Tanke ledare
Aktivera AI-driven kundsegmentering för B2B-företag: En färdplan
Ingersoll Rand är baserat i North Carolina och är ett av världens ledande konglomerat. Företaget har flera affärslinjer, inklusive tryckluftssystem, HVAC-lösningar och avancerade tekniska produkter som vänder sig till olika branscher, såsom vetenskapliga laboratorier och lasttransportföretag. Den har också en närvaro i över 175 länder, främst verksam inom B2B-segmentet.
Med det i åtanke är det lätt att föreställa sig hur komplicerat det kan vara att tillfredsställa alla deras kunder, varför Ingersoll Rand tog till AI för att förstå dem bättre.
By utnyttja AI för att segmentera deras omfattande och mycket varierande kundbas, kunde företaget skapa skräddarsydda kampanjer som presterade mycket bättre på nyckeltal som öppningsfrekvenser, klickfrekvenser och konverteringar. Vissa av dessa kampanjer segmenterades efter geografi, medan andra var efter typ eller storlek på verksamheten, och andra var en kombination av allt ovanstående. Detta hjälpte företagets ledare att förstå att de hade några unika segment som de inte hade tagit sig tid att utveckla tidigare. Faktum är att utan AI kanske de inte hade märkt att dessa segment existerade.
Ingersoll Rands framgångar visar något som alla företagsledare måste förstå. Dagens landskap är hyperkonkurrenskraftigt, därför är det viktigt att förstå dina kunder. Kunder som inte känner sig erkända eller som inte får sina behov tillgodosedda av din produkt eller tjänst kan lätt få sig att övergå till ett konkurrerande företags erbjudande.
För att förbättra dina chanser att på ett adekvat sätt förstå vad dina kunder förväntar sig måste du dela in dem i rätt segment, eftersom bara på det sättet kommer du att veta säkert vad deras gemensamma egenskaper, beteenden och preferenser är. Baserat på dessa segment kan du skapa skräddarsydda marknadsföringskampanjer och personliga produkterbjudanden, som i hög grad förbättrar dina omvandlingsfrekvenser.
Genom att ta till sig teknologier som artificiell intelligens (AI) och maskininlärning (ML) kan företag ge ett uppsving för sina kundsegmenteringsinsatser. Men liksom alla tekniska innovationer måste de antas strategiskt.
Här är en guide som hjälper dig att uppnå det.
Varför kundsegmentering är viktig och hur kan AI hjälpa?
I grund och botten kan AI hjälpa oss genom att överskrida våra fördomar och konventionella metoder för att segmentera våra kunder. Eftersom dess segmenteringsprocess enbart drivs av data, kan vi sedan lära oss om kundsegment som vi inte hade tänkt på, och detta avslöjar unik information om våra kunder.
För att illustrera ytterligare, låt oss titta på följande exempel.
Ett företag som är specialiserat på jordbruksutrustning och förnödenheter siktar på att utöka sitt produktutbud. Företaget genomför segmentering för att se till att de nya produkterna är relevanta.
Tidigare förlitade sig verksamheten på ett konventionellt tillvägagångssätt för segmentering, som kategoriserade kunder efter geografisk plats, baserat på det underliggande antagandet att bönder från samma region skulle ha liknande behov. Till exempel skulle de annonsera en traktor fokuserad på de egenskaper de uppfattade som gemensamma drag mellan gårdarna i den amerikanska mellanvästern, som väderförhållanden.
Men när de implementerade AI insåg företaget att geografisk segmentering inte var rätt tillvägagångssätt. Genom att samla in omfattande data (inklusive inköpshistorik, gårdsstorlek, typer av odlade grödor, använda bevattningsmetoder, teknikantagande, automatiseringshastighet och mer) och låta AI-algoritmer analysera det, upptäckte företaget att gårdens storlek är en av de mest kritiska faktorer som påverkar en lantbrukares köpbeslut. Det kan tyckas självklart: lantbrukare med större gårdar har tydliga behov än de som har mindre fastigheter. Ledarna för jordbruksutrustningsföretagen var dock fortfarande inställda på att sälja genom geografisk segmentering, och i sig hade de kanske aldrig ändrat den här processen, även om den inte gav de bästa resultaten.
Med detta sagt, hur kan vi köra den här processen?
Olika tillvägagångssätt för kundsegmentering
För att avgöra vilken modell som ska tillämpas på din kundsegmenteringsmetod måste du överväga:
Vilken data har jag tillgänglig? Med andra ord, vad vet jag?
Vilka är mitt företags mål?
Vad vet jag om mina kunder?
Baserat på detta kan du antingen tillämpa en oövervakad modell, en övervakad modell eller följa det blandade tillvägagångssättet.
Oövervakad (K-Means-klustring, DBSCAN, GMM): Denna modell förlitar sig inte på fördefinierade etiketter och träningsdata, utan beräknar istället de optimala segmenten från början. Du kan använda de oövervakade algoritmerna:
När du inte har specifika segment i åtanke, särskilt när du använder AI-segmentering för första gången och inte har tidigare tränade datauppsättningar
När du har en dynamisk verksamhet med en snabbt föränderlig kundbas, och du vill identifiera nya segment
Övervakad maskininlärning (regressionsmodell, beslutsträd, slumpmässig skog): Vi kan tillämpa detta tillvägagångssätt om vi har en märkt träningsdatauppsättning, t.ex. från tidigare segmentering eller domänkunskap. Den övervakade ML-modellen kan sedan tillämpas på nya kunder, eller kunder för vilka segmentet inte är tydligt
Det blandade tillvägagångssättet kombinerar att använda oövervakad inlärning för att identifiera segment och sedan använda dessa segment som etiketter för att träna en övervakad modell. Denna utbildade modell kan användas för att klassificera nya kunder, eller för att skapa ett segment för kunder från vilka vi inte har fullständig data.
Var försiktig när du tillämpar den blandade metoden utan slumpmässigt urval. Om du bara väljer de kunder som du har fullständig information om, så kommer du med största sannolikhet att välja dina mer lojala kunder, vilket kanske inte är en rättvis representation av hela gruppen. Detta kommer att resultera i ett partiskt urval, och dessa fördomar kommer bara att överföras till AI.
Utmaningar och vanliga misstag
AI är inte utan sina utmaningar. Av min erfarenhet är här några av de vägspärrar som du med största sannolikhet kommer att stöta på när du lär dig att bemästra repen.
Tydlig segmentering: Många företag är inte klara över varför de segmenterar. Utan detta syfte är det svårt för en AI-körd process att vara effektiv. I de fallen kan ett traditionellt tillvägagångssätt som drivs av människor fungera bättre, särskilt om man huvudsakligen har kvalitativ data. Detsamma gäller om du bara har ett fåtal kunder.
Datakvalitet: Kvaliteten på de resultat som AI ger kommer bara att vara lika bra som kvaliteten på den data som du matar systemet. Därför, om din data inte är korrekt, kommer din segmentering inte att vara det heller.
Etiska överväganden: Se till att du inte inkluderar känsliga uppgifter och kriterier i modellen. Detta är ett misstag många företag har gjort, och det har kostat dem både pengar och deras rykte. Till exempel, i USA, har bolåneföretag varit under eld för påstådd rasprofilering av deras AI-algoritmer.
CRM-beredskap: Eftersom ML är en så begynnande teknologi är många CRM-system (customer relation management) inte utrustade för att hantera det. Därför kräver en korrekt integrering av segment i affärsverksamheten (marknadsföringskampanjer, kontaktpunkter, säljstrategi) ytterligare arbete. Många gånger hoppar ägare in direkt utan att överväga alla processer som är involverade, och detta leder till hicka när de försöker utnyttja AI.
Personalutbildning: Anställda måste utbildas ytterligare så att de till fullo kan förstå AI-segmenteringsmetoder. Det är också troligt att du kommer att hitta lite motstånd eftersom AI-resultat kan motsäga deras intuition. För att övervinna förtroendebarriären, visa upp några av dess positiva tillämpningar och använd AI på ett ansvarsfullt sätt.
Segmentkvalitet: I likhet med traditionell segmentering bör segmenten du får från ML-modellen uppfylla nyckelkriterier och vara validerade:
angripbara
Stabil
Tillräckligt stor storlek
deriverbar
Domänkunskap och tolkning: Att integrera och adekvat hantera ditt företags kunskap är mycket viktigt i varje steg på vägen, från dataförberedelse till validering av modellens resultat. Tänk också på att inte ens en perfekt maskininlärningsmodell ger dig 100 % noggrannhet. Här behövs din domänexpertis 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 blint implementerar sina förslag utan ytterligare frågor. Detta kommer sannolikt att leda till ogynnsamma resultat. Låt oss också komma ihåg att i slutet av dagen är vi människor, och våra fördomar är fortfarande närvarande när vi tolkar data. Att vara medveten om detta kan hjälpa oss att bli mindre sårbara för potentiella misstag.
Modelluppdateringar: Om du har en dynamisk kundbas eller om du har hög kundomsättning ändras ofta dina kunders beteende och preferenser. Se därför till att du uppdaterar modellen regelbundet och inte lita på föråldrade segment.
Steg-för-steg-guide till AI-aktiverad kundsegmentering
Nu när du är medveten om utmaningarna, här är en steg-för-steg-guide som hjälper dig att implementera AI och framgångsrikt integrera den i dina kundsegmenteringsprocesser.
Definiera ditt segmenteringsmål. Detta inkluderar att förstå de olika kriterierna under vilka du kommer att klassificera dina kunder. Här behövs återigen både de insikter som genereras av AI och ditt perspektiv som expert på området. Tillsammans kommer ni att upptäcka nya kundsegment och kunna anpassa era marknadsföringskampanjer för att uppnå bättre resultat.
Garantera datatillgänglighet: Se till att AI har tillgång till omfattande kunddata, eller om din data är ofullständig, hitta ett sätt att hantera det. Ett sätt att göra det kan vara att använda den blandade modelleringsmetoden. Vi har sagt det tidigare, men det kan inte betonas nog: Resultaten kommer bara att bli lika bra som den data som AI har att arbeta med.
Hantera databegränsningar: Om du har begränsad data, välj ett slumpmässigt urval från din kunddatabas och samla in ytterligare data från dem. Använd sedan den blandade metoden för att maximera dina resultat.
Välj din modelleringsmetod och tillämpa den valda modellen på de data som erhålls
Välj det optimala antalet segment: Det finns olika tekniker för att beräkna det optimala antalet segment. De mest populära är armbågsregeln och gapanalys.
Förstå segmentens särskiljande kriterier och tolka resultaten: Vilka är de nyckelvariabler som dina kunder kommer att identifieras med? Vilka är deras uppfattningar och hur kan de marknadsföras till? För att segmenteringsprocessen ska fungera, efter att ha validerat modellens noggrannhet, måste du granska de olika segmenten och avgöra om variablerna som driver dessa segment är tillämpliga på din affärsmodell.
Sist men inte minst, som en resurs för adekvat segmenteringsvisualisering, använder jag parallella koordinater, där jag identifierar fyra segment: prisvärda shoppare, budgetshoppare, teknikentusiaster och tillfälliga shoppare. Jag mäter kategorier som månatliga utgifter och köpfrekvens för vart och ett av dessa segment eftersom detta hjälper mig att få en bättre förståelse för mina kunder.
Avslutande tankar
Som vi har diskuterat kan AI-driven kundsegmentering hjälpa B2B-företag att få en tydligare syn på vilka deras kunder är och drivkrafterna bakom deras beslutsfattande. När du har den här informationen kan du använda den för att skapa personliga kampanjer och upplevelser som tillför mer värde för dina kunder.
Genom att följa färdplanen som beskrivs i den här guiden kan du utnyttja AI-algoritmer för att öka ditt företags segmenteringsprocesser och fatta datadrivna beslut som driver din tillväxt och ökar dina KPI:er för kundnöjdhet, vilket främjar en bättre kontakt med dina kunder och en solid känsla av lojalitet till ditt varumärke.
Detta blir allt viktigare i B2B-världen, och särskilt för högteknologiska produkter, eftersom kundernas behov förändras snabbt och tekniska förväntningar utvecklas snabbt. Adekvat segmentering av dina kunder kan göra skillnaden mellan att leverera en förstklassig produkt och något som inte når den relevanta produktmarknadsanpassningen.
