Включення сегментації клієнтів на основі штучного інтелекту для компаній B2B: Дорожня карта

Базуючись у Північній Кароліні, Ingersoll Rand є одним з світових лідерів конгломератів. Компанія має кілька напрямків бізнесу, включаючи системи стисненого повітря, рішення HVAC та передові технологічні продукти, які задовольняють різноманітні галузі, такі як наукові лабораторії та компанії з транспортування вантажів. Вона також присутня у понад 175 країнах, працюючи переважно у сегменті B2B.

З урахуванням цього, легко уявити, наскільки складно задовольнити всіх своїх клієнтів, тому Ingersoll Rand звернувся до штучного інтелекту, щоб краще зрозуміти їх.

Відповідно до використання штучного інтелекту для сегментації їх розгалуженої та дуже різноманітної клієнтської бази, компанія змогла створити цілеспрямовані кампанії, які показали значно кращі результати за такими показниками, як відкритість, кліки та конверсії. Деякі з цих кампаній були сегментовані за географічним принципом, інші – за типом або розміром бізнесу, а деякі – за комбінацією всіх цих факторів. Це допомогло лідерам компанії зрозуміти, що в них є унікальні сегменти, які вони не мали часу розвинути раніше. Насправді, без штучного інтелекту, вони могли б не помітити існування цих сегментів.

Успіх Ingersoll Rand показує те, що всі бізнес-лідери повинні зрозуміти. Сучасний ландшафт надзвичайно конкурентний, тому розуміння клієнтів є критично важливим. Клієнти, які не відчувають себе визнаними або які не отримують задоволення від вашого продукту чи послуги, можуть легко перейти до пропозиції конкурента.

Щоб покращити свої шанси на адекватне розуміння того, чого очікують клієнти, вам потрібно розділити їх на правильні сегменти, оскільки тільки так ви будете знаєте точно, які спільні характеристики, поведінка та переваги вони мають. На основі цих сегментів ви можете створити цілеспрямовані маркетингові кампанії та персоналізовані пропозиції продуктів, які значно підвищують ваші показники конверсій.

Відповідно до прийняття технологій, таких як штучний інтелект (AI) та машинне навчання (ML), компанії можуть підтримати свої зусилля щодо сегментації клієнтів. Однак, як і всі технологічні інновації, вони повинні бути прийняті стратегічно.

Ось посібник, який допоможе вам досягнути цього.

Чому сегментація клієнтів має значення, і як може допомогти штучний інтелект?

Базично, штучний інтелект може допомогти нам, перевершуючи наші упередження та традиційні методи сегментації клієнтів. Оскільки процес сегментації здійснюється лише на основі даних, ми можемо дізнатися про клієнтські сегменти, про які ми не думали, і це відкриває унікальну інформацію про наших клієнтів.

Щоб проілюструвати це більш детально, розгляньмо наступний приклад.

Компанія, яка спеціалізується на сільськогосподарському обладнанні та постачаннях, планує розширити свій асортимент продукції. Компанія проводить сегментацію, щоб забезпечити актуальність нових продуктів.

Раніше бізнес використовував традиційний підхід до сегментації, категоризуючи клієнтів за географічним розташуванням, виходячи з припущення, що фермери з однієї й тієї ж області будуть мати схожі потреби. Наприклад, вони рекламували трактор, орієнтований на характеристики, які вони вважали спільними для ферм у Середньому Заході США, таких як погодні умови.

Однак після впровадження штучного інтелекту компанія зрозуміла, що географічна сегментація не була правильним підходом. Зібравши великий обсяг даних (включаючи історію покупок, розмір ферми, типи вирощуваних культур, методи зрошення, рівень технологічної оснащеності, рівень автоматизації тощо) та дозволивши алгоритмам штучного інтелекту проаналізувати їх, компанія виявила, що розмір ферми є одним з найкритичніших факторів, які впливають на рішення про покупку фермером. Це може здатися очевидним: фермери з великими фермами мають відмінні потреби порівняно з тими, хто має менші володіння. Однак лідери компанії все ще були орієнтовані на продаж через географічну сегментацію, і без штучного інтелекту вони могли б не змінили цей процес, хоча він не давав найкращих результатів.

Відповідно до цього, як ми можемо здійснювати цей процес?

Різні підходи до сегментації клієнтів

Щоб визначити, яку модель застосувати до підходу до сегментації клієнтів, вам потрібно розглянути:

• Які дані у мене доступні? Інакше кажучи, що я знаю?

• Які цілі мого бізнесу?

• Що я знаю про своїх клієнтів?

На основі цього ви можете застосувати модель без нагляду, модель з наглядом або слідувати змішаному підходу.

• Без нагляду (K-Means кластеризація, DBSCAN, GMM): Ця модель не залежить від попередньо визначених міток та навчальних даних, а натомість обчислює оптимальні сегменти з нуля. Ви можете застосувати алгоритми без нагляду:

  • Коли ви не маєте конкретних сегментів на увазі, особливо коли ви застосовуєте сегментацію штучного інтелекту вперше і не маєте попередньо навчених наборів даних

  • Коли у вас є динамічний бізнес з швидко змінюваною клієнтською базою, і ви хочете ідентифікувати нові сегменти

• Модель з наглядом (модель регресії, дерево рішень, випадковий ліс): Ми можемо застосувати цей підхід, якщо у нас є міткований навчальний набір даних, наприклад, з попередньої сегментації або галузевих знань. Модель з наглядом може потім бути застосована до нових клієнтів або клієнтів, для яких сегмент неясний

Змішаний підхід поєднує використання моделі без нагляду для ідентифікації сегментів, а потім застосування цих сегментів як міток для навчання моделі з наглядом. Ця навчена модель може бути використана для класифікації нових клієнтів або для створення сегмента для клієнтів, про яких у нас немає повних даних.

Будьте обережні при застосуванні змішаного підходу без випадкової вибірки. Якщо ви вибираєте лише тих клієнтів, про яких у вас є повні дані, то, найімовірніше, ви виберете своїх найбільш лояльних клієнтів, які можуть не бути справедливим представленням усієї групи. Це призведе до упередженого вибору, і ці упередження будуть передані штучному інтелекту.

Виклики та поширені помилки

Штучний інтелект не позбавлений викликів. З мого досвіду, ось деякі з перешкод, з якими ви, найімовірніше, зустрінетеся, коли будете вивчати штучний інтелект.

• Чітка сегментація: Багато компаній не мають чіткого розуміння, чому вони проводять сегментацію. Без цієї мети важко зробити штучно інтелектуальний процес ефективним. У таких випадках традиційний підхід, керований людьми, може працювати краще, особливо якщо у вас переважно кваліфіковані дані. Те ж саме стосується ситуації, коли у вас є лише невелика кількість клієнтів.

• Якість даних: Якість результатів, отриманих штучним інтелектом, буде лише такою ж хорошою, як і якість даних, які ви надаєте системі. Тому, якщо ваші дані не точні, ваша сегментація також не буде точною.

• Етичні розгляди: Переконайтеся, що ви не включили чутливі дані та критерії до моделі. Це помилка, якої припустилися багато компаній, і вона коштувала їм як грошей, так і репутації. Наприклад, у США іпотечні компанії піддалися критиці за вказівку на расову дискримінацію їхніх алгоритмів штучного інтелекту.

• Готовність CRM: Оскільки ML є ще досить молодою технологією, багато систем управління відносинами з клієнтами (CRM) не обладнані для роботи з ним. Тому правильна інтеграція сегментів до бізнес-операцій (маркетингових кампаній, точок контакту, стратегії продажів) потребує додаткової роботи. Часто власники компанії починають роботу без урахування всіх процесів, залучених до цього, і це призводить до проблем при спробі використання штучного інтелекту.

• Навчання працівників: Працівники потребують додаткового навчання, щоб вони могли повністю зрозуміти підходи до сегментації штучного інтелекту. Також ймовірно, що ви зустрінете деякий опір, оскільки результати штучного інтелекту можуть суперечити їхній інтуїції. Щоб подолати бар’єр довіри, продемонструйте деякі з його позитивних застосувань і використовуйте штучний інтелект відповідально.

• Якість сегмента: Подібно до традиційної сегментації, сегменти, отримані з моделі ML, повинні задовольняти ключові критерії та бути перевірені:

  • Діяльність

  • Стабільність

  • Достатній розмір

  • Розрізнюваність

• Доменні знання та інтерпретація: Інтеграція та адекватне управління знаннями вашого бізнесу є дуже важливим на кожному етапі, від підготовки даних до перевірки результатів моделі. Також пам’ятайте, що навіть ідеальна модель машинного навчання не дасть вам 100% точності. Саме тут потрібні ваші знання галузі, і саме тому важливо, щоб штучний інтелект і люди працювали разом. Інша помилка, яку я часто бачу, полягає в тому, що рішення приймають, делегуючи все штучному інтелекту, і беззаперечно впроваджуючи його пропозиції без подальшого питання. Це, найімовірніше, призведе до несприятливих результатів. Також не забуваймо, що в кінцевому підсумку ми люди, і наші упередження все ще присутні при інтерпретації даних. Бути обізнаним про це може допомогти нам бути менш вразливими до потенційних помилок.

• Оновлення моделі: Якщо у вас є динамічна клієнтська база або ви маєте високу клієнтську ротацію, поведінка та переваги клієнтів часто змінюються. Тому переконайтеся, що ви оновлюєте модель регулярно і не покладаєтесь на застарілі сегменти.

Покроковий посібник до сегментації клієнтів з використанням штучного інтелекту

Тепер, коли ви знаєте про виклики, ось покроковий посібник, який допоможе вам впровадити штучний інтелект і успішно інтегрувати його до процесів сегментації клієнтів.

1. Визначте свою мету сегментації. Це включає розуміння різних критеріїв, за якими ви будете класифікувати клієнтів. Тут знову потрібні як знання, отримані штучним інтелектом, так і ваша перспектива як експерта в галузі. Разом ви будете відкривати нові клієнтські сегменти і зможете персоналізувати маркетингові кампанії для досягнення кращих результатів.

2. Гарантуйте доступність даних: Переконайтеся, що штучний інтелект має доступ до повних клієнтських даних, або якщо ваші дані неповні, знайдіть спосіб їх доповнити. Одним із способів зробити це може бути використання змішаного підходу. Ми вже говорили про це, але це не можна надто підкреслити: результати будуть лише такими ж хорошими, як і дані, з якими працює штучний інтелект.

3. Вирішіть проблему обмежень даних: Якщо у вас обмежені дані, виберіть випадкову вибірку з клієнтської бази даних і зіберіть додаткові дані від них. Потім застосуйте змішаний підхід, щоб максимізувати результати.

4. Виберіть свій підхід до моделювання та застосуйте вибрану модель до отриманих даних

5. Виберіть оптимальну кількість сегментів: Існує кілька технік для розрахунку оптимальної кількості сегментів. Найпопулярніші з них – правило ліктя та аналіз розриву.

6. Розумійте критерії, що відрізняють сегменти, та інтерпретуйте результати: Які ключові змінні, за якими будуть ідентифіковані клієнти? Які їхні сприйняття, і як їх можна просувати? Для процесу сегментації потрібно, щоб після перевірки точності моделі ви переглянули різні сегменти та визначили, чи адекватно змінні, які керують цими сегментами, застосовуються до вашої бізнес-моделі.

Останнє, але не менш важливе, як ресурс для адекватної візуалізації сегментації, я застосовую паралельні координати, у яких ідентифікую чотири сегменти: клієнти з високими покупками, клієнти з обмеженим бюджетом, ентузіасти технологій та випадкові покупці. Я вимірюю категорії, такі як місячні витрати та частота покупок для кожного з цих сегментів, оскільки це допомагає мені краще зрозуміти клієнтів.

Завершальні думки

Як ми обговорювали, сегментація клієнтів на основі штучного інтелекту може допомогти компаніям B2B отримати чітке бачення того, хто їхні клієнти та які є чинниками, що впливають на їхнє рішення. Як тільки ви маєте цю інформацію, ви можете використати її для створення персоналізованих кампаній та досвіду, які додають більше цінності клієнтам.

Відповідно до послідовності, викладеної в цьому посібнику, ви можете використати алгоритми штучного інтелекту для підтримки процесів сегментації клієнтів та прийняття рішень, які сприяють зростанню вашого бізнесу та підвищенню показників клієнтської задоволеності, створюючи міцніше зв’язок з клієнтами та відчуття лояльності до вашого бренду.

Це все дедалі важливіше у світі B2B, особливо для високотехнологічних продуктів, оскільки потреби клієнтів швидко змінюються, а технологічні очікування еволюціонують швидко. Адекватна сегментація клієнтів може зробити різницю між поставкою продукції найвищого рівня та тієї, яка не досягає відповідного продукту-ринку.