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

Basert i Nord-Carolina, er Ingersoll Rand ett av verdens ledende konglomerater. Firmaet har flere forretningsområder, inkludert komprimerte luftsystemer, HVAC-løsninger og banebrytende teknologiske produkter som tilbyr diverse 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, hvilket er grunnen til at Ingersoll Rand tok i bruk AI for å forstå dem bedre.

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

Ingersoll Rands suksess viser noe som alle bedriftsledere må forstå. I dagens landskap er hyper-konkurransedyktig, 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 konkurrerende tilbud.

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

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

Her er en veileder for å hjelpe deg 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 da 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 -tilbehør har som mål å utvide sitt produkttilbud. Firmaet gjennomfører segmentering for å sikre at de nye produktene er relevante.

Tidligere har bedriften brukt en konvensjonell tilnærming til segmentering, hvor de kategoriserte kunder 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 oppfattet som felles egenskaper mellom gårdene i den amerikanske midtvesten, som værforhold.

Imidlertid, etter å ha implementert AI, innsett firmaet at geografisk segmentering ikke var riktig tilnærming. Ved å samle inn omfattende data (inkludert kjøpshistorikk, gårdstørrelse, typer av avlinger, irrigasjonsmetoder, teknologi-tilpasning, automasjonsrate og mer), og la AI-algoritmer analysere det, oppdaget firmaet 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. Imidlertid var landbruksutstyr-selskapets ledere fortsatt fast bestemt på å selge gjennom geografisk segmentering, og på egen hånd ville de kanskje aldri har 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 kundesegmenterings-tilnærming, 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 usupervised modell, en supervised modell eller følge den blandede tilnærmingen.

• Usupervised (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 usupervised algoritmer:

  • Når du ikke har spesifikke 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

• Supervised Machine Learning (regresjonsmodell, beslutningstre, tilfeldig skog): Vi kan bruke denne tilnærmingen hvis vi har en merket treningdatasett, f.eks. fra tidligere segmentering eller domenekunnskap. Den supervisede ML-modellen kan deretter brukes til nye kunder, eller kunder for hvem segment ikke er klart

Den blandede tilnærmingen kombinerer bruk av usupervised læring for å identifisere segmenter og deretter bruke disse segmentene som etiketter til å trene en supervised 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 av hele gruppen. Dette vil føre til en forvrengt utvalg, og disse forvrengningene vil bare bli overført til AI.

Utlendingsproblemer og vanlige feil

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

• 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 mengde kunder.

• Datakvalitet: Kvaliteten på resultater som frembragt 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 rykte. For eksempel, i USA, har boliglåne-selskaper vært under angrep for påstått rasistisk profilering av deres AI-algoritmer.

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

• Ansatt-trening: Ansatte må få ytterligere trening for å fullt ut forstå AI-segmenterings-tilnærminger. Dessuten er det sannsynlig at du vil finne en del motstand fordi AI-resultatene kan motsi deres intuition. For å overvinne tillitsbarrieren, vis noen av dens positive anvendelser, og bruk AI ansvarlig.

• Segmentkvalitet: Lignende tradisjonell segmentering, skal segmentene du får fra ML-modellen oppfylle nøkkelkriterier og bli valideret:

  • Handling

  • Stabil

  • Tilstrekkelig størrelse

  • Skillelig

• Domenekunnskap og tolkning: Integrering og adekvat håndtering av bedriftens kunnskap er veldig viktig på hver enkelt trinn av veien, fra datapreparering til validering av modellens resultater. Dessuten, husk at selv en fullkommen maskinlæringsmodell ikke vil gi 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 ofte har sett, er at beslutningstakere delegere alt til AI, og blindt implementerer deres forslag uten videre spørsmål. Dette vil sannsynligvis føre til ugunstige resultater. Dessuten, la oss 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.

• Modell-oppdateringer: Hvis du har en dynamisk kundebase eller du har en høy kundevending, endrer kundenes atferd og preferanser ofte. Derfor, sørg for at du oppdaterer modellen regelmessig og ikke bare baserer deg på gamle segmenter.

Steg-for-steg-veileder for AI-aktivert kundesegmentering

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

1. Definer ditt segmenteringsmål. Dette inkluderer å forstå de forskjellige kriteriene under hvilke du vil klassifisere dine kunder. Her igjen, både innsiktene generert av AI og din perspektiv som ekspert på feltet er 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, bruk den blandede tilnærmingen for å maksimere dine resultater.

4. Velg din modell-tilnærming og bruk den valgte modellen på dataene du har fått

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

6. Forstå segmentenes skille-kriterier og tolk resultater: Hva er de viktigste variablene som dine kunder vil bli identifisert med? Hva er deres oppfatninger, og hvordan kan de markedsføres til? For segmenteringsprosessen å fungere, må du, etter å ha validerert modellens nøyaktighet, gjennomgå de forskjellige segmentene og bestemme om variablene som driver disse segmentene tilstrekkelig gjelder for din forretningsmodell.

Til slutt, men ikke minst, som en ressurs for adekvat segment-visning, bruker jeg parallell-koordinater, hvor jeg identifiserer fire segmenter: høyverdi-kunder, budsjettkunder, teknologi-entusiaster og tilfeldige kunder. Jeg måler kategorier som månedlig utgifter og kjøpsfrekvens 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 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 veikartet som er presentert i denne guiden, kan du utnytte AI-algoritmer til å gi en boost til dine forretningssegmenteringsprosesser og ta datadrevne beslutninger som fremmer din vekst og øker dine kundetilfredshets-KPI-er, og fremmer en bedre tilknytning til dine kunder og en solid 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 segmentering av dine kunder kan gjøre forskjellen på å levere et topp-nivå-produkt og noe som ikke oppnår den relevante produkt-markeds-passen.