מנהיגי מחשבה
הפעלת פילוח לקוחות מבוסס בינה מלאכותית עבור חברות B2B: מפת דרכים
Ingersoll Rand, הממוקם בצפון קרוליינה, הוא אחד הקונגלומרטים המובילים בעולם. המשרד מתהדר במספר קווי עסקים, לרבות מערכות אוויר דחוס, פתרונות HVAC ומוצרים טכנולוגיים חדישים הנותנים מענה לתעשיות מגוונות, כגון מעבדות מדעיות וחברות הובלת מטענים. כמו כן, יש לה נוכחות בלמעלה מ-175 מדינות, הפועלת בעיקר בתחום ה-B2B.
עם זאת בחשבון, קל לדמיין כמה מורכב זה יכול להיות לספק את כל הלקוחות שלהם, וזו הסיבה שאינגרסול ראנד פנתה ל-AI כדי להבין אותם טוב יותר.
By מינוף AI כדי לפלח את בסיס הלקוחות הנרחב והמגוון מאוד שלהם, החברה הצליחה ליצור קמפיינים מותאמים עם ביצועים טובים בהרבה על מדדי KPI כגון שיעורי פתיחה, שיעורי קליקים והמרות. חלק מהקמפיינים הללו חולקו לפי גיאוגרפיה, בעוד שאחרים היו לפי סוג או גודל העסק, ואחרים היו שילוב של כל האמור לעיל. זה עזר למנהיגי המשרד להבין שיש להם כמה קטעים ייחודיים שלא לקח להם זמן לפתח קודם לכן. למעשה, ללא בינה מלאכותית, אולי הם לא שמו לב שהקטעים האלה קיימים.
ההצלחה של אינגרסול ראנד מראה משהו שכל מנהיגים עסקיים חייבים להבין. הנוף של היום הוא היפר-תחרותי, ולכן הבנת הלקוחות שלך היא קריטית. לקוחות שאינם חשים הערכה או שאינם מקבלים את צרכיהם מהמוצר או השירות שלך יכולים בקלות להתנדנד לעבור להצעה של חברה מתחרה.
כדי לשפר את הסיכויים שלך להבין בצורה מספקת מה הלקוחות שלך מצפים, עליך לחלק אותם למקטעים הנכונים, מכיוון שרק כך תוכל לדעת בוודאות מה המאפיינים, ההתנהגויות וההעדפות המשותפים שלהם. בהתבסס על פלחים אלה, אתה יכול ליצור קמפיינים שיווקיים מותאמים והצעות מוצרים מותאמים אישית, המשפרים מאוד את שיעורי ההמרה שלך.
על ידי אימוץ טכנולוגיות כמו בינה מלאכותית (AI) ולמידת מכונה (ML), חברות יכולות לתת דחיפה למאמצי הפילוח של הלקוחות שלהן. עם זאת, כמו כל החידושים הטכנולוגיים, יש לאמץ אותם אסטרטגית.
הנה מדריך שיעזור לך להשיג זאת.
מדוע פילוח לקוחות חשוב, וכיצד בינה מלאכותית יכולה לעזור?
ביסודו של דבר, בינה מלאכותית יכולה לסייע לנו על ידי התעלות מעל ההטיות שלנו והשיטות המקובלות לפילוח הלקוחות שלנו. מכיוון שתהליך הפילוח שלו מנוהל רק על ידי נתונים, אז נוכל ללמוד על פלחי לקוחות שלא חשבנו עליהם, וזה חושף מידע ייחודי על הלקוחות שלנו.
כדי להמחיש עוד יותר, הבה נסתכל על הדוגמה הבאה.
חברה המתמחה בציוד ואספקה חקלאית שואפת להרחיב את היצע המוצרים שלה. המשרד מבצע פילוח כדי לוודא שהמוצרים החדשים רלוונטיים.
בעבר, העסק הסתמך על גישה קונבנציונלית לפילוח, סיווג לקוחות לפי מיקום גיאוגרפי, בהתבסס על ההנחה הבסיסית שלחקלאים מאותו אזור יהיו צרכים דומים. לדוגמה, הם היו מפרסמים טרקטור המתמקד במאפיינים שהם תפסו כמשותפים בין החוות במערב התיכון האמריקאי, כמו תנאי מזג האוויר.
עם זאת, עם יישום AI, החברה הבינה שפילוח גיאוגרפי אינו הגישה הנכונה. על ידי איסוף נתונים נרחבים (כולל היסטוריית רכישות, גודל חווה, סוגי גידולים שגדלו, שיטות השקיה בשימוש, אימוץ טכנולוגיה, קצב אוטומציה ועוד), ומתן לאלגוריתמים של AI לנתח אותם, החברה זיהתה שגודל החווה הוא אחד הקריטיים ביותר גורמים המשפיעים על החלטת הרכישה של חקלאי. זה יכול להיראות מובן מאליו: לחקלאים עם חוות גדולות יותר יש צרכים ברורים מאלה שיש להם נכסים קטנים יותר. עם זאת, מנהיגי חברות הציוד החקלאי עדיין היו מוכנים למכור באמצעות פילוח גיאוגרפי, וכשלעצמם, ייתכן שהם מעולם לא שינו את התהליך הזה, למרות שהוא לא הביא את התוצאות הטובות ביותר.
אחרי שאמרתי את זה, איך נוכל להפעיל את התהליך הזה?
גישות שונות לפילוח לקוחות
כדי לקבוע איזה מודל ליישם על גישת פילוח הלקוחות שלך, עליך לשקול:
איזה נתונים יש לי? במילים אחרות, מה אני יודע?
מהן המטרות של העסק שלי?
מה אני יודע על הלקוחות שלי?
בהתבסס על זה, אתה יכול ליישם מודל לא מפוקח, מודל מפוקח, או לבצע את הגישה המעורבת.
ללא פיקוח (K-Means clustering, DBSCAN, GMM): מודל זה אינו מסתמך על תוויות מוגדרות מראש ונתוני אימון, אלא מחשב את המקטעים האופטימליים מאפס. אתה יכול ליישם את האלגוריתמים ללא פיקוח:
כאשר אין לך מחשבה על פלחים ספציפיים, במיוחד כאשר אתה מיישם פילוח AI בפעם הראשונה ואין לך מערכי נתונים שעברו הכשרה
כאשר יש לך עסק דינמי עם בסיס לקוחות משתנה במהירות, ואתה רוצה לזהות פלחים חדשים
למידת מכונה מפוקחת (מודל רגרסיה, עץ החלטות, יער אקראי): נוכל ליישם גישה זו אם יש לנו מערך הדרכה מסומן, למשל מפילוח קודם או ידע בתחום. לאחר מכן ניתן ליישם את מודל ה-ML המפוקח על לקוחות חדשים, או לקוחות שעבורם הפלח אינו ברור
הגישה המעורבת משלבת שימוש בלמידה ללא פיקוח לזיהוי מקטעים ולאחר מכן יישום מקטעים אלה כתוויות כדי להכשיר מודל מפוקח. מודל מיומן זה יכול לשמש לסיווג לקוחות חדשים, או ליצור פלח עבור לקוחות שאין לנו נתונים מלאים מהם.
אנא היזהר בעת יישום הגישה המעורבת ללא דגימה אקראית. אם תבחר רק את הלקוחות שיש לך נתונים מלאים עליהם, אז, סביר להניח, תבחר את הלקוחות הנאמנים יותר שלך, מה שאולי לא יהווה ייצוג הוגן של כל הקבוצה. זה יביא לבחירה מוטה, וההטיות הללו יועברו רק לבינה מלאכותית.
אתגרים וטעויות נפוצות
AI אינו חף מאתגרים. מניסיוני, הנה כמה מהמחסומים שבהם אתה צפוי להיתקל ככל שאתה לומד לשלוט בחבלים.
פילוח ברור: לחברות רבות לא ברור מדוע הן מחלקות. ללא מטרה זו, קשה לתהליך של AI להיות יעיל. במקרים אלה, גישה מסורתית המנוהלת על ידי בני אדם יכולה לעבוד טוב יותר, במיוחד אם יש לך בעיקר נתונים איכותיים. כך גם אם יש לך רק מספר קטן של לקוחות.
איכות נתונים: איכות התוצאות שתניב בינה מלאכותית תהיה טובה רק כמו איכות הנתונים שאתה מזין את המערכת. לכן, אם הנתונים שלך לא מדויקים, גם הפילוח שלך לא יהיה.
שיקולים אתיים: ודא שאינך כולל נתונים וקריטריונים רגישים במודל. זו טעות שחברות רבות עשו, והיא עלתה להן גם בכסף וגם במוניטין שלהן. לדוגמה, בארה"ב, חברות המשכנתאות היו תחת אש בשל פרופיל גזעי לכאורה של אלגוריתמי הבינה המלאכותית שלהם.
מוכנות CRM: מכיוון ש-ML היא טכנולוגיה כל כך מתחילה, מערכות CRM רבות (ניהול קשרי לקוחות) אינן מצוידות לטפל בה. לכן, שילוב נכון של סגמנטים בפעילות העסקית (קמפיינים שיווקיים, נקודות מגע, אסטרטגיית מכירה) מצריך עבודה נוספת. פעמים רבות, בעלים קופצים מיד מבלי להתחשב בכל התהליכים המעורבים, וזה מוביל לשיהוקים בעת ניסיון למנף AI.
הכשרת עובדים: עובדים צריכים לעבור הכשרה נוספת כדי שיוכלו להבין באופן מלא את גישות הפילוח של AI. כמו כן, סביר להניח שתמצא התנגדות מסוימת מכיוון שתוצאות AI עשויות לסתור את האינטואיציה שלהן. כדי להתגבר על מחסום האמון, הצג כמה מהיישומים החיוביים שלו, והשתמש בבינה מלאכותית באחריות.
איכות הפלחים: בדומה לפילוח המסורתי, הפלחים שאתה מקבל ממודל ML צריכים לעמוד בקריטריונים מרכזיים ולקבל תוקף:
בר תביעה
יציב
גודל גדול מספיק
גָזִיר
ידע ופרשנות תחום: שילוב וניהול נאות של הידע של העסק שלך חשובים מאוד בכל שלב של הדרך, מהכנת הנתונים ועד לאימות תוצאות המודל. כמו כן, זכור שאפילו מודל למידת מכונה מושלם לא יעניק לך דיוק של 100%. כאן יש צורך במומחיות התחום שלך, ומדוע חשוב מאוד ל-AI ולבני אדם לעבוד יחד. טעות נוספת שראיתי לעתים קרובות היא שמקבלי ההחלטות מאצילים הכל ל-AI, ומיישמים באופן עיוור את ההצעות שלהם ללא שאלות נוספות. זה כנראה יוביל לתוצאות לא טובות. כמו כן, בואו נזכור שבסופו של יום, אנחנו בני אדם, וההטיות שלנו עדיין נוכחות כאשר מפרשים את הנתונים. מודעים לכך יכולים לעזור לנו להיות פחות פגיעים לטעויות אפשריות.
עדכוני מודל: אם יש לך בסיס לקוחות דינמי או שיש לך תחלופה גבוהה של לקוחות, התנהגות והעדפות הלקוחות שלך משתנות לרוב. לפיכך, ודאו שאתם מעדכנים את הדגם באופן קבוע ואל תסתמכו על פלחים מיושנים.
מדריך שלב אחר שלב לפילוח לקוחות מבוסס בינה מלאכותית
עכשיו כשאתה מודע לאתגרים, הנה מדריך שלב אחר שלב שיעזור לך ליישם AI ולשלב אותו בהצלחה בתהליכי פילוח הלקוחות שלך.
הגדר את יעד הפילוח שלך. זה כולל הבנת הקריטריונים השונים שלפיהם תסווג את הלקוחות שלך. כאן, שוב, יש צורך גם בתובנות שנוצרו על ידי AI וגם בפרספקטיבה שלך כמומחה בתחום. יחד, תחשוף פלחי לקוחות חדשים ותוכל להתאים אישית את מסעות הפרסום שלך כדי להשיג תוצאות טובות יותר.
הבטחת זמינות נתונים: ודא של-AI יש גישה לנתוני לקוחות מקיפים, או אם הנתונים שלך אינם שלמים, מצא דרך להתמודד איתם. אחת הדרכים לעשות זאת יכולה להיות שימוש בגישת המודלים המעורבים. אמרנו את זה בעבר, אבל אי אפשר להדגיש את זה מספיק: התוצאות יהיו טובות רק כמו הנתונים שאיתם AI צריך לעבוד.
טפל במגבלות נתונים: אם יש לך נתונים מוגבלים, בחר מדגם אקראי ממסד הנתונים של הלקוחות שלך ואסוף נתונים נוספים מהם. לאחר מכן, יישם את הגישה המעורבת כדי למקסם את התוצאות שלך.
בחר את גישת המידול שלך והחל את המודל שנבחר על הנתונים שהתקבלו
בחר את המספר האופטימלי של קטעים: ישנן טכניקות שונות לחישוב המספר האופטימלי של קטעים. הפופולריים שבהם הם כלל המרפק וניתוח פערים.
הבן את הקריטריונים המבדילים בין הפלחים ופרש את התוצאות: מהם המשתנים המרכזיים שלפיהם יזוהו הלקוחות שלך? מה התפיסות שלהם, וכיצד ניתן לשווק אותם? כדי שתהליך הפילוח יעבוד, לאחר אימות דיוק המודל, עליך לסקור את הפלחים השונים ולקבוע האם המשתנים המניעים את הפלחים הללו חלים בצורה נאותה על המודל העסקי שלך.
אחרון חביב, כמשאב להדמיית פילוח נאותה, אני מיישם קואורדינטות מקבילות, בהן אני מזהה ארבעה פלחים: קונים בעלי ערך גבוה, קונים בתקציב נמוך, חובבי טכנולוגיה וקונים מזדמנים. אני מודד קטגוריות כמו הוצאה חודשית ותדירות הרכישות עבור כל אחד מהפלחים האלה, מכיוון שזה עוזר לי להבין טוב יותר את הלקוחות שלי.
מחשבות סופיות
כפי שדיברנו, פילוח לקוחות מבוסס בינה מלאכותית יכול לעזור לחברות B2B להשיג נראות ברורה יותר של מי הלקוחות שלהן ושל המניעים מאחורי קבלת ההחלטות שלהן. ברגע שיש לך מידע זה, תוכל למנף אותו ליצירת מסעות פרסום וחוויות מותאמים אישית שמוסיפים ערך רב יותר ללקוחות שלך.
על ידי ביצוע מפת הדרכים המתוארת במדריך זה, אתה יכול למנף אלגוריתמי בינה מלאכותית כדי להגביר את תהליכי הפילוח של העסק שלך ולקבל החלטות מונעות נתונים שמניעות את הצמיחה שלך ומגבירות את מדדי שביעות רצון הלקוחות שלך, מטפחים קשר טוב יותר עם הלקוחות שלך ותחושה מוצקה של נאמנות למותג שלך.
זה יותר ויותר חשוב בעולם ה-B2B, ובמיוחד עבור מוצרי היי-טק, שכן הצרכים של הלקוחות משתנים במהירות והציפיות הטכנולוגיות מתפתחות במהירות. פילוח הולם של הלקוחות שלך יכול לעשות את ההבדל בין אספקת מוצר מהשורה הראשונה לבין משהו שלא מצליח להשיג את ההתאמה הרלוונטית לשוק המוצר.
