Machine Learning und Predictive Analytics im B2B
Veröffentlicht: 2017-08-01Vor etwas mehr als drei Jahren habe ich eine Reihe von Beiträgen über den Druck geschrieben, den der Online-Handel auf den traditionellen stationären Handel ausübt. Von Giganten der Vergangenheit wie Borders bis hin zu heute gefährdeten Unternehmen wie Sears haben Unternehmen, die nicht auf breite Veränderungen der Verbrauchererwartungen reagiert haben, ihre Türen geschlossen oder kämpfen darum, sie offen zu halten.
Seien wir aber fair. Der physische Einzelhandel ist nicht zum Scheitern verurteilt. Es ist ein Puzzleteil in der Omni-Channel-Welt. Es ist einfach nicht mehr das Herzstück. Erfolgreiche Unternehmen achten genau auf Kundendaten, lernen oder prognostizieren die Handlungen ihrer Kunden und treiben das Kundenerlebnis auf ein völlig neues Niveau. Ein Niveau, das die neue Grundlage dafür darstellt, wie man im Einzelhandel wettbewerbsfähig und erfolgreich ist.
Und wenn Sie im B2B-Bereich tätig sind, hoffe ich, dass Sie aufpassen.
In den letzten 20 Jahren habe ich vielen Unternehmen geholfen, sowohl B2C- als auch B2B-Sites zu implementieren. Die Herausforderungen sind in gewisser Weise unterschiedlich, aber die Erwartungen derjenigen, die mit einer Website interagieren, konvergieren seit Jahren. Und da Unternehmen wie Amazon in der B2B-Welt weiter expandieren, können Sie sicher sein, dass die Nachfrage nach einem „intelligenteren“ Erlebnis wachsen wird.
Die meisten Unternehmen im B2B-Bereich verwenden Webanalysen, um die Grundlagen zu verfolgen; Seitenaufrufe, Besucher, Absprungrate und ähnliche Metriken. Heute ist das die untere Messlatte.
Der wahre Wert, der sich aus der Art und Weise ziehen lässt, wie Kunden mit einer Website interagieren, steckt nicht in einem obskuren Google Analytics-Bericht. Es ist in der Fülle von Daten vergraben, die aus Kundeninteraktionen gesammelt werden können. Für kleine und große Unternehmen kann die Welt der Datenwissenschaft einschüchternd sein, und zu wissen, wo man anfangen soll, kann einem den Kopf verdrehen.
Aber ignorieren Sie dies auf eigene Gefahr.
OK, eine vollständige Diskussion über Data Science geht über das hinaus, was in einem Blog möglich ist, aber hier sind einige wichtige Punkte, die alle im B2B-Bereich wissen sollten:
- Es ist entscheidend, schnell und genau auf Änderungen im Kundenverhalten reagieren zu können. Die Tage, an denen Sie eine Woche oder länger brauchten, um Berichte zu lesen und herauszufinden, was Ihre Kunden wollen, sind lange vorbei.
- Predictive Analytics und maschinelles Lernen sind hier, um zu bleiben, und Unternehmen, die diese Techniken einsetzen, werden diejenigen ausmanövrieren, die dies nicht tun.
- Ihre Handelsplattform ist möglicherweise nicht in der Lage, alle erforderlichen Daten zu sammeln. Es ist ein Teil des Puzzles und es gibt andere Quellen, die berücksichtigt werden müssen.
Wie also können B2B-Unternehmen Predictive Analytics und maschinelles Lernen nutzen? Hier sind ein paar Anwendungsfälle, die ich gesehen habe:
Kundenklassifizierung
Das Verständnis von Verhaltenstendenzen von Kunden und deren Gruppierung mit ähnlichen Kunden kann eine effektive Möglichkeit sein, Marketing- und Merchandising-Bemühungen zu fokussieren. Eine Klassifizierung, die die meisten wahrscheinlich gesehen haben, ist der „VIP-Kunde“, aber zu oft entscheiden B2B-Unternehmen einfach anhand einer einzigen Metrik, was einen VIP ausmacht. Eine Implementierung, die ich gesehen habe, klassifiziert einfach jeden Kunden, der über 100 US-Dollar eingekauft hat, als VIP und platziert ein kleines Abzeichen im Online-Profil des Kunden. Das ist nicht wirklich eine Klassifizierung; es ist näher an der Gamifizierung, die dem Kunden eine Art Erfolgserlebnis gibt und hoffentlich seine Loyalität stärkt.
Die echte Klassifizierung basiert auf einer Reihe von Datenmerkmalen, die über alle aktuellen Kundenaktivitäten hinweg gemessen wurden. Mit anderen Worten, ob jemand ein echter VIP-Kunde ist oder nicht, wird sich im Vergleich zum gesamten Kundenstamm ändern.
Die Kenntnis der Kundenklassifizierung und die Fähigkeit, ein Klassifizierungsmodell zu verwenden, um eine Gruppe vorherzusagen, zu der ein neuer Kunde wahrscheinlich gehört, kann sehr hilfreich sein, um zu bestimmen, welche Werbeaktionen einem Kunden angezeigt werden sollen, während er auf der Website oder per E-Mail ist. In einer kürzlich von uns für ein B2B-Unternehmen durchgeführten Implementierung von maschinellem Lernen haben wir Kunden in mehrere Segmente gruppiert, indem wir Daten aus einem jüngeren Zeitraum verwendet haben:
- VIP-Käufer: Die höchste Kundenstufe, basierend auf dem Wert der Conversions und der Anzahl der Conversions.
- Engagierter Käufer: Eine große Anzahl von Besuchen, ein aktiver Warenkorb, zahlreiche Produktansichten und mindestens eine Conversion.
- Schaufensterbummel: Mehrere Besuche, zahlreiche Produktansichten
Diese Informationen wurden nicht mit dem Kunden geteilt – es handelt sich nicht um eine öffentliche Auszeichnung, sondern um einen internen Hinweis darauf, wie man mit einem Kunden interagiert. Mit diesen Informationen können Vermarkter während eines Besuchs gezielte Werbeaktionen auf der Website anzeigen. Wenn ein Kunde beispielsweise in die Klassifizierung „Engagierter Käufer“ fällt und einen aktiven Warenkorb hat, der über dem AOV liegt, könnte ein Coupon für kostenlosen Versand oder einen Rabatt angezeigt werden, um diesen Käufer zur Conversion zu bewegen.
Es ist auch wichtig zu beachten, dass Modelle nicht statisch sind. Sie müssen häufig neu berechnet werden. In der jüngsten Implementierung würden die Modelle alle paar Stunden neu berechnet, um sicherzustellen, dass sie so aktuell und genau wie möglich sind.
Verschreibungspflichtige Produkt- und Inhaltsplatzierung
Es gibt viele Gründe, warum sich das Kaufverhalten ändern kann. Saisonalität ist ein solcher Grund. Andere Gründe, die zu kurzfristigen Verhaltensänderungen führen können, sind Wetter, Nachrichten, Engpässe und Herstelleraktionen. Die Verwendung von Modellen zur Erkennung von Bedingungen, die „außerhalb der Erwartungen“ liegen, und zur Anpassung des Standort-Merchandising, um auf zeitkritische Anomalien zu reagieren, wird immer üblicher. Diese Technik kann verwendet werden, um Suchergebnisse, die Platzierung von Artikeln auf der Startseite, die Platzierung von Kategorieartikeln zu ändern und Benutzer zu Produktinformationen zu führen, wenn eine Suche nach einem Konkurrenzprodukt durchgeführt wird.
Funktioniert ein bestimmtes Produkt besser, wenn es oben auf der Startseite angezeigt wird? Manche tun es, manche nicht. Durch maschinelles Lernen kann die optimale Platzierung von Produkten anhand einer jüngsten Aktivitätshistorie wie Konvertierungen und Hinzufügen von Einkaufswagen ermittelt werden. Bei der Einführung eines neuen Produkts können ähnliche Modelle verwendet werden, um eine beste Platzierung für eine optimale Leistung basierend auf Produktattributen vorherzusagen.
Verbesserung der Personalisierung
Die Personalisierung auf den meisten B2C-Websites hat noch einen langen Weg vor sich. Und auf B2B-Websites steckt es noch in den Kinderschuhen. Während es möglich ist, Käufer in einer Kohorte zu gruppieren und ihnen ähnliche Artikel zu zeigen, macht es maschinelles Lernen möglich, diese Kohorten zu verkleinern und so ein einzigartigeres Erlebnis für Ihre B2B-Kunden zu erreichen. Dies kann besonders wirkungsvoll sein, wenn es mehrere B2B-Käufer von einem einzelnen Kunden gibt.
Um sich auf ein einzigartigeres Erlebnis zuzubewegen, können maschinelle Lernmodelle entwickelt werden, die auf einer hohen Ebene beginnen und dann zu detaillierteren Ebenen fortschreiten, die einzigartige Einblicke in einen Kunden liefern.
Beginnend mit Geolokalisierung als Faktor sollte ein B2B-Verkäufer von industriellen HLK-Geräten beispielsweise andere Produkte für Kunden in Minnesota als für Kunden in Florida anbieten. Die Kaufsaisons sind nicht nur unterschiedlich, auch Ereignisse in Florida wie ein drohender Hurrikan können das Kaufverhalten kurzfristig beeinflussen. Ein richtig gestaltetes Modell kann helfen, diese Änderungen zu erkennen und den B2B-Vermarkter auf Änderungen aufmerksam zu machen, die möglicherweise eine Änderung des Website-Merchandising für eine geografische Region erfordern.
Darüber hinaus könnte ein Unternehmen Modelle entwickeln, die die optimale Sortierreihenfolge der Suchergebnisse für einen Kunden, die idealen Produkte und Kategorien für ihn sowie Vorschläge für Werbeaktionen auf der Grundlage seines jüngsten Verhaltens vorhersagen können.
In Summe
Es ist eine faszinierende Zeit, im Handel und insbesondere mit Daten zu arbeiten. Die Konvergenz von kostengünstigem Cloud-basiertem Computing und der Fülle von Daten, die aus einer Fülle von Quellen verfügbar sind (nicht zuletzt die B2B-Site eines Unternehmens) und bieten eine Menge umsetzbarer Informationen mit einer Investition von Größenordnungen von weniger als einem Jahrzehnt vor. Das rückt diese Technologie nicht nur in greifbare Nähe, sondern positioniert sie auch als zentralen Bestandteil Ihrer Beziehung zu Ihren Kunden und der Art und Weise, wie Sie Ihr Geschäft betreiben.
Diejenigen, die den Aufruf heute ignorieren, sind wahrscheinlich die Borders von morgen.