Aktivering av AI-drevet kundesegmentering for B2B-selskaper: En veibeskrivelse

Basert i Nord-Carolina, er Ingersoll Rand (IR ) ett av verdens ledende konglomerater. Selskapet har flere forretningsområder, inkludert komprimerte luftsystemer, HVAC-løsninger og banebrytende teknologiske produkter som tilbyr tjenester til ulike industrier, som vitenskapelige laboratorier og cargo-transportfirmaer. Det har også en tilstedeværelse i over 175 land, og opererer primært i B2B-segmentet.

Med det i mente er det lett å forestille seg hvor komplekst det kan være å tilfredsstille alle deres kunder, og derfor valgte Ingersoll Rand å bruke AI til å forstå dem bedre.

Ved å utnytte AI til å segmentere deres omfattende og svært varierte kundebase, kunne selskapet lage tilpassede kampanjer som fungerte mye bedre på KPI-er som åpningsfrekvens, klikkfrekvens og konverteringer. Noen av disse kampanjene var segmentert geografisk, mens andre var etter type eller størrelse på bedrift, og andre var en kombinasjon av alle ovennevnte. Dette hjalp selskapets ledere til å forstå at de hadde noen unike segmenter som de ikke hadde tatt tid til å utvikle tidligere. I virkeligheten, uten AI, ville de kanskje ikke har merket seg at disse segmentene eksisterte.

Ingersoll Rands suksess viser noe som alle bedriftsledere må forstå. I dagens landskap er det hyperkonkurrerende, og derfor er det kritisk å forstå dine kunder. Kunder som ikke føler seg anerkjent eller som ikke får sine behov møtt av din produkt eller tjeneste, kan lett bli overtalt til å bytte til en rivaliserende tilbud.

For å forbedre dine sjanser til å forstå hva dine kunder forventer, må du dele dem inn i riktige segmenter, for bare slik vil du vite hva deres felles karakteristika, atferd og preferanser er. Basert på disse segmentene, kan du lage tilpassede markedsføringskampanjer og personlige produkttilbud, som øker dine konverteringsrater.

Ved å adoptere teknologier som kunstig intelligens (AI) og maskinlæring (ML), kan selskaper gi en boost til sine kundesegmenteringsinnsats. Men, som alle teknologiske innovasjoner, må de adopteres strategisk.

Her er en veibeskrivelse for å hjelpe deg med å oppnå dette.

Hvorfor kundesegmentering er viktig, og hvordan kan AI hjelpe?

Grunnleggende kan AI hjelpe oss ved å gå utenfor våre fordommer og konvensjonelle metoder for å segmentere våre kunder. Fordi dens segmenteringsprosess bare kjøres av data, kan vi lære om kundesegmenter som vi ikke hadde tenkt på, og dette avdekker unik informasjon om våre kunder.

For å illustrere videre, la oss se på følgende eksempel.

Et selskap som spesialiserer seg på landbruksutstyr og -forsyninger ønsker å utvide sitt produkttilbud. Selskapet gjennomfører segmentering for å sikre at de nye produktene er relevante.

Tidligere har bedriften brukt en konvensjonell tilnærming til segmentering, hvor kunder ble kategorisert etter geografisk beliggenhet, basert på antagelsen at bønder fra samme region ville ha lignende behov. For eksempel ville de reklamere for en traktor som var fokusert på egenskaper som de mente var felles mellom gårdene i den amerikanske midtvesten, som værforhold.

Men etter å ha implementert AI, innsett selskapet at geografisk segmentering ikke var riktig tilnærming. Ved å samle inn omfattende data (inkludert kjøpshistorikk, gårdstørrelse, typer av avlinger, irrigasjonsmetoder, teknologiadopsjon, automatiseringsgrad og mer), og la AI-algoritmer analysere det, oppdaget selskapet at gårdstørrelse er en av de viktigste faktorene som påvirker en bonde sin kjøpsbeslutning. Det kan synes åpenbart: bønder med større gårder har distinkte behov enn de som har mindre eiendommer. Men lederne i landbruksutstyrselskapet var fortsatt fast bestemt på å selge gjennom geografisk segmentering, og uten AI ville de kanskje aldri ha endret denne prosessen, selv om den ikke ga de beste resultatene.

Hva kan vi gjøre for å kjøre denne prosessen?

Forskjellige tilnærminger til kundesegmentering

For å bestemme hvilken modell å bruke til din kundesegmenteringsmetode, må du vurdere:

• Hva data har jeg tilgjengelig? Med andre ord, hva vet jeg?

• Hva er mine forretningsmål?

• Hva vet jeg om mine kunder?

Basert på dette, kan du enten bruke en usupervisert modell, en supervisert modell eller følge en blandet tilnærming.

• Usupervisert (K-Means clustering, DBSCAN, GMM): Denne modellen er ikke avhengig av forhåndsdefinerte etiketter og treningdata, men beregner i stedet de optimale segmentene fra scratch. Du kan bruke usuperviserte algoritmer:

  • Når du ikke har bestemte segmenter i mente, spesielt når du bruker AI-segmentering for første gang og ikke har tidligere trent datasett

  • Når du har en dynamisk forretning med en raskt endrende kundebase, og du ønsker å identifisere nye segmenter

• Supervisert maskinlæring (regresjonsmodell, beslutningstre, tilfeldig skog): Vi kan bruke denne tilnærmingen hvis vi har et merket treningdataset, f.eks. fra tidligere segmentering eller domenekunnskap. Den superviserte ML-modellen kan deretter brukes til nye kunder eller kunder for hvem segment ikke er klart

Den blandede tilnærmingen kombinerer bruk av usupervisert læring til å identifisere segmenter og deretter anvende disse segmentene som etiketter til å trene en supervisert modell. Denne trenede modellen kan deretter brukes til å klassifisere nye kunder eller å lage et segment for kunder fra hvem vi ikke har fullstendig data.

Vær forsiktig når du bruker den blandede tilnærmingen uten tilfeldig sampling. Hvis du bare velger kunder som du har fullstendig data på, vil du sannsynligvis velge dine mest lojale kunder, som kanskje ikke er en rettferdig representasjon for hele gruppen. Dette vil føre til en forvrengt utvalg, og disse forvringene vil bare bli overført til AI.

Utfordringer og vanlige feil

AI er ikke uten utfordringer. Fra min erfaring, er her noen av hindringene du er mest sannsynlig å møte mens du lærer å mestre teknikken.

• Klar segmentering: Mange selskaper er ikke klare på hvorfor de segmenterer. Uten dette formålet, er det vanskelig for en AI-drevet prosess å være effektiv. I slike tilfeller kan en tradisjonell tilnærming drevet av mennesker fungere bedre, spesielt hvis du hovedsakelig har kvalitative data. Det samme gjelder hvis du bare har en liten kundebase.

• Datakvalitet: Kvaliteten på resultater som frembringes av AI, vil bare være like god som kvaliteten på dataene du matet systemet med. Derfor, hvis dine data ikke er nøyaktige, vil din segmentering heller ikke være det.

• Etiske overveielser: Sørg for at du ikke inkluderer følsomme data og kriterier i modellen. Dette er en feil mange selskaper har gjort, og det har kostet dem både penger og deres omdømme. For eksempel, i USA, har boliglånselskaper vært under angrep for påstått raseprofilerings AI-algoritmer.

• CRM-klarhet: Fordi ML er en så ny teknologi, er mange CRM-systemer (kundehåndteringssystemer) ikke utstyrt til å håndtere det. Derfor krever en ordentlig integrering av segmenter i forretningsoperasjoner (markedsføringskampanjer, berøringspunkter, salgsstrategi) ekstra arbeid. Mange ganger hopper eiere rett inn uten å vurdere alle prosessene som er involvert, og dette fører til problemer når de prøver å utnytte AI.

• Ansattetrening: Ansatte må bli trent videre for å kunne fullt ut forstå AI-segmenteringsmetoder. Det er også sannsynlig at du vil finne noen motstand fordi AI-resultatene kan motsi deres intuition. For å overvinne tillitsbarrieren, vis noen av dens positive anvendelser, og bruk AI ansvarlig.

• Segmentkvalitet: Liksom tradisjonell segmentering, bør segmentene du får fra ML-modellen oppfylle nøkkelkriterier og bli validerert:

  • Gjennomførbare

  • Stabile

  • Tilstrekkelig stor størrelse

  • Skillelige

• Domenekunnskap og tolkning: Integrering og adekvat håndtering av bedriftens kunnskap er veldig viktig på hver enkelt trinn, fra datapreparering til validering av modellens resultater. Husk også at selv en fullkommen maskinlæringsmodell ikke vil gi deg 100% nøyaktighet. Her er hvor din domenekunnskap er nødvendig, og hvorfor det er veldig viktig for AI og mennesker å arbeide sammen. En annen feil jeg har sett ofte, er at beslutningstakere delegere alt til AI, og blindt implementerer deres forslag uten videre spørsmål. Dette vil sannsynligvis føre til ugunstige resultater. La oss også huske at til slutt er vi mennesker, og våre fordommer er fortsatt til stede når vi tolker dataene. Å være klar over dette kan hjelpe oss å være mindre sårbare for potensielle feil.

• Modelloppdateringer: Hvis du har en dynamisk kundebase eller du har en høy kundeutskifting, endrer kundenes atferd og preferanser ofte. Derfor må du sikre at du oppdaterer modellen regelmessig og ikke bare baserer deg på utdaterte segmenter.

Steg-for-steg-veibeskrivelse for AI-aktivert kundesegmentering

Nå som du er klar over utfordringene, er her en steg-for-steg-veibeskrivelse for å hjelpe deg med å implementere AI og suksessfullt integrere det i dine kundesegmenteringsprosesser.

1. Definer ditt segmenteringsmål. Dette inkluderer å forstå de ulike kriteriene under hvilke du vil klassifisere dine kunder. Her igjen er både innsiktene generert av AI og din perspektiv som ekspert på feltet nødvendig. Sammen vil du avdekke nye kundesegmenter og kunne tilpasse dine markedsføringskampanjer for å oppnå bedre resultater.

2. Sikre data tilgjengelighet: Sørg for at AI har tilgang til omfattende kundedata, eller hvis dine data er ufullstendige, finn en måte å håndtere det på. En måte å gjøre dette kan være å bruke den blandede modellen. Vi sa det før, men det kan ikke understrekes nok: Resultatene vil bare være like gode som dataene AI har å jobbe med.

3. Håndtere data begrensninger: Hvis du har begrensede data, velg en tilfeldig utvalg fra dine kunder og samle inn ekstra data fra dem. Deretter kan du bruke den blandede tilnærmingen for å maksimere dine resultater.

4. Velg din modelltilnærming og anvend den valgte modellen på dataene som er hentet

5. Velg det optimale antall segmenter: Det finnes ulike tekniker for å beregne det optimale antall segmenter. De mest populære er albue-regelen og gap-analyse.

6. Forstå segmentenes skillekriterier og tolk resultater: Hva er de nøkkelvariable som dine kunder vil bli identifisert med? Hva er deres persepsjoner, og hvordan kan de markedsføres? For segmenteringsprosessen å fungere, må du etter validering av modellens nøyaktighet, gjennomgå de ulike segmentene og bestemme om variablene som driver disse segmentene tilstrekkelig gjelder for din forretningsmodell.

Til slutt, men ikke minst, som en ressurs for adekvat segmentvisualisering, anvender jeg parallellkoordinater, hvor jeg identifiserer fire segmenter: høyverdi-kjøpere, budsjettkjøpere, teknologi-entusiaster og tilfeldige kjøpere. Jeg måler kategorier som månedlig utgift og hyppighet av kjøp for hver av disse segmentene, da dette hjelper meg å ha en bedre forståelse av mine kunder.

Slutt tanker

Som vi har diskutert, kan AI-drevet kundesegmentering hjelpe B2B-selskaper med å få en klarere oversikt over hvem deres kunder er og hva som driver deres beslutninger. Når du har denne informasjonen, kan du utnytte den til å lage tilpassede kampanjer og opplevelser som legger mer verdi til dine kunder.

Ved å følge veibeskrivelsen som er presentert i denne guiden, kan du utnytte AI-algoritmer til å booste dine bedrifts segmenteringsprosesser og ta datadrevne beslutninger som driver din vekst og øker dine kundetilfredshets-KPI-er, og fremmer en bedre tilknytning til dine kunder og en solid følelse av lojalitet til din merkevare.

Dette er stadig viktigere i B2B-verden, og spesielt for høyteknologiske produkter, da kundenes behov endrer seg raskt og teknologiske forventninger utvikler seg raskt. Adekvat kundesegmentering kan gjøre forskjellen på å levere et topp-kvalitetsprodukt og noe som ikke oppnår den relevante marked-tilpasningen.