Machine learning e analisi predittiva nel B2B
Pubblicato: 2017-08-01Poco più di tre anni fa, ho scritto una serie di post sulle pressioni che la vendita al dettaglio online stava esercitando sui tradizionali negozi fisici. Dai colossi del passato, come Borders, a quelli oggi a rischio come Sears, le aziende che non sono riuscite a reagire ai grandi cambiamenti nelle aspettative dei consumatori hanno chiuso i battenti o stanno lottando per tenerli aperti.
Siamo onesti, però. La vendita al dettaglio fisica non è condannata. È un pezzo del puzzle nel mondo omnicanale. Non è più il fulcro. Le aziende che stanno avendo successo prestano molta attenzione ai dati dei clienti, imparano o prevedono quali saranno le azioni dei loro clienti e portano l'esperienza del cliente a un livello completamente nuovo. Un livello che è la nuova linea di base su come competere e avere successo nella vendita al dettaglio.
E se sei nello spazio B2B, spero che tu stia prestando attenzione.
Negli ultimi 20 anni ho aiutato molte aziende a implementare siti B2C e B2B. Le sfide sono per certi versi diverse, ma le aspettative di chi interagisce con un sito stanno convergendo da anni. E poiché aziende come Amazon continuano ad espandersi nel mondo B2B, puoi essere certo che la richiesta di un'esperienza "più intelligente" aumenterà.
La maggior parte delle aziende nello spazio B2B utilizza l'analisi web per tenere traccia delle basi; visualizzazioni di pagina, visitatori, frequenza di rimbalzo e metriche simili. Oggi, questa è la barra bassa.
Il vero valore che può essere estratto dal modo in cui i clienti interagiscono con un sito non è in agguato in un oscuro report di Google Analytics. È sepolto nella ricchezza di dati che possono essere raccolti dalle interazioni dei clienti. Per le aziende piccole e grandi, il mondo della scienza dei dati può intimidire e sapere da dove cominciare può far girare la testa.
Ma ignoralo a tuo rischio e pericolo.
OK, quindi una discussione completa sulla scienza dei dati va oltre ciò che è possibile in un blog, ma ecco alcuni punti chiave che tutti nello spazio B2B dovrebbero conoscere:
- Essere in grado di rispondere in modo rapido e accurato ai cambiamenti nel comportamento dei clienti è fondamentale. I giorni in cui impiegare una settimana o più per esaminare i rapporti e capire cosa vogliono i tuoi clienti sono ormai lontani.
- L'analisi predittiva e l'apprendimento automatico sono qui per restare e le aziende che utilizzano queste tecniche supereranno quelle che non lo fanno.
- La tua piattaforma commerciale potrebbe o meno essere in grado di raccogliere tutti i dati di cui hai bisogno. È un pezzo del puzzle e ci sono altre fonti da considerare.
In che modo le aziende B2B possono utilizzare l'analisi predittiva e l'apprendimento automatico? Ecco alcuni casi d'uso che ho visto:
Classificazione clienti
Comprendere le tendenze comportamentali dei clienti e raggrupparli con clienti simili può essere un modo efficace per concentrare gli sforzi di marketing e merchandising. Una classificazione che molto probabilmente ha visto è il "Cliente VIP", ma troppo spesso le aziende B2B decidono semplicemente, utilizzando un'unica metrica, cosa costituisce un VIP. Un'implementazione che ho visto classifica semplicemente qualsiasi cliente che ha acquistato più di $ 100 come VIP e ha inserito un piccolo badge sul profilo online del cliente. Questa non è davvero una classificazione; è più vicino alla ludicizzazione che dà al cliente una sorta di senso di realizzazione e, si spera, aumenta la sua fedeltà.
La classificazione reale si basa su un insieme di caratteristiche dei dati misurate su tutta l'attività recente dei clienti. In altre parole, se qualcuno è un vero cliente VIP o meno, cambierà rispetto al comportamento dell'intera base di clienti.
Conoscere la classificazione dei clienti ed essere in grado di utilizzare un modello di classificazione per prevedere un gruppo a cui è probabile che un nuovo cliente appartenga può aiutare notevolmente a determinare quali promozioni mostrare a un cliente mentre è sul sito o tramite e-mail. In una recente implementazione del machine learning che abbiamo realizzato per un'azienda B2B, abbiamo raggruppato i clienti in diversi segmenti utilizzando i dati di un periodo di tempo recente:
- VIP Shopper: il livello più alto di clienti in base al valore delle conversioni e al numero di conversioni.
- Acquirente coinvolto: un gran numero di visite, un carrello attivo, numerose visualizzazioni di prodotti e almeno una conversione.
- Window Shopper: Diverse visite, numerose visualizzazioni di prodotti
Queste informazioni non sono state condivise con il cliente: non è una distinzione pubblica, piuttosto è un'indicazione interna di come interagire con un cliente. Avere queste informazioni consente agli esperti di marketing di visualizzare promozioni mirate sul sito durante una visita. Ad esempio, se un cliente rientra nella classificazione "Acquirente coinvolto" e ha un carrello attivo che si trova al di sopra dell'AOV, potrebbe essere visualizzato un coupon per la spedizione gratuita o uno sconto per portare questo acquirente verso la conversione.
È anche importante notare che i modelli non sono statici. Devono essere ricalcolati frequentemente. Nella recente implementazione, i modelli sarebbero stati ricalcolati ogni poche ore per garantire che fossero il più aggiornati e accurati possibile.
Posizionamento prescrittivo di prodotti e contenuti
Ci sono molte ragioni per cui il comportamento di acquisto può cambiare. La stagionalità è una di queste ragioni. Altri motivi che possono determinare cambiamenti comportamentali a breve termine sono il tempo, le notizie, le carenze e le promozioni dei produttori. L'utilizzo di modelli per rilevare condizioni "al di fuori delle aspettative" e adattare il merchandising del sito per rispondere ad anomalie sensibili al tempo sta diventando sempre più comune. Questa tecnica può essere utilizzata per modificare i risultati di ricerca, il posizionamento dell'elemento nella home page, il posizionamento dell'elemento della categoria e guidare gli utenti alle informazioni sul prodotto quando viene condotta una ricerca per un prodotto competitivo.
Un determinato prodotto ha prestazioni migliori quando è visibile nella parte superiore della home page? Alcuni lo fanno, altri no. Essere in grado di rilevare il posizionamento ottimale per i prodotti data una storia recente di attività come conversioni e aggiunte al carrello può essere ottenuto tramite l'apprendimento automatico. Quando si introduce un nuovo prodotto, modelli simili possono essere utilizzati per prevedere un miglior posizionamento per prestazioni ottimali in base alle caratteristiche del prodotto.
Miglioramento della personalizzazione
La personalizzazione sulla maggior parte dei siti B2C ha molta strada da fare. E sui siti B2B, è ancora agli inizi. Sebbene sia possibile raggruppare gli acquirenti in una coorte e mostrare loro articoli simili, l'apprendimento automatico rende possibile ridurre queste coorti, avvicinandosi a un'esperienza più unica per il tuo cliente B2B. Ciò può essere particolarmente efficace quando ci sono più acquirenti B2B da un singolo cliente.
Per iniziare a passare a un'esperienza più unica, i modelli di machine learning possono essere sviluppati partendo da un livello elevato, per poi passare a livelli più granulari che forniscono informazioni uniche su un cliente.
Ad esempio, a partire dalla geolocalizzazione come fattore, un venditore B2B di apparecchiature HVAC industriali dovrebbe presentare prodotti diversi per i clienti in Minnesota rispetto a quelli in Florida. Le stagioni degli acquisti non sono solo diverse, ma eventi in Florida come un imminente uragano possono influenzare il comportamento di acquisto a breve termine. Un modello adeguatamente progettato può aiutare a individuare questi cambiamenti e avvisare il marketer B2B di cambiamenti che potrebbero richiedere un cambiamento nel merchandising del sito per una regione geografica.
Inoltre, un'azienda potrebbe sviluppare modelli in grado di prevedere l'ordinamento ottimale per i risultati di ricerca per un cliente, i prodotti e le categorie ideali da presentare per loro, insieme a promozioni suggerite in base al loro comportamento recente.
In sintesi
È un momento affascinante per lavorare nel commercio e con i dati in particolare. La convergenza dell'elaborazione basata su cloud a basso costo e l'abbondanza di dati disponibili da una vasta gamma di fonti (non ultima è il sito B2B di un'azienda) e forniscono molte informazioni utilizzabili con ordini di grandezza di investimento inferiori a un decennio fa. Ciò non solo mette questa tecnologia a portata di mano, ma la posiziona per diventare una parte fondamentale del modo in cui ti relazioni con i tuoi clienti e di come gestisci la tua attività.
Quelli che ignorano la chiamata oggi, potrebbero essere i Borders di domani.