Vođe misli
Omogućivanje segmentacije kupaca temeljene na umjetnoj inteligenciji za B2B tvrtke: plan
Sa sjedištem u Sjevernoj Karolini, Ingersoll Rand jedan je od vodećih svjetskih konglomerata. Tvrtka se može pohvaliti s nekoliko poslovnih linija, uključujući sustave komprimiranog zraka, HVAC rješenja i vrhunske tehnološke proizvode koji služe različitim industrijama, kao što su znanstveni laboratoriji i tvrtke za prijevoz tereta. Također je prisutan u više od 175 zemalja, djelujući prvenstveno u B2B segmentu.
Imajući to na umu, lako je zamisliti koliko složeno može biti zadovoljiti sve njihove kupce, zbog čega je Ingersoll Rand pribjegao umjetnoj inteligenciji kako bi ih bolje razumio.
By koristeći AI kako bi segmentirali svoju opsežnu i vrlo raznoliku korisničku bazu, tvrtka je uspjela izraditi prilagođene kampanje koje su imale mnogo bolje rezultate na KPI-jevima kao što su stope otvaranja, stope klikanja i konverzije. Neke od tih kampanja bile su segmentirane prema geografskom području, dok su druge bile segmentirane prema vrsti ili veličini poslovanja, a treće su bile kombinacija svega navedenog. To je čelnicima tvrtke pomoglo da shvate da imaju neke jedinstvene segmente za čije razvijanje prije nisu odvojili vremena. Zapravo, bez umjetne inteligencije možda ne bi primijetili postojanje ovih segmenata.
Uspjeh Ingersoll Randa pokazuje nešto što svi poslovni lideri moraju razumjeti. Današnje okruženje je hiper-konkurentno, stoga je razumijevanje vaših kupaca ključno. Klijenti koji se ne osjećaju priznatima ili kojima vaš proizvod ili usluga ne zadovoljavaju njihove potrebe lako se mogu pokolebati da prijeđu na ponudu konkurentske tvrtke.
Kako biste poboljšali svoje izglede za adekvatno razumijevanje onoga što vaši klijenti očekuju, morate ih podijeliti u prave segmente jer ćete samo tako sa sigurnošću znati koje su im zajedničke karakteristike, ponašanja i preferencije. Na temelju ovih segmenata možete izraditi prilagođene marketinške kampanje i personalizirane ponude proizvoda, što značajno povećava vaše stope konverzije.
Usvajanjem tehnologija poput umjetne inteligencije (AI) i strojnog učenja (ML), tvrtke mogu potaknuti svoje napore u segmentaciji kupaca. Međutim, kao i sve tehnološke inovacije, potrebno ih je strateški usvojiti.
Evo vodiča koji će vam pomoći da to postignete.
Zašto je važna segmentacija kupaca i kako AI može pomoći?
U osnovi, AI nam može pomoći nadilazeći naše predrasude i konvencionalne metode segmentiranja naših kupaca. Budući da se njegov proces segmentacije vodi samo podacima, tada možemo naučiti o segmentima kupaca o kojima nismo razmišljali, a to otkriva jedinstvene informacije o našim kupcima.
Za daljnju ilustraciju, pogledajmo sljedeći primjer.
Tvrtka specijalizirana za poljoprivrednu opremu i zalihe ima za cilj proširiti svoju ponudu proizvoda. Tvrtka provodi segmentaciju kako bi osigurala relevantnost novih proizvoda.
U prošlosti se posao oslanjao na konvencionalni pristup segmentaciji, kategorizirajući kupce prema geografskoj lokaciji, na temelju temeljne pretpostavke da će poljoprivrednici iz iste regije imati slične potrebe. Na primjer, oglašavali bi traktor usredotočen na značajke koje su smatrali zajedničkim između farmi na američkom srednjem zapadu, poput vremenskih uvjeta.
Međutim, nakon implementacije umjetne inteligencije, tvrtka je shvatila da geografska segmentacija nije pravi pristup. Prikupljanjem opsežnih podataka (uključujući povijest kupovine, veličinu farme, vrste uzgojenih usjeva, korištene metode navodnjavanja, usvajanje tehnologije, stopu automatizacije i još mnogo toga) i dopuštanjem AI algoritmima da ih analiziraju, tvrtka je otkrila da je veličina farme jedna od najkritičnijih čimbenici koji utječu na odluku poljoprivrednika o kupnji. Može se činiti očiglednim: poljoprivrednici s većim farmama imaju različite potrebe od onih koji imaju manja imanja. Međutim, čelnici tvrtki za poljoprivrednu opremu i dalje su bili usmjereni na prodaju kroz geografsku segmentaciju, a sami možda nikada ne bi promijenili ovaj proces, iako nije donosio najbolje rezultate.
Rekavši ovo, kako možemo pokrenuti ovaj proces?
Različiti pristupi segmentaciji kupaca
Da biste odredili koji model primijeniti na svoj pristup segmentaciji kupaca, morate razmotriti:
Koji podaci su mi dostupni? Drugim riječima, što ja znam?
Koji su moji poslovni ciljevi?
Što znam o svojim kupcima?
Na temelju toga možete primijeniti nenadzirani model, nadzirani model ili slijediti mješoviti pristup.
Nenadzirano (K-Means klasteriranje, DBSCAN, GMM): Ovaj se model ne oslanja na unaprijed definirane oznake i podatke o obuci, već umjesto toga izračunava optimalne segmente od nule. Možete primijeniti nenadzirane algoritme:
Kada nemate određene segmente na umu, posebno kada prvi put primjenjujete AI segmentaciju i nemate prethodno uvježbane skupove podataka
Kada imate dinamično poslovanje s bazom kupaca koja se brzo mijenja i želite identificirati nove segmente
Nadzirano strojno učenje (regresijski model, stablo odlučivanja, nasumična šuma): ovaj pristup možemo primijeniti ako imamo označen skup podataka za obuku, npr. iz prethodne segmentacije ili znanja o domeni. Nadzirani ML model tada se može primijeniti na nove kupce ili kupce za koje segment nije jasan
Mješoviti pristup kombinira korištenje nenadziranog učenja za identificiranje segmenata i zatim primjenu tih segmenata kao oznaka za treniranje nadziranog modela. Ovaj uvježbani model može se koristiti za klasifikaciju novih kupaca ili za stvaranje segmenta za kupce za koje nemamo potpune podatke.
Budite oprezni pri primjeni mješovitog pristupa bez nasumičnog uzorkovanja. Ako birate samo one kupce o kojima imate potpune podatke, tada ćete najvjerojatnije odabrati svoje lojalnije kupce, što možda nije fer reprezentacija cijele grupe. To će rezultirati pristranim odabirom, a te će se pristranosti proslijediti samo umjetnoj inteligenciji.
Izazovi i uobičajene pogreške
AI nije bez svojih izazova. Iz mog iskustva, evo nekih prepreka na koje ćete se najvjerojatnije susresti dok učite svladavati užad.
Jasna segmentacija: mnogim tvrtkama nije jasno zašto segmentiraju. Bez te svrhe teško je da proces koji pokreće AI bude učinkovit. U tim slučajevima tradicionalni pristup koji vode ljudi može funkcionirati bolje, osobito ako uglavnom imate kvalitativne podatke. Isto vrijedi i ako imate samo mali broj kupaca.
Kvaliteta podataka: Kvaliteta rezultata koje daje umjetna inteligencija bit će onolika koliko je dobra kvaliteta podataka koje dajete sustavu. Stoga, ako vaši podaci nisu točni, neće biti ni vaša segmentacija.
Etička razmatranja: pobrinite se da u model ne uključite osjetljive podatke i kriterije. To je pogreška koju su napravile mnoge tvrtke, a koštala ih je i novca i ugleda. Na primjer, u SAD-u su hipotekarne tvrtke bile na meti kritika navodno rasno profiliranje njihovih AI algoritama.
Spremnost za CRM: Budući da je ML tako nova tehnologija, mnogi CRM (upravljanje odnosima s kupcima) sustavi nisu opremljeni za rukovanje njome. Stoga pravilna integracija segmenata u poslovanje (marketinške kampanje, dodirne točke, prodajna strategija) zahtijeva dodatni rad. Mnogo puta vlasnici uskaču odmah bez razmatranja svih uključenih procesa, a to dovodi do štucanja pri pokušaju iskorištavanja umjetne inteligencije.
Obuka zaposlenika: Zaposlenike je potrebno dodatno obučavati kako bi mogli u potpunosti razumjeti pristupe segmentacije umjetne inteligencije. Također, vjerojatno ćete naići na određeni otpor jer rezultati umjetne inteligencije mogu proturječiti njihovoj intuiciji. Kako biste prevladali prepreku povjerenja, pokažite neke od njegovih pozitivnih primjena i koristite AI odgovorno.
Kvaliteta segmenta: Slično tradicionalnoj segmentaciji, segmenti koje dobijete iz ML modela trebali bi zadovoljiti ključne kriterije i biti potvrđeni:
podložan zakonskom suđenju
Stabilan
Dovoljno velik
Diferencijabilan
Znanje i tumačenje domene: Integracija i adekvatno upravljanje znanjem vašeg poslovanja vrlo je važno na svakom koraku, od pripreme podataka do provjere rezultata modela. Također, imajte na umu da vam čak ni savršeni model strojnog učenja neće dati 100% točnost. Ovdje je potrebna vaša stručnost u području i zašto je vrlo važno da umjetna inteligencija i ljudi rade zajedno. Još jedna pogreška koju sam često vidio je da donositelji odluka delegiraju sve AI-ju i slijepo provode njihove prijedloge bez dodatnih pitanja. To će vjerojatno dovesti do nepovoljnih ishoda. Također, zapamtimo da smo na kraju krajeva ljudi i da su naše predrasude još uvijek prisutne kada tumačimo podatke. Svjesnost toga može nam pomoći da budemo manje osjetljivi na moguće pogreške.
Ažuriranja modela: Ako imate dinamičnu bazu kupaca ili imate veliki promet kupaca, ponašanje i preferencije vaših kupaca često se mijenjaju. Stoga redovito ažurirajte model i nemojte se oslanjati na zastarjele segmente.
Vodič korak po korak za segmentaciju kupaca pomoću AI
Sada kada ste svjesni izazova, evo vodiča korak po korak koji će vam pomoći implementirati AI i uspješno ga integrirati u svoje procese segmentacije kupaca.
Definirajte svoj cilj segmentacije. To uključuje razumijevanje različitih kriterija prema kojima ćete klasificirati svoje klijente. I ovdje su potrebni i uvidi koje je generirala umjetna inteligencija i vaša perspektiva kao stručnjaka na terenu. Zajedno ćete otkriti nove segmente kupaca i moći prilagoditi svoje marketinške kampanje kako biste postigli bolje rezultate.
Zajamčite dostupnost podataka: osigurajte da umjetna inteligencija ima pristup sveobuhvatnim podacima o klijentima ili, ako su vaši podaci nepotpuni, pronađite način kako to riješiti. Jedan od načina da se to učini može biti korištenje pristupa mješovitog modeliranja. Već smo to rekli, ali ne može se dovoljno naglasiti: rezultati će biti onoliko dobri koliko i podaci s kojima AI mora raditi.
Rukovati ograničenjima podataka: Ako imate ograničene podatke, odaberite nasumični uzorak iz svoje baze podataka kupaca i prikupite dodatne podatke od njih. Zatim primijenite mješoviti pristup kako biste maksimizirali rezultate.
Odaberite svoj pristup modeliranju i primijenite odabrani model na dobivene podatke
Odaberite optimalan broj segmenata: Postoje različite tehnike za izračunavanje optimalnog broja segmenata. Najpopularniji su Elbow pravilo i analiza praznina.
Razumite kriterije razlikovanja segmenata i protumačite rezultate: Koje su ključne varijable po kojima će se prepoznati vaši kupci? Koje su njihove percepcije i kako im se može reklamirati? Da bi proces segmentacije funkcionirao, nakon provjere točnosti modela, trebate pregledati različite segmente i utvrditi primjenjuju li se varijable koje pokreću te segmente na odgovarajući način na vaš poslovni model.
Na kraju, ali ne i najmanje važno, kao resurs za adekvatnu vizualizaciju segmentacije, primjenjujem paralelne koordinate, u kojima identificiram četiri segmenta: kupce visoke vrijednosti, kupce za nisku cijenu, entuzijaste tehnologije i povremene kupce. Mjerim kategorije kao što su mjesečna potrošnja i učestalost kupnje za svaki od ovih segmenata jer mi to pomaže da bolje razumijem svoje kupce.
Final Misli
Kao što smo već spomenuli, segmentacija kupaca pomoću umjetne inteligencije može pomoći B2B tvrtkama da steknu jasniju sliku o tome tko su njihovi kupci i pokretače koji stoje iza njihovog odlučivanja. Nakon što dobijete ove informacije, možete ih iskoristiti za izradu personaliziranih kampanja i iskustava koja dodaju veću vrijednost vašim klijentima.
Slijedeći mapu puta navedenu u ovom vodiču, možete iskoristiti algoritme umjetne inteligencije za poticanje procesa segmentacije vašeg poslovanja i donošenje odluka temeljenih na podacima koje potiču vaš rast i povećavaju KPI-jeve zadovoljstva vaših kupaca, potičući bolju vezu s vašim klijentima i čvrst osjećaj odanost vašem brendu.
Ovo je sve važnije u B2B svijetu, a posebno za proizvode visoke tehnologije, budući da se potrebe kupaca brzo mijenjaju, a tehnološka očekivanja brzo evoluiraju. Adekvatno segmentiranje vaših kupaca može napraviti razliku između isporuke vrhunskog proizvoda i nečega što ne uspijeva postići odgovarajući proizvod na tržištu.
