Aktivera AI-drivet kundsegmentering för B2B-företag: En vägledning

Med säte i North Carolina är Ingersoll Rand (IR ) ett av världens ledande konglomerat. Företaget har flera affärsområden, inklusive komprimerad luft, HVAC-lösningar och banbrytande tekniska produkter som tillgodoser olika branscher, såsom vetenskapliga laboratorier och cargotransportföretag. Det har också närvaro i över 175 länder och verkar främst på B2B-segmentet.

Med det i åtanke är det lätt att föreställa sig hur komplext det kan vara att tillfredsställa alla deras kunder, vilket är varför Ingersoll Rand valde att använda AI för att bättre förstå dem.

Genom att utnyttja AI för att segmentera sin omfattande och mycket varierade kundbas kunde företaget skapa kampanjer som fungerade mycket bättre på KPI:er som öppningsfrekvens, klickfrekvens och konvertering. Vissa av dessa kampanjer segmenterades efter geografi, medan andra var efter företagstyp eller storlek, och andra en kombination av allt ovan. Detta hjälpte företagets ledare att förstå att de hade vissa unika segment som de inte hade tagit sig tid att utveckla tidigare. I själva verket skulle de utan AI kanske inte ha märkt att dessa segment fanns.

Ingersoll Rands framgång visar något som alla företagsledare måste förstå. Idag är landskapet hyperkonkurrensutsatt, och därför är det avgörande att förstå sina kunder. Kunder som inte känner sig erkända eller som inte får sina behov tillgodosedda av er produkt eller tjänst kan lätt övertalas att byta till en rivaliserande företags erbjudande.

För att förbättra era chanser att tillräckligt förstå vad era kunder förväntar sig, måste ni dela in dem i rätt segment, eftersom ni bara på det sättet kan veta vad deras gemensamma egenskaper, beteenden och preferenser är. Utifrån dessa segment kan ni skapa anpassade marknadsföringskampanjer och personliga produkt erbjudanden, vilket höjer era konverteringsfrekvenser avsevärt.

Genom att anta teknologier som artificiell intelligens (AI) och maskinlärande (ML) kan företag ge en skjuts åt sina kundsegmenteringsinsatser. Men liksom alla tekniska innovationer måste de antas strategiskt.

Här är en guide för att hjälpa er uppnå det.

Varför kundsegmentering är viktigt och hur kan AI hjälpa?

I grund och botten kan AI hjälpa oss genom att gå utöver våra fördomar och konventionella metoder för att segmentera våra kunder. Eftersom dess segmenteringsprocess endast körs av data kan vi lära oss om kundsegment som vi inte hade tänkt på, och detta avslöjar unik information om våra kunder.

För att illustrera detta ytterligare, låt oss titta på följande exempel.

Ett företag som specialiserar sig på jordbruksutrustning och tillbehör siktar på att utöka sitt produkterbjudande. Företaget genomför segmentering för att säkerställa att de nya produkterna är relevanta.

Tidigare förlitade sig företaget på en konventionell ansats till segmentering, där kunderna kategoriserades efter geografisk plats, baserat på antagandet att jordbrukare från samma region skulle ha liknande behov. Till exempel skulle de annonsera en traktor med fokus på de funktioner de uppfattade som gemensamma mellan jordbruken i den amerikanska Mellanvästern, som väderförhållanden.

Men efter att ha implementerat AI insåg företaget att geografisk segmentering inte var rätt tillvägagångssätt. Genom att samla in omfattande data (inklusive inköpshistorik, jordbruksstorlek, typer av grödor, bevattningssystem, teknikanvändning, automatiseringsgrad och mer) och låta AI-algoritmer analysera den, upptäckte företaget att jordbruksstorlek är en av de mest kritiska faktorerna som påverkar en jordbrukares inköpsbeslut. Det kan tyckas uppenbart: jordbrukare med större jordbruksmarker har olika behov än de som har mindre egendomar. Men jordbruksutrustningsföretagets ledare var fortfarande fast på att sälja genom geografisk segmentering, och de kanske aldrig skulle ha ändrat på denna process, trots att den inte gav de bästa resultaten.

Sagt och gjort, hur kan vi köra den här processen?

Olika tillvägagångssätt för kundsegmentering

För att bestämma vilken modell som ska tillämpas på er kundsegmenteringsansats måste ni överväga:

• Vilken data har jag tillgång till? Med andra ord, vad vet jag?

• Vad är mitt företags mål?

• Vad vet jag om mina kunder?

Baserat på detta kan ni antingen tillämpa en oövervakad modell, en övervakad modell eller följa den blandade ansatsen.

• Oövervakad (K-Means kluster, DBSCAN, GMM): Denna modell förlitar sig inte på fördefinierade etiketter och träningsdata, utan beräknar istället de optimala segmenten från scratch. Ni kan tillämpa de oövervakade algoritmerna:

  • När ni inte har specifika segment i åtanke, särskilt när ni tillämpar AI-segmentering för första gången och inte har tidigare träningsdata

  • När ni har ett dynamiskt företag med en snabbt föränderlig kundbas och vill identifiera nya segment

• Övervakad maskinlärande (regressionsmodell, beslutsstruktur, slumpmässig skog): Ni kan tillämpa denna ansats om ni har en etiketterad träningsdatamängd, t.ex. från tidigare segmentering eller domänkunskap. Den övervakade ML-modellen kan sedan tillämpas på nya kunder eller kunder för vilka segment inte är klart

Den blandade ansatsen kombinerar användning av oövervakat lärande för att identifiera segment och sedan tillämpa dessa segment som etiketter för att träna en övervakad modell. Denna tränade modell kan sedan användas för att klassificera nya kunder eller skapa ett segment för kunder från vilka ni inte har fullständig data.

Var försiktig när ni tillämpar den blandade ansatsen utan slumpmässig urval. Om ni bara väljer de kunder som ni har fullständig data på, kommer ni troligen att välja era mer lojala kunder, vilket kanske inte är en rättvis representation av hela gruppen. Detta kommer att resultera i en förutfattad urval, och dessa förutfattningar kommer bara att föras vidare till AI.

Utmaningar och vanliga misstag

AI är inte utan utmaningar. Utifrån min erfarenhet är här några av de hinder som ni troligen kommer att stöta på när ni lär er att bemästra AI.

• Tydlig segmentering: Många företag är inte tydliga med varför de segmenterar. Utan detta syfte är det svårt för en AI-driven process att vara effektiv. I sådana fall kan en traditionell ansats som drivs av människor fungera bättre, särskilt om ni främst har kvalitativ data. Samma sak gäller om ni bara har ett litet antal kunder.

• Datakvalitet: Kvaliteten på resultaten som genereras av AI kommer bara att vara så bra som kvaliteten på data som ni matar in i systemet. Därför, om er data inte är korrekt, kommer er segmentering inte att vara det heller.

• Etiska överväganden: Se till att ni inte inkluderar känslig data och kriterier i modellen. Detta är ett misstag som många företag har gjort, och det har kostat dem både pengar och deras rykte. Till exempel har hypoteksföretag i USA varit under eld för påstådd rasprofilering av deras AI-algoritmer.

• CRM-beredskap: Eftersom ML är en sådan ny teknologi är många CRM-system (kundrelationshantering) inte utrustade för att hantera det. Därför kräver en korrekt integration av segment i affärsverksamheten (marknadsföringskampanjer, kontaktytor, försäljningsstrategi) extra arbete. Många gånger hoppar ägare in direkt utan att överväga alla processer som är inblandade, och detta leder till problem när de försöker utnyttja AI.

• Anställdas utbildning: Anställda behöver ytterligare utbildning för att fullständigt förstå AI-segmenteringsansatser. Dessutom är det troligt att ni kommer att stöta på motstånd eftersom AI-resultat kan motsäga deras intuition. För att övervinna förtroendehindret bör ni visa upp några av dess positiva tillämpningar och använda AI på ett ansvarsfullt sätt.

• Segmentkvalitet: Liksom traditionell segmentering bör segmenten som ni får från ML-modellen uppfylla vissa kriterier och valideras:

  • Utförbara

  • Stabila

  • Tillräckligt stora

  • Särskiljbara

• Domänkunskap och tolkning: Att integrera och hantera ert företags kunskap är mycket viktigt i varje steg, från dataförberedelse till validering av modellens resultat. Dessutom bör ni komma ihåg att även en perfekt maskinlärningsmodell inte kommer att ge er 100% noggrannhet. Här är var ert domänexperis behövs, och varför det är mycket viktigt för AI och människor att arbeta tillsammans. Ett annat misstag jag har sett ofta är att beslutsfattare delegerar allt till AI och blind implementerar deras förslag utan ytterligare frågor. Detta kommer troligen att leda till ogynnsamma resultat. Dessutom bör vi komma ihåg att vi är människor, och våra förutfattningar är fortfarande närvarande när vi tolkar data. Att vara medveten om detta kan hjälpa oss att vara mindre sårbara för potentiella misstag.

• Modelluppdateringar: Om ni har en dynamisk kundbas eller en hög kundomsättning, förändras era kunders beteende och preferenser ofta. Se därför till att ni uppdaterar modellen regelbundet och inte förlitar er på föråldrade segment.

Steg-för-steg-guide till AI-aktiverad kundsegmentering

Nu när ni är medvetna om utmaningarna, här är en steg-för-steg-guide för att hjälpa er implementera AI och framgångsrikt integrera det i era kundsegmenteringsprocesser.

1. Definiera ert segmenteringsmål. Detta inkluderar att förstå de olika kriterierna under vilka ni kommer att klassificera era kunder. Här igen behövs både insikter genererade av AI och er perspektiv som expert inom området. Tillsammans kommer ni att upptäcka nya kundsegment och kunna anpassa era marknadsföringskampanjer för att uppnå bättre resultat.

2. Garant för data tillgänglighet: Se till att AI har tillgång till omfattande kunddata, eller om er data är ofullständig, hitta ett sätt att hantera det. En möjlig lösning kan vara att använda den blandade modellansatsen. Vi sa det tidigare, men det kan inte betonas nog: resultaten kommer bara att vara så bra som data som AI har att arbeta med.

3. Hantera data begränsningar: Om ni har begränsad data, välj ett slumpmässigt urval från er kunddatabas och samla in ytterligare data från dem. Använd sedan den blandade ansatsen för att maximera era resultat.

4. Välj er modellansats och tillämpa den valda modellen på de data som erhållits

5. Välj det optimala antalet segment: Det finns olika tekniker för att beräkna det optimala antalet segment. De mest populära är armbågsregeln och gap-analys.

6. Förstå segmentens differentierande kriterier och tolka resultaten: Vilka är de nyckelvariabler som era kunder kommer att identifieras av? Vilka är deras uppfattningar, och hur kan de marknadsföras? För att segmenteringsprocessen ska fungera, måste ni, efter att ha validerat modellens noggrannhet, granska de olika segmenten och bestämma om de variabler som driver dessa segment tillräckligt väl tillämpas på er affärsmodell.

Sist men inte minst, som en resurs för lämplig segmenteringsvisualisering, använder jag parallella koordinater, där jag identifierar fyra segment: högvärdeskunder, budgetkunder, teknikentusiaster och oregelbundna kunder. Jag mäter kategorier som månatliga utgifter och inköpsfrekvens för var och en av dessa segment, eftersom det hjälper mig att ha en bättre förståelse för mina kunder.

Slutliga tankar

Som vi har diskuterat kan AI-aktiverad kundsegmentering hjälpa B2B-företag att få en tydligare bild av vem deras kunder är och vad som driver deras beslutsfattande. När ni har denna information kan ni utnyttja den för att skapa anpassade kampanjer och upplevelser som lägger till mer värde för era kunder.

Genom att följa den vägledning som presenteras i den här guiden kan ni utnyttja AI-algoritmer för att förbättra era företags segmenteringsprocesser och fatta datadrivna beslut som driver er tillväxt och ökar era kundnöjdhets-KPI:er, vilket skapar en bättre koppling till era kunder och en solid känsla av lojalitet till er varumärke.

Detta är alltmer viktigt i B2B-världen, och särskilt för högteknologiska produkter, eftersom kundernas behov förändras snabbt och tekniska förväntningar utvecklas snabbt. Att korrekt segmentera era kunder kan göra skillnaden mellan att leverera en toppklassprodukt och något som inte uppnår relevant produkt-marknadsanpassning.