomhed.

Dette er stadig vigtigere i B2B-verdenen, og især for højteknologiske produkter, da kundernes behov ændrer sig hurtigt, og teknologiske forventninger udvikler sig hurtigt. At segmentere dine kunder korrekt kan gøre forskellen på at levere et top-notch-produkt og noget, der ikke opnår den relevante produkt-markedsfit.