Aprendizado de máquina e análise preditiva em B2B
Publicados: 2017-08-01Há pouco mais de três anos, escrevi uma série de posts sobre as pressões que o varejo online estava exercendo sobre as lojas físicas tradicionais. De gigantes do passado, como a Borders, até aquelas em risco hoje, como a Sears, empresas que não reagiram a amplas mudanças nas expectativas dos consumidores fecharam suas portas ou estão lutando para mantê-las abertas.
Sejamos justos, no entanto. O varejo físico não está condenado. É uma peça do quebra-cabeça no mundo omnicanal. Não é mais a peça central. As empresas que estão tendo sucesso estão prestando muita atenção aos dados do cliente, aprendendo ou prevendo quais serão as ações de seus clientes e levando a experiência do cliente a um nível totalmente novo. Um nível que é a nova base de como competir e ter sucesso no varejo.
E se você estiver no espaço B2B, espero que esteja prestando atenção.
Nos últimos 20 anos, ajudei muitas empresas a implementar sites B2C e B2B. Os desafios são diferentes em alguns aspectos, mas as expectativas de quem interage com um site vêm convergindo há anos. E à medida que empresas como a Amazon continuam se expandindo no mundo B2B, você pode ter certeza de que a demanda por uma experiência “mais inteligente” crescerá.
A maioria das empresas no espaço B2B está usando a análise da web para rastrear o básico; visualizações de página, visitantes, taxa de rejeição e métricas semelhantes. Hoje, essa é a barra baixa.
O verdadeiro valor que pode ser extraído da maneira como os clientes interagem com um site não está oculto em um relatório obscuro do Google Analytics. Ele está enterrado na riqueza de dados que podem ser coletados das interações com o cliente. Para empresas pequenas e grandes, o mundo da ciência de dados pode ser intimidante e saber por onde começar pode deixar a cabeça girando.
Mas ignore isso por sua conta e risco.
OK, então uma discussão completa sobre ciência de dados está além do que é possível em um blog, mas aqui estão alguns pontos-chave que todos no espaço B2B devem saber:
- Ser capaz de responder com rapidez e precisão às mudanças no comportamento do cliente é fundamental. Os dias de levar uma semana ou mais para examinar relatórios e descobrir o que seus clientes querem já se foram.
- O Predictive Analytics e o Machine Learning chegaram para ficar e as empresas que empregam essas técnicas superarão as que não o fizerem.
- Sua plataforma de comércio pode ou não conseguir reunir todos os dados de que você precisa. É uma peça do quebra-cabeça e há outras fontes a serem consideradas.
Então, como as empresas B2B podem usar análises preditivas e aprendizado de máquina? Aqui estão alguns casos de uso que eu vi:
Classificação do cliente
Compreender as tendências comportamentais dos clientes e agrupá-los com clientes semelhantes pode ser uma maneira eficaz de concentrar os esforços de marketing e merchandising. Uma classificação que provavelmente já viu é o “Cliente VIP”, mas muitas vezes as empresas B2B simplesmente decidem, usando uma única métrica, o que constitui um VIP. Uma implementação que vi simplesmente classifica qualquer cliente que comprou mais de US$ 100 como VIP e colocou um pequeno crachá no perfil online do cliente. Isso não é realmente classificação; está mais próximo da gamificação, que dá ao cliente algum tipo de sensação de realização e, esperançosamente, aumenta sua fidelidade.
A classificação real é baseada em um conjunto de recursos de dados medidos em todas as atividades recentes do cliente. Em outras palavras, se alguém é um cliente VIP real ou não, vai mudar quando comparado ao comportamento de toda a base de clientes.
Conhecer a classificação do cliente e ser capaz de usar um modelo de classificação para prever um grupo ao qual um novo cliente provavelmente pertencerá pode ajudar muito na determinação de quais promoções mostrar a um cliente enquanto ele estiver no site ou por e-mail. Em uma implementação recente de aprendizado de máquina que fizemos para uma empresa B2B, agrupamos os clientes em vários segmentos usando dados de um período recente:
- Comprador VIP: o nível mais alto de clientes com base no valor das conversões e no número de conversões.
- Comprador engajado: um grande número de visitas, um carrinho ativo, várias visualizações de produtos e pelo menos uma conversão.
- Window Shopper: Várias visitas, várias visualizações de produtos
Esta informação não foi compartilhada com o cliente – não é uma distinção pública, mas sim uma indicação interna de como interagir com um cliente. Ter essas informações permite que os profissionais de marketing exibam promoções direcionadas no site durante uma visita. Por exemplo, se um cliente se enquadra na classificação “Comprador engajado” e tem um carrinho ativo que está acima do AOV, um cupom de frete grátis ou um desconto pode ser exibido para mover esse comprador para a conversão.
Também é importante observar que os modelos não são estáticos. Devem ser recalculados com frequência. Na implementação recente, os modelos eram recalculados a cada poucas horas para garantir que fossem o mais atuais e precisos possível.
Colocação Prescritiva de Produto e Conteúdo
Há muitas razões pelas quais o comportamento de compra pode mudar. A sazonalidade é um desses motivos. Outras razões que podem levar a mudanças comportamentais de curto prazo são clima, notícias, escassez e promoções de fabricantes. O uso de modelos para detectar condições que estão “fora das expectativas” e ajustar o merchandising do local para responder a anomalias sensíveis ao tempo está se tornando mais comum. Essa técnica pode ser usada para alterar os resultados da pesquisa, o posicionamento do item na página inicial, o posicionamento do item da categoria e orientar os usuários para informações sobre o produto quando uma pesquisa por um produto concorrente é realizada.
Um determinado produto tem melhor desempenho quando visível na parte superior da página inicial? Alguns sim, outros não. Ser capaz de detectar o posicionamento ideal de produtos com base em um histórico recente de atividade, como conversões e adições de carrinho, pode ser realizado por meio de aprendizado de máquina. Ao introduzir um novo produto, modelos semelhantes podem ser usados para prever um melhor posicionamento para um desempenho ideal com base nos atributos do produto.
Melhorando a personalização
A personalização na maioria dos sites B2C tem um longo caminho a percorrer. E em sites B2B, ainda está em sua infância. Embora seja possível agrupar os compradores em uma coorte e mostrar a eles itens semelhantes, o aprendizado de máquina torna possível tornar essas coortes menores, aproximando-se de uma experiência mais exclusiva para seu cliente B2B. Isso pode ser especialmente impactante quando há vários compradores B2B de um único cliente.
Para começar a avançar em direção a uma experiência mais exclusiva, os modelos de aprendizado de máquina podem ser desenvolvidos começando em um nível mais alto e depois progredindo para níveis mais granulares que fornecem insights exclusivos sobre um cliente.
Por exemplo, começando com a geolocalização como um fator, um vendedor B2B de equipamentos HVAC industriais deve apresentar produtos diferentes para clientes em Minnesota versus os da Flórida. As temporadas de compra não são apenas diferentes, mas eventos na Flórida, como um furacão iminente, podem influenciar o comportamento de compra no curto prazo. Um modelo adequadamente projetado pode ajudar a identificar essas mudanças e alertar o profissional de marketing B2B para mudanças que podem exigir uma mudança no merchandising do site para uma região geográfica.
Além disso, uma empresa pode desenvolver modelos que possam prever a ordem de classificação ideal para os resultados de pesquisa de um cliente, os produtos e categorias ideais a serem apresentados para eles, juntamente com promoções sugeridas com base em seu comportamento recente.
Em suma
É um momento fascinante para trabalhar com comércio e com dados em particular. A convergência da computação baseada em nuvem de baixo custo e a abundância de dados disponíveis de uma variedade de fontes (entre as quais o site B2B de uma empresa) e fornecem muita inteligência acionável com ordens de investimento de magnitude inferior a uma década atrás. Isso não apenas coloca essa tecnologia ao seu alcance, mas também a posiciona para se tornar uma parte essencial de como você se relaciona com seus clientes e como opera seus negócios.
Aqueles que ignoram o chamado hoje, provavelmente serão os Borders de amanhã.