Включение сегментации клиентов на основе ИИ для компаний B2B: дорожная карта

Компания Ingersoll Rand (IR ), базирующаяся в Северной Каролине, является одной из ведущих конгломератов мира. Компания имеет несколько направлений бизнеса, включая системы сжатого воздуха, решения для отопления, вентиляции и кондиционирования, а также передовые технологические продукты, которые удовлетворяют потребностям различных отраслей, таких как научные лаборатории и компании, занимающиеся перевозками грузов. Она также имеет присутствие в более чем 175 странах, в основном работая в сегменте B2B.

Учитывая это, легко представить, насколько сложно может быть удовлетворить все потребности их клиентов, поэтому Ingersoll Rand обратилась к ИИ, чтобы лучше понять их.

Используя ИИ для сегментации своей обширной и очень разнообразной клиентской базы, компания смогла создать целевые кампании, которые показали намного лучшие результаты по показателям, таким как открытость, кликабельность и конверсия. Некоторые из этих кампаний были сегментированы по географии, другие – по типу или размеру бизнеса, а некоторые – по комбинации всех этих факторов. Это помогло лидерам компании понять, что у них есть уникальные сегменты, которые они не смогли бы выявить без ИИ.

Успех Ingersoll Rand показывает, что все лидеры бизнеса должны понять. Сегодняшний ландшафт является гиперконкурентным, поэтому понимание клиентов имеет решающее значение. Клиенты, которые не чувствуют себя признанными или не получают того, что им нужно от вашего продукта или услуги, легко могут перейти к предложению конкурента.

Чтобы улучшить свои шансы на правильное понимание того, чего хотят ваши клиенты, вы должны разделить их на правильные сегменты, поскольку только так вы сможете точно определить их общие характеристики, поведение и предпочтения. На основе этих сегментов вы можете создать целевые маркетинговые кампании и персонализированные предложения, которые значительно повышают ваши показатели конверсии.

Используя технологии, такие как искусственный интеллект (ИИ) и машинное обучение (МО), компании могут повысить эффективность своих усилий по сегментации клиентов. Однако, как и любые технологические инновации, они должны быть приняты стратегически.

Вот руководство, которое поможет вам добиться этого.

Почему сегментация клиентов имеет значение, и как ИИ может помочь?

ИИ может помочь нам, преодолевая наши предубеждения и традиционные методы сегментации клиентов. Поскольку процесс сегментации ИИ основан только на данных, мы можем узнать о клиентских сегментах, которые мы не рассматривали ранее, и получить уникальную информацию о наших клиентах.

Чтобы проиллюстрировать это, давайте рассмотрим следующий пример.

Компания, специализирующаяся на сельскохозяйственном оборудовании и поставках, стремится расширить свой ассортимент продукции. Компания проводит сегментацию, чтобы убедиться, что новые продукты являются релевантными.

Ранее компания использовала традиционный подход к сегментации, категоризируя клиентов по географическому расположению, исходя из предположения, что фермеры из одного и того же региона будут иметь схожие потребности. Например, они рекламировали трактор, ориентированный на характеристики, которые они считали общими для ферм в Среднем Западе США, таких как погодные условия.

Однако после внедрения ИИ компания поняла, что географическая сегментация не является правильным подходом. Собрав обширные данные (включая историю покупок, размер фермы, типы выращиваемых культур, методы орошения, уровень технологического оснащения и многое другое) и позволив алгоритмам ИИ проанализировать их, компания обнаружила, что размер фермы является одним из наиболее критических факторов, влияющих на решение фермера о покупке. Это может показаться очевидным: фермеры с более крупными фермами имеют другие потребности, чем те, у кого более мелкие владения. Однако лидеры компании все еще были сосредоточены на продажах через географическую сегментацию и, возможно, никогда не изменили бы этот процесс, даже если он не приносил лучших результатов.

Итак, как мы можем провести этот процесс?

Различные подходы к сегментации клиентов

Чтобы определить, какую модель применить к вашему подходу к сегментации клиентов, вам нужно рассмотреть:

• Какие данные у меня есть? Другими словами, что я знаю?

• Каковы цели моего бизнеса?

• Что я знаю о своих клиентах?

На основе этого вы можете либо применить модель без надзора, либо модель с надзором, либо следовать смешанному подходу.

• Ненадзорная (K-Means clustering, DBSCAN, GMM): эта модель не полагается на предварительно определенные метки и обучающие данные, а вместо этого рассчитывает оптимальные сегменты с нуля. Вы можете применить алгоритмы ненадзорного обучения:

  • Когда у вас нет конкретных сегментов в виду, особенно когда вы впервые применяете сегментацию ИИ и не имеете предварительно обученных наборов данных

  • Когда у вас есть динамичный бизнес с быстро меняющейся клиентской базой, и вы хотите выявить новые сегменты

• Надзорное машинное обучение (модель регрессии, дерево решений, случайный лес): мы можем применить этот подход, если у нас есть помеченный обучающий набор данных, например, из предыдущей сегментации или знаний области. Модель надзорного машинного обучения может затем быть применена к новым клиентам или клиентам, для которых сегмент неясен

Смешанный подход сочетает использование ненадзорного обучения для выявления сегментов, а затем применение этих сегментов в качестве меток для обучения модели надзорного машинного обучения. Эта обученная модель может быть использована для классификации новых клиентов или для создания сегмента для клиентов, для которых у нас нет полных данных.

Пожалуйста, будьте осторожны при применении смешанного подхода без случайной выборки. Если вы выбираете только тех клиентов, для которых у вас есть полные данные, то, скорее всего, вы выберете только своих наиболее лояльных клиентов, что может не быть справедливым представлением всей группы. Это приведет к предвзятому отбору, и эти предубеждения будут переданы ИИ.

Проблемы и распространенные ошибки

ИИ не обходится без проблем. По моему опыту, вот некоторые из наиболее распространенных препятствий, с которыми вы столкнетесь, когда будете учиться осваивать ИИ.

• Ясная сегментация: многие компании не имеют четкого представления о том, почему они проводят сегментацию. Без этой цели процесс, управляемый ИИ, будет неэффективным. В таких случаях традиционный подход, управляемый людьми, может работать лучше, особенно если у вас в основном качественные данные. То же самое относится и к случаям, когда у вас есть только небольшое количество клиентов.

• Качество данных: качество результатов, полученных ИИ, будет только так же хорошим, как качество данных, которые вы подаете в систему. Следовательно, если ваши данные неточны, ваша сегментация также не будет точной.

• Этические соображения: убедитесь, что вы не включаете чувствительные данные и критерии в модель. Это ошибка, которую совершили многие компании, и она стоила им денег и репутации. Например, в США ипотечные компании подвергались критике за предполагаемую расовую дискриминацию их алгоритмов ИИ.

• Готовность CRM: поскольку МО является такой новой технологией, многие системы управления отношениями с клиентами (CRM) не оснащены для работы с ней. Следовательно, правильная интеграция сегментов в бизнес-операции (маркетинговые кампании, точки контакта, стратегия продаж) требует дополнительной работы. Многие владельцы сразу же приступают к работе, не учитывая все процессы, участвующие в этом, что приводит к проблемам при попытке использовать ИИ.

• Обучение сотрудников: сотрудники должны пройти дополнительное обучение, чтобы они могли полностью понять подходы к сегментации ИИ. Также возможно, что вы столкнетесь с сопротивлением, поскольку результаты ИИ могут противоречить их интуиции. Чтобы преодолеть барьер доверия, продемонстрируйте некоторые из его положительных применений и используйте ИИ ответственно.

• Качество сегмента: аналогично традиционной сегментации, сегменты, полученные из модели МО, должны удовлетворять ключевым критериям и быть проверены:

  • Действенные

  • Стабильные

  • Достаточно большие по размеру

  • Различимые

• Знания области и интерпретация: интеграция и адекватное управление знаниями вашего бизнеса очень важно на каждом этапе, от подготовки данных до проверки результатов модели. Также помните, что даже идеальная модель машинного обучения не даст вам 100% точности. Вот где ваша экспертиза необходима, и почему важно, чтобы ИИ и люди работали вместе. Другая ошибка, которую я часто видел, заключается в том, что руководители делегируют все ИИ и безоговорочно реализуют его предложения без дальнейших вопросов. Это, скорее всего, приведет к неблагоприятным последствиям. Также помните, что в конце концов мы являемся людьми, и наши предубеждения все еще присутствуют при интерпретации данных. Осознание этого может помочь нам быть менее уязвимыми для потенциальных ошибок.

• Обновления модели: если у вас есть динамичная клиентская база или высокий уровень текучести клиентов, поведение и предпочтения ваших клиентов часто меняются. Следовательно, убедитесь, что вы регулярно обновляете модель и не полагайтесь на устаревшие сегменты.

Пошаговое руководство по сегментации клиентов с помощью ИИ

Теперь, когда вы знаете о проблемах, вот пошаговое руководство, которое поможет вам реализовать ИИ и успешно интегрировать его в свои процессы сегментации клиентов.

1. Определите свою цель сегментации. Это включает понимание различных критериев, по которым вы будете классифицировать своих клиентов. Здесь снова необходимы как идеи, генерируемые ИИ, так и ваша экспертиза в этой области. Вместе вы сможете выявить новые сегменты клиентов и адаптировать свои маркетинговые кампании для достижения лучших результатов.

2. Гарантируйте доступность данных: убедитесь, что ИИ имеет доступ к полным данным о клиентах, или если ваши данные неполны, найдите способ решить эту проблему. Одним из способов может быть использование смешанного подхода к моделированию. Мы уже говорили об этом, но это нельзя переоценить: результаты будут только так же хороши, как данные, с которыми работает ИИ.

3. Решите проблему ограниченных данных: если у вас ограниченные данные, выберите случайную выборку из базы данных клиентов и соберите дополнительные данные от них. Затем примените смешанный подход, чтобы максимизировать результаты.

4. Выберите подход к моделированию и примените выбранную модель к полученным данным

5. Выберите оптимальное количество сегментов: существуют различные методы для расчета оптимального количества сегментов. Самые популярные из них – правило локтя и анализ разрыва.

6. Поймите критерии, различающие сегменты, и интерпретируйте результаты: какие ключевые переменные будут определять ваших клиентов? Каковы их восприятия, и как их можно эффективно маркетить? Чтобы процесс сегментации работал, после проверки точности модели вам нужно просмотреть различные сегменты и определить, применяются ли переменные, определяющие эти сегменты, к вашей бизнес-модели.

Наконец, как ресурс для адекватной визуализации сегментации, я применяю параллельные координаты, в которых я определяю четыре сегмента: покупатели высокого уровня, покупатели с ограниченным бюджетом, энтузиасты технологий и случайные покупатели. Я измеряю категории, такие как ежемесячные расходы и частота покупок для каждого из этих сегментов, поскольку это помогает мне лучше понять моих клиентов.

Заключительные мысли

Как мы обсуждали, сегментация клиентов на основе ИИ может помочь компаниям B2B получить более четкое представление о том, кто их клиенты и что движет их процессом принятия решений. Как только у вас есть эта информация, вы можете использовать ее для создания персонализированных кампаний и опыта, которые добавляют больше ценности вашим клиентам.

Следуя дорожной карте, изложенной в этом руководстве, вы можете использовать алгоритмы ИИ, чтобы повысить эффективность своих процессов сегментации и принимать обоснованные решения, которые стимулируют рост вашего бизнеса и повышают показатели удовлетворенности клиентов, способствуя более прочной связи с вашими клиентами и лояльности к вашему бренду.

Это особенно важно в мире B2B, особенно для высокотехнологичных продуктов, поскольку потребности клиентов меняются быстро, а технологические ожидания развиваются стремительно. Правильная сегментация клиентов может сделать разницу между поставкой высококачественного продукта и тем, который не может достичь соответствующей производственно-рыночной конгруэнтности.