Uczenie maszynowe i analityka predykcyjna w B2B
Opublikowany: 2017-08-01Nieco ponad trzy lata temu napisałem serię postów o naciskach, jakie handel internetowy wywiera na tradycyjne sklepy stacjonarne. Od gigantów z przeszłości, takich jak Borders, po te zagrożone dzisiaj, takie jak Sears, firmy, które nie zareagowały na szerokie zmiany oczekiwań konsumentów, zamknęły swoje drzwi lub walczą o utrzymanie ich otwartych.
Bądźmy jednak uczciwi. Handel fizyczny nie jest skazany na zagładę. To element układanki w świecie wielokanałowym. To już nie jest centralne miejsce. Firmy, które odnoszą sukcesy, zwracają baczną uwagę na dane klientów, uczą się lub przewidują, jakie będą działania ich klientów, i przenoszą doświadczenia klientów na zupełnie nowy poziom. Poziom, który jest nowym punktem odniesienia dla tego, jak konkurować i odnosić sukcesy w handlu detalicznym.
A jeśli jesteś w przestrzeni B2B, mam nadzieję, że zwracasz na to uwagę.
W ciągu ostatnich 20 lat pomogłem wielu firmom wdrożyć zarówno strony B2C, jak i B2B. Wyzwania są pod pewnymi względami różne, ale oczekiwania osób wchodzących w interakcję z witryną są zbieżne od lat. A ponieważ firmy takie jak Amazon nadal rozwijają się w świecie B2B, możesz być pewien, że zapotrzebowanie na „inteligentniejsze” doświadczenie będzie rosło.
Większość firm w przestrzeni B2B używa analityki internetowej do śledzenia podstaw; wyświetlenia strony, odwiedzający, współczynnik odrzuceń i podobne dane. Dziś jest to niski pasek.
Prawdziwa wartość, którą można wydobyć ze sposobu, w jaki klienci wchodzą w interakcję z witryną, nie kryje się w niejasnym raporcie Google Analytics. Jest pochowany w bogactwie danych, które można zebrać z interakcji z klientami. Dla firm, zarówno małych, jak i dużych, świat nauki o danych może być onieśmielający, a wiedza, od czego zacząć, może przyprawić o zawrót głowy.
Ale zignoruj to na własne ryzyko.
OK, więc pełna dyskusja na temat nauki o danych wykracza poza to, co jest możliwe na blogu, ale oto kilka kluczowych punktów, które wszyscy w przestrzeni B2B powinni wiedzieć:
- Możliwość szybkiego i dokładnego reagowania na zmiany w zachowaniu klientów ma kluczowe znaczenie. Dni, w których przeglądanie raportów i zastanawianie się, czego chcą Twoi klienci, zajmowało tydzień lub dłużej, już dawno minęły.
- Analityka predykcyjna i uczenie maszynowe nie znikną, a firmy stosujące te techniki wymanewrują tych, którzy tego nie robią.
- Twoja platforma handlowa może, ale nie musi być w stanie zebrać wszystkich potrzebnych Ci danych. To element układanki i należy wziąć pod uwagę inne źródła.
Jak więc firmy B2B mogą wykorzystać analitykę predykcyjną i uczenie maszynowe? Oto kilka przypadków użycia, które widziałem:
Klasyfikacja klienta
Zrozumienie tendencji behawioralnych klientów i pogrupowanie ich z podobnymi klientami może być skutecznym sposobem na skupienie działań marketingowych i merchandisingowych. Jedną z klasyfikacji, którą najprawdopodobniej widziałeś, jest „Klient VIP”, ale zbyt często firmy B2B po prostu decydują, za pomocą jednej miary, co stanowi VIP. Jedna implementacja, którą widziałem, po prostu klasyfikuje każdego klienta, który kupił ponad 100 USD, jako VIP i umieszcza małą plakietkę w profilu online klienta. To nie jest tak naprawdę klasyfikacja; jest bliższy grywalizacji, która daje klientowi poczucie osiągnięcia i, miejmy nadzieję, zwiększa jego lojalność.
Rzeczywista klasyfikacja opiera się na zestawie cech danych mierzonych w ramach całej ostatniej aktywności klientów. Innymi słowy, to, czy ktoś jest prawdziwym klientem VIP, czy nie, zmieni się w porównaniu z zachowaniem całej bazy klientów.
Znajomość klasyfikacji klientów i umiejętność korzystania z modelu klasyfikacji do przewidywania grupy, do której prawdopodobnie będzie należeć nowy klient, może znacznie pomóc w określeniu, które promocje mają być wyświetlane klientowi, gdy jest on w witrynie lub za pośrednictwem poczty e-mail. W ostatnim wdrożeniu uczenia maszynowego, które przeprowadziliśmy dla firmy B2B, pogrupowaliśmy klientów w kilka segmentów, korzystając z danych z ostatniego okresu:
- VIP Shopper: najwyższy poziom klientów na podstawie wartości konwersji i liczby konwersji.
- Zaangażowany klient: duża liczba odwiedzin, aktywny koszyk, liczne wyświetlenia produktu i co najmniej jedna konwersja.
- Window Shopper: Kilka wizyt, liczne wyświetlenia produktów
Ta informacja nie została udostępniona klientowi – nie jest to publiczne wyróżnienie, a raczej wewnętrzne wskazanie sposobu interakcji z klientem. Posiadanie tych informacji umożliwia marketerom wyświetlanie ukierunkowanych promocji na stronie podczas wizyty. Na przykład, jeśli klient należy do kategorii „Zaangażowany kupujący” i ma aktywny koszyk, który jest powyżej AOV, może zostać wyświetlony kupon na bezpłatną wysyłkę lub zniżkę, aby skierować tego kupującego do konwersji.
Należy również zauważyć, że modele nie są statyczne. Muszą być często przeliczane. W niedawnym wdrożeniu modele przeliczały się co kilka godzin, aby upewnić się, że są jak najbardziej aktualne i dokładne.
Nakazowe rozmieszczenie produktów i treści
Istnieje wiele powodów, dla których zachowania zakupowe mogą ulec zmianie. Jednym z takich powodów jest sezonowość. Inne przyczyny, które mogą prowadzić do krótkoterminowych zmian w zachowaniu, to pogoda, wiadomości, braki i promocje producentów. Używanie modeli do wykrywania warunków, które są „poza oczekiwaniami” i dostosowywania merchandisingu witryny w celu reagowania na anomalie zależne od czasu, staje się coraz bardziej powszechne. Technikę tę można wykorzystać do zmiany wyników wyszukiwania, rozmieszczenia elementów na stronie głównej, rozmieszczenia elementów kategorii i kierowania użytkowników do informacji o produkcie podczas wyszukiwania produktu konkurencyjnego.
Czy dany produkt działa lepiej, gdy jest widoczny u góry strony głównej? Niektórzy tak, inni nie. Możliwość wykrywania optymalnego rozmieszczenia produktów na podstawie niedawnej historii aktywności, takiej jak konwersje i dodawanie do koszyka, można osiągnąć dzięki uczeniu maszynowemu. Przy wprowadzaniu nowego produktu podobne modele można wykorzystać do przewidywania najlepszego rozmieszczenia pod kątem optymalnej wydajności w oparciu o atrybuty produktu.
Poprawa personalizacji
Personalizacja większości witryn B2C ma przed sobą długą drogę. A w witrynach B2B wciąż jest w powijakach. Chociaż możliwe jest pogrupowanie kupujących w kohortę i pokazanie im podobnych produktów, uczenie maszynowe umożliwia zmniejszenie tych kohort, zapewniając bardziej wyjątkowe wrażenia dla klienta B2B. Może to mieć szczególne znaczenie, gdy od jednego klienta jest wielu nabywców B2B.
Aby rozpocząć dążenie do bardziej unikalnego doświadczenia, modele uczenia maszynowego można opracowywać, zaczynając od wysokiego poziomu, a następnie przechodząc do bardziej szczegółowych poziomów, które zapewniają unikalny wgląd w klienta.
Na przykład, zaczynając od geolokalizacji jako czynnika, sprzedawca B2B przemysłowego sprzętu HVAC powinien oferować różne produkty dla klientów w Minnesocie w porównaniu z tymi na Florydzie. Sezony zakupowe są nie tylko różne, ale wydarzenia na Florydzie, takie jak zbliżający się huragan, mogą wpłynąć na zachowania zakupowe w krótkim okresie. Odpowiednio zaprojektowany model może pomóc wykryć te zmiany i ostrzec marketera B2B o zmianach, które mogą wymagać zmiany w merchandisingu witryny w danym regionie geograficznym.
Co więcej, firma może opracować modele, które mogą przewidywać optymalną kolejność sortowania wyników wyszukiwania dla klienta, idealne produkty i kategorie do zaprezentowania, wraz z sugerowanymi promocjami na podstawie ich ostatnich zachowań.
W podsumowaniu
Praca w handlu, aw szczególności z danymi, to fascynujący czas. Konwergencja taniego przetwarzania w chmurze i obfitość danych dostępnych z wielu źródeł (z których nie najmniej ważnym jest strona B2B firmy) i dostarczają dużo użytecznej inteligencji przy rzędach inwestycyjnych mniejszych niż dekada temu. To nie tylko sprawia, że ta technologia jest w zasięgu ręki, ale także staje się kluczowym elementem relacji z klientami i prowadzenia firmy.
Ci, którzy dzisiaj ignorują wezwanie, prawdopodobnie będą jutrzejszymi granicami.