Mengaktifkan Segmentasi Pelanggan Berbasis AI untuk Perusahaan B2B: Peta Jalan

Berbasis di North Carolina, Ingersoll Rand (IR ) adalah salah satu konglomerat terkemuka di dunia. Perusahaan ini memiliki beberapa lini bisnis, termasuk sistem udara terkompresi, solusi HVAC, dan produk teknologi canggih yang melayani industri yang beragam, seperti laboratorium ilmiah dan perusahaan transportasi kargo. Mereka juga memiliki kehadiran di lebih dari 175 negara, beroperasi terutama di segmen B2B.

Dengan demikian, mudah untuk membayangkan betapa kompleksnya memuaskan semua pelanggan mereka, yang mengapa Ingersoll Rand menggunakan AI untuk memahami mereka lebih baik.

Dengan menggunakan AI untuk membagi basis pelanggan yang luas dan sangat beragam, perusahaan ini dapat membuat kampanye yang disesuaikan yang performa lebih baik pada KPI seperti tingkat buka, tingkat klik, dan konversi. Beberapa kampanye ini dibagi berdasarkan geografi, sementara yang lain dibagi berdasarkan jenis atau ukuran bisnis, dan yang lain lagi kombinasi dari semua di atas. Ini membantu pemimpin perusahaan memahami bahwa mereka memiliki beberapa segmen unik yang belum mereka kembangkan sebelumnya. Bahkan, tanpa AI, mereka mungkin tidak menyadari bahwa segmen-segmen tersebut ada.

Keberhasilan Ingersoll Rand menunjukkan sesuatu yang harus dipahami oleh semua pemimpin bisnis. Lanskap saat ini sangat kompetitif, oleh karena itu, memahami pelanggan sangat kritis. Klien yang tidak merasa diakui atau yang tidak memenuhi kebutuhan mereka dengan produk atau layanan dapat dengan mudah beralih ke penawaran perusahaan saingan.

Untuk meningkatkan peluang Anda untuk memahami apa yang diharapkan oleh klien, Anda harus membagi mereka menjadi segmen yang tepat, karena hanya dengan cara itu Anda akan tahu pasti apa karakteristik, perilaku, dan preferensi yang mereka bagikan. Berdasarkan segmen-segmen ini, Anda dapat membuat kampanye pemasaran yang disesuaikan dan penawaran produk yang dipersonalisasi, yang sangat meningkatkan tingkat konversi Anda.

Dengan mengadopsi teknologi seperti kecerdasan buatan (AI) dan pembelajaran mesin (ML), perusahaan dapat meningkatkan upaya segmentasi pelanggan. Namun, seperti semua inovasi teknologi, mereka perlu diadopsi secara strategis.

Berikut adalah panduan untuk membantu Anda mencapai itu.

Mengapa Segmentasi Pelanggan Penting, dan Bagaimana AI Dapat Membantu?

Pada dasarnya, AI dapat membantu kita dengan melampaui bias dan metode konvensional dalam membagi pelanggan kita. Karena proses segmentasi AI hanya dijalankan oleh data, kita dapat mempelajari segmen pelanggan yang belum kita pikirkan sebelumnya, dan ini mengungkapkan informasi unik tentang pelanggan kita.

Untuk mengilustrasikan lebih lanjut, mari kita lihat contoh berikut.

Perusahaan yang berspesialisasi dalam peralatan pertanian dan pasokan bertujuan untuk memperluas penawaran produknya. Perusahaan ini melakukan segmentasi untuk memastikan produk baru tersebut relevan.

Di masa lalu, bisnis ini menggunakan pendekatan konvensional untuk segmentasi, mengategorikan pelanggan berdasarkan lokasi geografis, berdasarkan asumsi bahwa petani dari wilayah yang sama akan memiliki kebutuhan yang sama. Misalnya, mereka akan mengiklankan traktor yang fokus pada fitur yang mereka anggap sebagai kesamaan antara pertanian di Amerika Serikat, seperti kondisi cuaca.

Namun, setelah mengimplementasikan AI, perusahaan tersebut menyadari bahwa segmentasi geografis tidak tepat. Dengan mengumpulkan data yang luas (termasuk riwayat pembelian, ukuran pertanian, jenis tanaman yang ditanam, metode irigasi yang digunakan, tingkat adopsi teknologi, dan lain-lain), dan membiarkan algoritma AI menganalisisnya, perusahaan tersebut mendeteksi bahwa ukuran pertanian adalah salah satu faktor yang paling kritis yang mempengaruhi keputusan pembelian petani. Ini dapat tampak jelas: petani dengan pertanian yang lebih besar memiliki kebutuhan yang berbeda dengan mereka yang memiliki pertanian yang lebih kecil. Namun, pemimpin perusahaan pertanian tersebut masih fokus pada penjualan melalui segmentasi geografis, dan tanpa AI, mereka mungkin tidak pernah mengubah proses ini, meskipun itu tidak menghasilkan hasil yang terbaik.

Dengan demikian, bagaimana kita dapat menjalankan proses ini?

Pendekatan yang Berbeda untuk Segmentasi Pelanggan

Untuk menentukan model yang akan diterapkan pada pendekatan segmentasi pelanggan, Anda perlu mempertimbangkan:

• Data apa yang tersedia? Dengan kata lain, apa yang saya ketahui?

• Apa tujuan bisnis saya?

• Apa yang saya ketahui tentang pelanggan saya?

Berdasarkan ini, Anda dapat menerapkan model yang tidak terawasi, model yang terawasi, atau mengikuti pendekatan campuran.

• Tidak terawasi (K-Means clustering, DBSCAN, GMM): Model ini tidak bergantung pada label yang telah ditentukan sebelumnya dan data pelatihan, tetapi menghitung segmen yang optimal dari awal. Anda dapat menerapkan algoritma tidak terawasi:

  • Ketika Anda tidak memiliki segmen yang spesifik dalam pikiran, terutama ketika Anda menerapkan segmentasi AI untuk pertama kalinya dan tidak memiliki dataset yang telah dilatih sebelumnya

  • Ketika Anda memiliki bisnis yang dinamis dengan basis pelanggan yang berubah cepat, dan Anda ingin mengidentifikasi segmen baru

• Pembelajaran Mesin yang Terawasi (model regresi, pohon keputusan, hutan acak): Anda dapat menerapkan pendekatan ini jika Anda memiliki dataset pelatihan yang telah dilabeli, misalnya dari segmentasi sebelumnya atau pengetahuan domain. Model ML yang terawasi dapat kemudian diterapkan pada pelanggan baru, atau pelanggan untuk siapa segmen tidak jelas

Pendekatan campuran menggabungkan penggunaan pembelajaran tidak terawasi untuk mengidentifikasi segmen dan kemudian menerapkan segmen-segmen tersebut sebagai label untuk melatih model yang terawasi. Model yang terlatih ini dapat digunakan untuk mengklasifikasikan pelanggan baru, atau untuk membuat segmen untuk pelanggan dari siapa kita tidak memiliki data yang lengkap.

Perlu diingat bahwa ketika menerapkan pendekatan campuran tanpa sampling acak. Jika Anda hanya memilih pelanggan yang memiliki data lengkap, maka, kemungkinan besar, Anda akan memilih pelanggan yang lebih setia, yang mungkin tidak merupakan representasi yang adil dari keseluruhan grup. Ini akan menghasilkan seleksi yang bias, dan bias-bias tersebut hanya akan diteruskan ke AI.

Tantangan dan Kesalahan Umum

AI tidak tanpa tantangannya. Dari pengalaman saya, berikut adalah beberapa hambatan yang paling mungkin Anda temui ketika Anda belajar untuk menguasai AI.

• Segmentasi yang Jelas: Banyak perusahaan tidak jelas tentang mengapa mereka melakukan segmentasi. Tanpa tujuan ini, proses yang dijalankan oleh AI akan sulit efektif. Dalam kasus tersebut, pendekatan tradisional yang dijalankan oleh manusia dapat bekerja lebih baik, terutama jika Anda hanya memiliki data kualitatif. Hal yang sama berlaku jika Anda hanya memiliki jumlah pelanggan yang kecil.

• Kualitas Data: Kualitas hasil yang dihasilkan oleh AI hanya akan sebaik kualitas data yang Anda berikan kepada sistem. Oleh karena itu, jika data Anda tidak akurat, segmentasi Anda juga tidak akan akurat.

• Pertimbangan Etis: Pastikan Anda tidak memasukkan data sensitif dan kriteria ke dalam model. Ini adalah kesalahan yang banyak perusahaan telah lakukan, dan itu telah menghabiskan mereka baik uang dan reputasi. Misalnya, di AS, perusahaan hipotek telah dikritik karena diduga melakukan profil rasial pada algoritma AI mereka.

• Kesiapan CRM: Karena ML adalah teknologi yang masih baru, banyak sistem CRM (manajemen hubungan pelanggan) tidak dilengkapi untuk menanganinya. Oleh karena itu, integrasi segmen ke dalam operasi bisnis (kampanye pemasaran, titik sentuh, strategi penjualan) memerlukan pekerjaan tambahan. Banyak kali, pemilik melompat langsung tanpa mempertimbangkan semua proses yang terlibat, dan ini menyebabkan hambatan ketika mencoba memanfaatkan AI.

• Pelatihan Karyawan: Karyawan perlu dilatih lebih lanjut agar mereka dapat memahami pendekatan segmentasi AI. Juga, kemungkinan besar Anda akan menemukan beberapa resistensi karena hasil AI mungkin bertentangan dengan intuisi mereka. Untuk mengatasi hambatan kepercayaan, tunjukkan beberapa aplikasi positifnya, dan gunakan AI secara bertanggung jawab.

• Kualitas Segmen: Serupa dengan segmentasi tradisional, segmen yang dihasilkan oleh model ML harus memenuhi kriteria kunci dan divalidasi:

  • Dapat diambil tindakan

  • Stabil

  • Ukuran yang cukup besar

  • Dapat dibedakan

• Pengetahuan Domain dan Interpretasi: Mengintegrasikan dan mengelola pengetahuan bisnis Anda dengan baik sangat penting pada setiap tahap, dari persiapan data hingga validasi hasil model. Juga, perlu diingat bahwa bahkan model pembelajaran mesin yang sempurna tidak akan memberikan akurasi 100%. Ini adalah tempat di mana keahlian domain Anda diperlukan, dan mengapa sangat penting bagi AI dan manusia untuk bekerja sama. Kesalahan lain yang saya lihat sering adalah bahwa pengambil keputusan mendelegasikan semua ke AI, dan menerapkan saran mereka tanpa pertanyaan lebih lanjut. Ini kemungkinan akan menghasilkan hasil yang tidak menguntungkan. Juga, mari kita ingat bahwa pada akhirnya, kita adalah manusia, dan bias kita masih hadir ketika menafsirkan data. Menyadari hal ini dapat membantu kita menjadi kurang rentan terhadap kesalahan potensial.

• Pembaruan Model: Jika Anda memiliki basis pelanggan yang dinamis atau memiliki tingkat perputaran pelanggan yang tinggi, perilaku dan preferensi pelanggan Anda sering berubah. Oleh karena itu, pastikan Anda memperbarui model secara teratur dan tidak mengandalkan segmen yang sudah ketinggalan zaman.

Panduan Langkah-demi-Langkah untuk Segmentasi Pelanggan yang Diaktifkan AI

Sekarang Anda menyadari tantangan, berikut adalah panduan langkah-demi-langkah untuk membantu Anda mengimplementasikan AI dan mengintegrasikannya dengan sukses ke dalam proses segmentasi pelanggan.

1. Tentukan tujuan segmentasi Anda. Ini termasuk memahami kriteria yang berbeda di mana Anda akan mengklasifikasikan pelanggan Anda. Di sini, lagi, baik wawasan yang dihasilkan oleh AI dan perspektif Anda sebagai ahli di bidang tersebut diperlukan. Bersama, Anda akan menemukan segmen pelanggan baru dan dapat menyesuaikan kampanye pemasaran Anda untuk mencapai hasil yang lebih baik.

2. Pastikan ketersediaan data: Pastikan AI memiliki akses ke data pelanggan yang komprehensif, atau jika data Anda tidak lengkap, cari cara untuk mengatasi masalah tersebut. Salah satu cara untuk melakukannya adalah dengan menggunakan pendekatan modeling campuran. Kami telah menyebutkannya sebelumnya, tetapi tidak bisa ditekankan cukup: Hasilnya hanya akan sebaik data yang AI miliki untuk bekerja.

3. Tangani keterbatasan data: Jika Anda memiliki data yang terbatas, pilih sampel acak dari database pelanggan dan kumpulkan data tambahan dari mereka. Kemudian, terapkan pendekatan campuran untuk memaksimalkan hasil.

4. Pilih pendekatan modeling dan terapkan model yang dipilih pada data yang diperoleh

5. Pilih jumlah segmen yang optimal: Ada beberapa teknik untuk menghitung jumlah segmen yang optimal. Yang paling populer adalah aturan siku dan analisis celah.

6. Pahami kriteria pemisahan segmen dan interpretasikan hasilnya: Apa variabel kunci yang akan mengidentifikasi pelanggan Anda? Apa persepsi mereka, dan bagaimana mereka dapat dipasarkan? Untuk proses segmentasi untuk bekerja, setelah memvalidasi akurasi model, Anda perlu meninjau segmen-segmen yang berbeda dan menentukan apakah variabel yang menggerakkan segmen-segmen tersebut secara memadai berlaku untuk model bisnis Anda.

Terakhir, tetapi tidak kalah penting, sebagai sumber daya untuk visualisasi segmentasi yang memadai, saya menggunakan koordinat paralel, di mana saya mengidentifikasi empat segmen: pembeli bernilai tinggi, pembeli anggaran, penggemar teknologi, dan pembeli yang jarang. Saya mengukur kategori seperti pengeluaran bulanan dan frekuensi pembelian untuk setiap segmen ini karena ini membantu saya memiliki pemahaman yang lebih baik tentang pelanggan saya.

Pemikiran Akhir

Seperti yang telah kita diskusikan, segmentasi pelanggan yang diaktifkan AI dapat membantu perusahaan B2B memperoleh visibilitas yang lebih jelas tentang siapa pelanggan mereka dan apa yang mendorong keputusan mereka. Setelah Anda memiliki informasi ini, Anda dapat memanfaatkannya untuk membuat kampanye yang dipersonalisasi dan pengalaman yang menambah nilai bagi klien Anda.

Dengan mengikuti peta jalan yang digariskan dalam panduan ini, Anda dapat memanfaatkan algoritma AI untuk meningkatkan proses segmentasi bisnis Anda dan membuat keputusan yang didorong oleh data yang mendorong pertumbuhan Anda dan meningkatkan KPI kepuasan pelanggan, sehingga memupuk hubungan yang lebih baik dengan klien dan kesetiaan yang kuat kepada merek Anda.

Hal ini semakin penting di dunia B2B, dan terutama untuk produk teknologi tinggi, karena kebutuhan pelanggan berubah dengan cepat dan harapan teknologi berkembang dengan cepat. Membagi pelanggan Anda dengan tepat dapat membuat perbedaan antara mengirimkan produk yang berkualitas tinggi dan sesuatu yang gagal untuk mencapai kesesuaian produk-pasar yang relevan.