思想领袖
为B2B公司启用AI驱动的客户细分：一份路线图
总部位于北卡罗来纳州的英格索兰公司是世界领先的企业集团之一。该公司拥有多个业务线，包括压缩空气系统、暖通空调解决方案和面向多个行业（如科学实验室和货运公司）的尖端技术产品。它还在175多个国家拥有业务，主要运营于B2B领域。
考虑到这一点，很容易想象满足所有客户的需求有多复杂，这就是为什么英格索兰公司转向AI以更好地了解他们的客户。
通过利用AI对其广泛和多样化的客户群进行细分，该公司能够创建更有针对性的营销活动，这些活动在打开率、点击率和转化率等关键绩效指标（KPI）上表现得更好。其中一些活动是根据地理位置进行细分的，而其他活动则是根据业务类型或规模进行细分的，或者是以上所有因素的组合。这有助于公司领导者了解他们有一些独特的细分市场，他们以前没有时间开发这些市场。事实上，如果没有AI，他们可能不会注意到这些细分市场的存在。
英格索兰公司的成功表明了所有企业领导者必须理解的一件事。今天的竞争格局非常激烈，因此了解客户至关重要。那些感觉没有被重视或没有从产品或服务中获得满足的客户可以很容易地被说服转向竞争对手的产品或服务。
为了提高您充分理解客户期望的可能性，您必须将他们划分为正确的细分市场，因为只有这样，您才能了解他们的共同特征、行为和偏好。根据这些细分市场，您可以创建有针对性的营销活动和个性化的产品服务，这将大大提高您的转化率。
通过采用人工智能（AI）和机器学习（ML）等技术，公司可以提高客户细分的效果。然而，像所有技术创新一样，它们需要战略性地被采用。
以下是帮助您实现这一目标的指南。
为什么客户细分很重要，以及AI如何帮助?
基本上，AI可以通过超越我们的偏见和传统的客户细分方法来帮助我们。由于其细分过程仅由数据驱动，我们可以了解到以前没有想到的客户细分市场，并且可以发现关于客户的独特信息。
为了进一步说明，让我们看一下以下的例子。
一家专门从事农业设备和用品的公司正在尝试扩大其产品范围。该公司正在进行细分，以确保新产品的相关性。
在过去，该公司采用传统的细分方法，根据地理位置对客户进行分类，基于这样一个假设：来自同一地区的农民会有相似的需求。例如，他们会针对美国中西部的农场推广一款专注于该地区的气候条件的拖拉机。
然而，在实施AI之后，该公司意识到地理细分并不是正确的方法。通过收集大量数据（包括购买历史、农场规模、种植的作物类型、灌溉方法、技术采用率、自动化率等），并让AI算法分析这些数据，该公司发现农场规模是影响农民购买决策的最关键因素之一。看起来很明显：拥有较大农场的农民与拥有较小农场的农民有不同的需求。然而，农业设备公司的领导者仍然坚持通过地理位置进行销售，他们可能永远不会改变这种方法，即使它没有带来最好的结果。
话虽如此，我们如何运行这个过程呢?
客户细分的不同方法
为了确定要应用于客户细分方法的模型，您需要考虑以下几点：
-
我有哪些数据可用？换句话说，我知道什么?
-
我的业务目标是什么?
-
我对客户了解多少?
基于此，您可以应用无监督模型、有监督模型或混合方法。
-
无监督（K-Means聚类、DBSCAN、GMM）：
-
当您没有特定的细分市场概念时，特别是当您第一次应用AI细分且没有预先训练的数据集时，可以应用无监督算法
-
当您有一个动态的客户群体，客户群体正在迅速变化，您想要识别新的细分市场时，可以应用无监督算法
-
-
有监督机器学习（回归模型、决策树、随机森林）：
如果您有标记的训练数据集（例如来自以前的细分或领域知识），可以应用这种方法。然后，可以将有监督的ML模型应用于新客户，或应用于那些没有明确细分的客户。
混合方法结合使用无监督学习来识别细分市场，然后将这些细分市场作为标签来训练有监督模型。然后，可以使用该训练模型来分类新客户，或者为没有完整数据的客户创建细分市场。
在应用混合方法时，请注意不要仅选择具有完整数据的客户，因为这样可能会导致偏差的选择，这些偏差会传递给AI。
挑战和常见错误
AI并非没有挑战。根据我的经验，以下是一些您在学习掌握AI时可能会遇到的障碍。
-
明确的细分：许多公司没有明确的细分目的。没有这种目的，AI驱动的过程很难有效。对于这些情况，传统的方法由人类运营可能会更好，特别是当您主要拥有定性数据时。同样，如果您只有少数客户，也是如此。
-
数据质量：AI系统产生的结果的质量将取决于输入数据的质量。因此，如果您的数据不准确，细分也不会准确。
-
道德考虑：确保您不在模型中包含敏感数据和标准。这是一个很多公司犯过的错误，它们为此付出了代价，损害了声誉。例如，在美国，抵押贷款公司因其AI算法涉嫌种族歧视而受到批评。
-
CRM准备就绪：由于ML是一种新兴技术，许多CRM（客户关系管理）系统还没有准备好处理它。因此，将细分市场正确地集成到业务运营中（营销活动、触点、销售策略）需要额外的工作。很多时候，所有者在没有考虑所有相关流程的情况下就直接开始使用AI，这导致了在尝试利用AI时出现问题。
-
员工培训：员工需要接受进一步的培训，以便他们能够完全理解AI细分方法。此外，您可能会遇到一些抵制，因为AI的结果可能与他们的直觉相矛盾。为了克服信任障碍，展示一些AI的积极应用，并负责任地使用AI。
-
细分质量：与传统细分一样，ML模型产生的细分市场应该满足关键标准并被验证：
-
可行
-
稳定
-
规模足够大
-
可区分
-
-
领域知识和解释：在整个过程中，从数据准备到验证模型结果，整合和管理业务知识非常重要。此外，请记住，即使是完美的机器学习模型也不能提供100%的准确性。这就是需要领域专业知识的原因，也是为什么AI和人类需要共同工作的原因。另一个我常见的错误是，决策者将一切都委托给AI，并在没有进一步质疑的情况下盲目实施AI的建议。这可能会导致不利的结果。另外，让我们记住，我们是人类，我们的偏见在解释数据时仍然存在。意识到这一点可以帮助我们减少潜在错误的可能性。
-
模型更新：如果您有一个动态的客户群体，或者客户流失率很高，您的客户的行为和偏好经常会发生变化。因此，请确保定期更新模型，并不要依赖过时的细分市场。
AI启用客户细分的步骤指南
现在您已经了解了挑战，以下是步骤指南，帮助您实施AI并成功地将其集成到客户细分过程中。
-
定义您的细分目标。这包括了解您将根据哪些标准对客户进行分类。在这里，AI生成的见解和您作为该领域专家的视角都是必要的。通过共同努力，您将发现新的客户细分市场，并能够创建有针对性的营销活动以实现更好的结果。
-
确保数据可用性：确保AI可以访问全面客户数据，或者如果您的数据不完整，找到处理不完整数据的方法。我们之前提到过，但不能过度强调：结果的质量将取决于AI可以使用的数据质量。
-
处理数据限制：如果您有有限的数据，从客户数据库中选择一个随机样本，并从他们那里收集额外的数据。然后，应用混合方法来最大化您的结果。
-
选择您的建模方法并将所选模型应用于获得的数据
-
选择最优的细分数量：有多种技术可以计算最优的细分数量。最流行的方法是肘部法则和间隙分析。
-
了解细分市场的区别标准并解释结果：是什么关键变量将客户识别出来？他们的看法是什么？如何对他们进行营销？为了使细分过程有效，在验证模型准确性之后，您需要审查不同的细分市场，并确定驱动这些细分市场的变量是否适用于您的业务模型。
最后但同样重要的是，为了适当的细分可视化，我使用平行坐标，在那里我确定了四个细分市场：高价值购物者、预算购物者、科技爱好者和偶尔购物者。我通过每个细分市场的月度支出和购买频率来衡量这些类别，这有助于我更好地了解我的客户。
最后的思考
正如我们所讨论的，AI驱动的客户细分可以帮助B2B公司更清楚地了解他们的客户以及他们决策背后的驱动因素。一旦您拥有这些信息，您就可以利用它们来创建个性化的活动和体验，为您的客户增加更多的价值。
通过遵循本指南中概述的路线图，您可以利用AI算法来增强您的业务的细分过程，并做出数据驱动的决策，以推动您的增长并提高客户满意度KPI，培养与客户更好的联系和对您的品牌的忠诚度。
这在B2B世界中尤为重要，特别是对于高科技产品，因为客户的需求变化迅速，技术期望也在迅速演变。适当地细分您的客户可以在提供顶级产品和提供未能实现相关产品市场适应的产品之间产生巨大的差异。
